obarvan v dveh vijoličnih odtenkih. Od tega je manjša podenota na levi C-končna. Z roza verigo je prikazana struktura ORF8, vezana na TGFB1-Ct, z modro verigo pa je prikazana struktura ORF8, vezana na celotno molekulo TGFB1.
Tabela 6: Ocena modela kompleksa ORF8-IL17RA na strežniku HADDOCK.
IL17RA
Ocena HADDOCK 31,1 +/- 11,4
Velikost skupka 7
RMSD-vrednost strukture z najnižjo energijo 17,1 +/- 0,1 Van der Waalsova energija -85,2 +/- 10,0
Elektrostatska energija -243,1 +/- 57,5 Energija desolvatacije -15,6 +/- 1,8 Energija kršitve omejitev 1805,6 +/- 160,7
Zakopana površina 2619,1 +/- 109,8
Ocena Z -1,0
35
Ob pregledu strukture kompleksa smo ugotovili, da so vse obravnavane aminokisline preveč oddaljene od interakcijske površine za sodelovanje pri stabilizaciji kompleksa. Do vezave proteina ORF8 pride preko domene D1 proteina IL17RA v vseh analiziranih modelih strukture napovedanih s ClusPro in HADDOCK (slika 19).
Pregled interakcijske površine pokaže, da pride do dobre elektrostatske stabilizacije kompleksa. Manjši prispevek imajo tudi hidrofobni kontakti med aminokislinami (slika 20).
Slika 19. Napovedan model interakcije ORF8 z IL17RA-Nt. Z modro je označen model ORF8, s prikazano površino pa struktura IL17RA-Nt. Temno zeleno je obarvana podenota D1, ki ji pripada aminokislinsko zaporedje 69-183, svetlo zeleno pa podenota D2, ki ji pripada zaporedje 205-282 [42]. Preostali del molekule je sive barve.
Slika 20. Hidrofobni in elektrostatski prikaz interakcijske površine. Z modro verigo je prikazana struktura ORF8, z zeleno pa D1-podenota IL17RA. Na levi strani je prikaz hidrofobnih interakcij, ki so obarvane z rumeno in hidrofilnih, obarvanih z modro. Na desni strani pa je elektrostatska površina, kjer je pozitiven naboj strukture obarvan modro, negativen pa rdeče.
36
37
5 RAZPRAVA
Potek dela so pomembno usmerjali eksperimentalni rezultati metode Y2H, ki so nakazali pomen določenih aminokislin v strukturi ORF8 (tabela 1). Glede na odstopanje nekaterih interakcij od referenčne nas je posebej zanimala razlaga modelov interakcij s tarčnimi proteini ADAM9, PLOD2, TGFß1 ter TGFß1-LAP in IL17RA.
Bistvenega pomena za čim boljši vpogled v mehanizem interakcije so bile dobre strukture proteinov, ki smo jih uporabili za molekulsko sidranje. Za večino proteinov so bile strukture eksperimentalno že določene in jim zaradi narave metode pripišemo visok nivo zaupanja. Proteina ADAM9 in PLOD2 struktur še nimata eksperimentalno določenih, zato smo ju napovedali z metodo modeliranja na podlagi matrice na strežniku I-TASSER.
Pridobili smo modela struktur ADAM9 in PLOD2, ki smo ju med ostalimi napovedanimi modeli izbrali na podlagi najvišje C-vrednosti [21]. Med pisanjem naloge sta bili objavljeni še strukturi napovedani z algoritmom AlphaFold, ki se je na preteklem ocenjevanju CAPRI približal eksperimentalni določitvi struktur [19]. Iz zanimanja in z obzirom na čim boljše rezultate smo strukture primerjali in ugotovili slabšo podobnost napovedi struktur ADAM9 ter veliko podobnost napovedanih struktur PLOD2 (sliki 3 in 4). Vrednost strukturne poravnave pri ADAM9 z RMSD = 1,057 je precej višja kot pri PLOD2, kjer je RMSD = 0,698. Izračun RMSD-vrednosti je standardno uporabljena metoda za opis poravnave strukture, pri čemer vrednost RMSD = 0 pomeni poravnavo identičnih struktur
[39]. RMSD je sicer odvisen od velikosti proteina, vendar lahko kljub temu, da je ADAM9 dolg 491 aminokislin, PLOD2 pa 711 aminokislin, sklepamo na bolj uspešno poravnavo napovedanih struktur PLOD2. V tem primeru ima namreč manjši protein večjo RMSD-vrednost kot večji protein, iz česar razberemo, da je napoved modelov strukture za PLOD2 z I-TASSER in AlphaFold bolj primerljiva. To podpre tudi razlika v C-vrednosti, s katero I-TASSER opiše napoved. Pri modelu ADAM9 je ta znašala 0,85, pri PLOD2 pa 1,92. Večja kot je vrednost C, večja je verjetnost, da je model podoben nativni strukturi
[21].
