Computational structure prediction of lanthipeptides with <scp>NMR</scp> data reveals underappreciated peptide flexibility
Notice bibliographique
Résumé
Lanthipeptides are a class of thioether-containing ribosomally synthesized and post-translationally modified peptides, which often have antibiotic activity. As a potential starting point for therapeutics, interest in engineering lanthipeptides is growing. Our inability to computationally model and design lanthipeptides in molecular modeling and design software such as Rosetta limits our ability to rationally design lanthipeptides for drug discovery campaigns. We propose that implementing support for the lanthionine rings and dehydrated amino acids found in lanthipeptides will enable accurate lanthipeptide modeling with Rosetta. We find that when compared to the ensembles of lanthipeptides with NMR-determined structures in the PDB, lanthipeptide ensembles generated with Rosetta have similar experimental agreement, lower Rosetta energy scores, and greater flexibility. Our use of ensemble-averaged NOE distances instead of requiring individual structures to satisfy all NOE restraints was key for revealing the flexibility of these peptides. Our Rosetta lanthipeptide ensembles show increased flexibility in non-cyclized peptide regions as well as increased lanthionine ring flexibility when internal hydrogen bonds are absent and glycine residues are present. Support for lanthipeptides in Rosetta enables the design and modeling of lanthipeptides in Rosetta for therapeutic development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».