Razlika v uspešnosti napovedanih struktur se je pokazala tudi pri nadaljnjem molekulskem sidranju. Vrednost Z, ki smo jo upoštevali pri izbiri HADDOCK modelov za interakcijo z ADAM9, je primerljiva, prav tako sta primerljivi tudi prosti Gibbsovi energiji obeh modelov interakcij (tabela 2). Razlika pa je očitna pri izračunani disociacijski konstanti, kjer je KD za model, ki vsebuje napoved strukture ADAM9 z I-TASSER, za 3 velikostne rede večja kot pri alternativnem modelu napovedanem z AlphaFold. Iz eksperimentalnih podatkov je razvidno, da pride v primeru ADAM9 do močne interakcije, zato pričakujemo majhno disociacijsko konstanto. Model strukture, napovedan z AlphaFold, se je izkazal za boljšega že na nivoju analize same strukture, potem pa tudi pri modeliranju interakcije. Kot končni model tako izberemo kompleks, ki vsebuje strukturo ADAM9, napovedano z AlphaFold (slika 6), saj močno interakcijo podkrepi KD v velikostnem razredu 10-12. Pri uvedbi dvojne mutacije L84S in S24L v strukturi ORF8 s signalnim peptidom pride pri eksperimentalnem poskusu do šibke
38
interakcije, kar nakazuje na pomen aminokislin na 24. in 84. mestu za funkcijo proteina.
Iz modela je razvidna bližina ostankov Leu84 in Thr471, ki je znotraj ustrezne oddaljenosti za interakcijo. Ob zamenjavi alifatske aminokisline levcin za polarno, nenabito aminokislino serin uvedemo donor/akceptor H-vezi, ki bi lahko stabiliziral kompleks. Aminokislini sta sicer na razdalji 4,68 Å, kar je nekoliko več od običajne H-vezi, ki meri 2,8-3,2 Å [40]. Prisotnost 15 aminokislinskih ostankov dolgega signalnega peptida v ORF8 bi tako morda uvedla rahlo konformacijsko spremembo kompleksa, ki bi to razdaljo zmanjšala. Stranska veriga Ser24 ni v območju interakcijske površine, zato prispevek mutacije te aminokisline ni jasen. Za natančnejšo razlago interakcije bi morali pripraviti model, ki vsebuje še signalni peptid. Takšne interakcije v fizioloških pogojih sicer ne pričakujemo, saj ima signalno zaporedje zgolj vlogo uvoza v ER, nato pa ga peptidaza odcepi.
Pomen strukture proteina pri molekulskem sidranju se je pokazal tudi na primeru modelov interakcije ORF8 s PLOD2. Kljub zelo podobnima napovedanima strukturama PLOD2 z I-TASSER in AlphaFold, sta bila končna napovedana modela interakcije bistveno drugače ocenjena (tabela 3). To se sicer ni odrazilo v izračunu KD, saj je bila pri obeh modelih primerljivo nizka in bi razložila močno interakcijo proteinov, kar pa je v nasprotju z eksperimentalnim rezultatom (tabela 1). Ta kaže na potek šibke interakcije ter celo njeno odsotnost v primeru mutacije Y73C. Odstopanje od referenčnega rezultata lahko razložimo z izgubo interakcije prek Tyr73, ki je v modelu 5,01 Å oddaljena od Asp736 (slika 7). Razdalja je v tem primeru skrajna za tvorbo signifikantnega kontakta, vendar je zaradi dolge stranske verige tirozina možno, da je v nativni strukturi v drugačni konformaciji in zato bližje. Čeprav oba modela napovesta močno interakcijo kompleksa, do te eksperimentalno ne pride. Napovedan model pa vseeno pokaže vzrok za odstopanje eksperimentalnega rezultata interakcije od referenčne, saj očitno Tyr73 signifikantno sodeluje v stabilizaciji strukture. Zaradi večje zanesljivosti programa AlphaFold smo za končni model interakcije izbrali tistega, ki vsebuje strukturo PLOD2 napovedano z AlphaFold.
Preostale napovedi modelov interakcij temeljijo na eksperimentalno določenih strukturah, zato predpostavljamo, da so tudi napovedi struktur kompleksov bolj zanesljive.
Za interpretacijo interakcije ORF8 z N-končnim delom proteina ITGB1 se je najbolj izkazal model napovedan na spletnem strežniku ClusPro (slika 9). Izračun jakosti interakcije je podal KD z vrednostjo 2,6 × 10-11, kar ustreza močni interakciji [41]. To je v skladu z eksperimentalnim rezultatom, ki daje konsistentno močno interakcijo kljub uvajanju mutacij v strukturo ORF8. Analiza interakcijske površine proteinov pokaže zelo dobro stabilizacijo kompleksa preko hidrofobnih aminokislinskih ostankov (slika 10).
Razvidno je tudi, da nobena od obravnavanih aminokislin ne sega v interakcijsko površino, kar je v skladu z rezultati Y2H.
39
Modelirali smo tudi interakcijo s C-končnim delom strukture ITGB1, ki pa jo je napovedal strežnik HADDOCK. Ocena modela je zadovoljiva (tabela 4), saj izračun KD
ustreza eksperimentalnim podatkom in tako potrdi izbiro napovedanega modela za razlago interakcije. Poskus pokaže, da med proteinoma pride do šibke interakcije, čemur ustreza tudi velikost KD = 1,9 × 10-9, saj je večja kot v primeru močne interakcije. Model izpostavi neposredno bližino aminokisline Leu84 in motiva α-vijačnice, ki je centralni element v strukturi ITGB1-Ct (slika 11). Očitna je hidrofobna stabilizacija strukture prek Leu754, kar bi se moralo odraziti ob mutaciji alifatske aminokisline v polarno. Glede na bližino α-vijačnice in posledično gručo stranskih verig aminokislin predvidevamo, da se izgubljena hidrofobna interakcija nadomesti z elektrostatsko in zato ne vodi k destabilizaciji kompleksa. To potrdi tudi prikazana interakcijska površina, kjer je razvidna dobra stabilizacija prek hidrofobnih in elektrostatskih interakcij (slika 12).
Glede na eksperimentalne podatke o močni interakciji ORF8 s TGFB1-Ct smo izbrali model, napovedan s ClusPro. Izračun jakosti vezave je podal vrednost KD = 1 × 10-12, kar sovpada s pričakovano visoko afiniteto vezave. Pregled strukture pokaže bližino obravnavanega tirozinskega ostanka iz ORF8 verige A in Tyr90 iz drugega proteina, v verigi B pa bližino levcinskega ostanka in Tyr65 (slika 13). Obe razdalji sta v sprejemljivi oddaljenosti za tvorbo H-vezi in stabilizacijo strukture kompleksa. Glede na konstantno močno interakcijo v poskusu Y2H lahko predvidevamo, da je kompleks močno stabiliziran tudi prek drugih interakcij. Izguba interakcije ob mutaciji Y73C namreč ne vpliva na izid poskusa, zamenjava L84S pa bi lahko vodila do vzpostavitve nove H-vezi.
Še ena od interakcij, ki so v poskusu Y2H odstopale od referenčne, je interakcija ORF8 s proteinom TGFB1-LAP. Do interakcije namreč ni prišlo z referenčno varianto ORF8, z uvedbo mutacij pa je nastopila tudi šibka interakcija. Model za razlago je bil napovedan s HADDOCK in tudi dobro ocenjen (tabela 5), izračun KD pa je model uvrstil k šibkim interakcijam. Analiza interakcijske površine je pokazala slabo stabilizacijo prek hidrofobnih in nekoliko boljšo prek elektrostatskih kontaktov (slika 16). Prav tako je stične površine zelo malo, kar potrdi odsotnost interakcije med proteinoma. Obravnavane aminokisline so odmaknjene od interakcijske površine (slika 15), kar je v neskladju s pojavom interakcije ob mutacijah, vendar podpre odsotnost interakcije z referenčno varianto ORF8. Možno je, da bi zamenjava aminokisline vodila molekulsko sidranje po drugi poti in tako privedla do napovedi drugačnega modela, zato bi bilo smiselno pripraviti model strukture ORF8 z uvedenimi mutacijami in molekulsko sidranje ponoviti.
Popolna odsotnost interakcije se je pokazala pri kompleksu ORF8 s celotnim TGFB1-proteinom. Model je bil napovedan s ClusPro, izračunali pa smo mu vrednost KD = 5,2 × 10-11, kar bi ustrezalo močni interakciji. Z modeli prejšnjih struktur kompleksov smo potrdili eksperimentalne rezultate in zaključili, da do interakcije pride samo s C-podenoto, ne pa tudi s podenoto LAP-proteina. Poravnali smo strukturo tega kompleksa s strukturo kompleksa ORF8 in C-terminalne regije TGFB1 z namenom primerjave
40
vezavnega mesta za ORF8 v obeh kompleksih (slika 17). Izkaže se, da je v strukturi celotnega TGFB1 vezavno mesto, kamor se veže protein na C-podenoti, ovirano z α-vijačnico, kar prepreči vezavo ORF8 na mesto, ki bi omogočilo močno interakcijo (slika 18).
Posebej zanimiva je interakcija ORF8 z IL17RA, ki je bil v literaturi večkrat potrjen kot interaktor [12]. Glede na prvotne eksperimentalne podatke se predpostavlja samoaktivacijo proteina IL17RA, z manipulacijo izvedbe Y2H pa je bila dosežena tudi močna interakcija z ORF8 brez signalnega peptida (tabela 1). Model, ki najbolje razloži eksperimentalne podatke je bil pripravljen na strežniku HADDOCK, izbrali pa smo ga prek izračuna vrednosti KD z rezultatom 1,1 × 10-11. Vrednost disociacijske konstante namreč ustreza pokazani močni interakciji. Model kompleksa prikaže vezavo prek D1-podenote proteina, kar je v nasprotju z navedbami iz literature, kjer so z izbitjem podenote D2 in posledično odsotnostjo interakcije nakazali pričakovano mesto vezave proteina ORF8 [12]. Zaradi neujemanja predvidenega vezavnega mesta ORF8 smo preverili še vse ostale napovedane modele in pri vseh opazili vezavo prek domene D1. Glede na izračunano moč vezave kompleksa, lahko predvidevamo, da izbrani model ponazarja močno interakcijo v prilagojenem poskusu Y2H. Poleg tega lahko predvidevamo tudi, da je domena D2 proteina IL17RA pomembna za njegovo samoaktivacijo in ne za interakcijo z ORF8, kar bi pojasnilo ugotovitev iz literature in hkrati ovrglo pogoj interakcije prek domene D2 za uspešno interakcijo ORF8-IL17RA ter s tem potrdilo izbrani model kot potencialno reprezentativen za eksperimentalno doseženo interakcijo s prilagoditvijo sistema Y2H.
Rezultati izbranih modelov, ki najbolje opišejo eksperimentalne podatke posamezne interakcije ORF8 s humanim proteinom, so zbrani v tabeli 7.
Tabela 7: Povzetek eksperimentalnih rezultatov s parametri pripadajočih modelov. V tabeli so zbrani podatki, ki povzamejo eksperimentalne rezultate interakcij, pridobljenih z Y2H ter vrednosti izračuna disociacijske konstante KD za izbrane modele interakcij. Temno zeleno obarvana polja predstavljajo močno interakcijo, svetlo zelena polja šibko interakcijo, siva polja pa odsotnost interakcije.
Signalni peptid ADAM9-Nt PLOD2 ITGB1-Nt ITGB1-Ct TGFB1-Ct TGFB1-LAP TGFB1 IL17RA-Nt DA
41
6 ZAKLJUČEK
V diplomski nalogi smo z aktualnimi računskimi metodami uspeli napovedati modele struktur nerazrešenih proteinov, ki smo jih skupaj s proteini, ki že imajo eksperimentalno določeno strukturo, uporabili za modeliranje binarnih kompleksov SARS-CoV-2 proteina ORF8 s tarčnimi proteini človeka. Z napovedanimi modeli struktur interakcij smo uspeli razložiti eksperimentalne rezultate poskusa dvohibridnega sistema kvasovke in tako pokazali izjemno komplementarnost eksperimentalnih in bioinformatskih metod, ki skupaj omogočajo raziskovanje molekularnih procesov.
Potrdili smo hipotezo, da aminokisline, ki so podvržene zamenjavi zaradi mutageneze in dajo v Y2H-poskusu drugačen rezultat od referenčnega, sodelujejo v interakcijski površini proteinskega kompleksa. Pojav šibke interakcije smo opazili pri dvojni zamenjavi aminokislin L84S in S24L v ORF8 pri interakciji z ADAM9, kar lahko na podlagi pripravljenega modela ORF8-ADAM9 razložimo z oddaljenostjo L84 <5 Å od Thr471. Zamenjava Y73C pa je povzročila izgubo šibke interakcije med ORF8 in PLOD2. Iz modela je razvidno, da je stranska veriga Tyr73 znotraj interakcijske površine ter primerno usmerjena, da prispeva k stabilizaciji kompleksa, pri čemer zamenjava aminokisline povzroči izgubo interakcije in s tem destabilizacijo dimera ORF8-PLOD2.
Za dokončno potrditev uspešnosti modelov kompleksov bi analizo lahko nadaljevali z molekulsko dinamiko, ki bi dodala vpogled predvsem v šibke protein-proteinske interakcije. Postavlja pa se tudi vprašanje strukture ORF8 v dvohibridnem sistemu kvasovke, če ta zares nastopa v dimerni obliki, kar bi bilo smiselno nadaljnje raziskati.
42
43
7 LITERATURA
[1] S. S. Hassan, A. A. A. Aljabali, P. K. Panda, S. Ghosh, D. Attrish, P. P. Choudhury, M. Seyran, D. Pizzol, P. Adadi, T. M. Abd El-Aziz, et al.: A Unique View of SARS-COV-2 through the Lens of ORF8 Protein. Computers in Biology and Medicine 2021, 133.
[2] Y. Jia, P. Kowalski, I. Lopez: Using Yeast Two-Hybrid System and Molecular Dynamics Simulation to Detect Venom Protein-Protein Interactions. Current Research in Toxicology 2021, 2, 93–98.
[3] T. G. Flower, C. Z. Buffalo, R. M. Hooy, M. Allaire, X. Ren, J. H. Hurley, K. D.
Corbett, R. E. Stanley: Structure of SARS-CoV-2 ORF8, a Rapidly Evolving Immune Evasion Protein. Proceedings of the National Academy of Sciences 2021, 118.
[4] F. Pereira: Evolutionary Dynamics of the SARS-CoV-2 ORF8 Accessory Gene.
Infection, Genetics and Evolution 2020, 85.
[5] L. Zinzula: Lost in Deletion: The Enigmatic ORF8 Protein of SARS-CoV-2.
Biochemical and Biophysical Research Communications 2021, 538, 116–124.
[6] A. Alkhansa, G. Lakkis, L. el Zein: Mutational Analysis of SARS-CoV-2 ORF8 during Six Months of COVID-19 Pandemic. Gene Reports 2021, 23.
[7] Y. C. F. Su, D. E. Anderson, B. E. Young, M. Linster, F. Zhu, J. Jayakumar, Y.
Zhuang, S. Kalimuddin, J. G. H. Low, C. W. Tan, et al.: Discovery and Genomic Characterization of a 382-Nucleotide Deletion in ORF7B and Orf8 during the Early Evolution of SARS-CoV-2. mBio 2020, 11, 1–9.
[8] J. Y. Li, C. H. Liao, Q. Wang, Y. J. Tan, R. Luo, Y. Qiu, X. Y. Ge: The ORF6, ORF8 and Nucleocapsid Proteins of SARS-CoV-2 Inhibit Type I Interferon Signaling Pathway. Virus Research 2020, 286.
[9] Y. Zhang, Y. Chen, Y. Li, F. Huang, B. Luo, Y. Yuan, B. Xia, X. Ma, T. Yang, F.
Yu, et al.: The ORF8 Protein of SARS-CoV-2 Mediates Immune Evasion through
44
down-Regulating MHC-Ι. Proceedings of the National Academy of Sciences 2021, 118.
[10] A. Stukalov, V. Girault, V. Grass, O. Karayel, V. Bergant, C. Urban, D. A. Haas, Y. Huang, L. Oubraham, A. Wang, et al.: Multilevel Proteomics Reveals Host Perturbations by SARS-CoV-2 and SARS-CoV. Nature 2021, 594, 246–252.
[11] C. Margadant, A. Sonnenberg: Integrin-TGF-Β Crosstalk in Fibrosis, Cancer and Wound Healing. EMBO Reports. February 2010, pp 97–105.
[12] X. Lin, B. Fu, S. Yin, Z. Li, H. Liu, H. Zhang, N. Xing, Y. Wang, W. Xue, Y.
Xiong, et al.: ORF8 Contributes to Cytokine Storm during SARS-CoV-2 Infection by Activating IL-17 Pathway. iScience 2021, 24.
[13] D. E. Gordon, J. Hiatt, M. Bouhaddou, V. v. Rezelj, S. Ulferts, H. Braberg, A. S.
Jureka, K. Obernier, J. Z. Guo, J. Batra, et al.: Comparative Host-Coronavirus Protein Interaction Networks Reveal Pan-Viral Disease Mechanisms. Science 2020, 370.
[14] C. B. Anfinsen: Principles That Govern the Folding of Protein Chains; 1973; Vol.
181.
[15] W. Gao, S. P. Mahajan, J. Sulam, J. J. Gray: Deep Learning in Protein Structural Modeling and Design. Patterns. Cell Press December 11, 2020.
[16] A. W. Senior, R. Evans, J. Jumper, J. Kirkpatrick, L. Sifre, T. Green, C. Qin, A.
Žídek, A. W. R. Nelson, A. Bridgland, et al.: Improved Protein Structure Prediction Using Potentials from Deep Learning. Nature 2020, 577, 706–710.
[17] M. M. Gromiha, R. Nagarajan, S. Selvaraj: Protein Structural Bioinformatics: An Overview. In Encyclopedia of Bioinformatics and Computational Biology: ABC of Bioinformatics; Elsevier, 2018; Vol. 1–3, pp 445–459.
[18] A. Zemla: LGA: A Method for Finding 3D Similarities in Protein Structures.
Nucleic Acids Research 2003, 31, 3370–3374.
45
[19] J. Pereira, A. J. Simpkin, M. D. Hartmann, D. J. Rigden, R. M. Keegan, A. N.
Lupas: High‐accuracy Protein Structure Prediction in <scp>CASP14</Scp>.
Proteins: Structure, Function, and Bioinformatics 2021, prot.26171.
[20] R. Shrestha, E. Fajardo, N. Gil, K. Fidelis, A. Kryshtafovych, B. Monastyrskyy, A. Fiser: Assessing the Accuracy of Contact Predictions in CASP13. Proteins:
Structure, Function and Bioinformatics 2019, 87, 1058–1068.
[21] W. Zheng, C. Zhang, E. W. Bell, Y. Zhang: I-TASSER Gateway: A Protein Structure and Function Prediction Server Powered by XSEDE. Future Generation Computer Systems 2019, 99, 73–85.
[22] H. Zhou, Y. Zhou: Fold Recognition by Combining Sequence Profiles Derived from Evolution and from Depth-Dependent Structural Alignment of Fragments.
Proteins: Structure, Function and Genetics 2005, 58, 321–328.
[23] W. Zheng, Y. Li, C. Zhang, X. Zhou, R. Pearce, E. W. Bell, X. Huang, Y. Zhang:
Protein Structure Prediction Using Deep Learning Distance and Hydrogen‐
bonding Restraints in <scp>CASP14</Scp>. Proteins: Structure, Function, and Bioinformatics 2021, prot.26193.
[24] J. Jumper, R. Evans, A. Pritzel, T. Green, M. Figurnov, O. Ronneberger, K.
Tunyasuvunakool, R. Bates, A. Žídek, A. Potapenko, et al.: Highly Accurate Protein Structure Prediction with AlphaFold. Nature 2021.
[25] C. W. van Noort, R. v. Honorato, A. M. J. J. Bonvin: Information-Driven Modeling of Biomolecular Complexes. Current Opinion in Structural Biology. Elsevier Ltd October 1, 2021, pp 70–77.
[26] M. F. Lensink, N. Nadzirin, S. Velankar, S. J. Wodak: Modeling Protein-Protein, Protein-Peptide, and Protein-Oligosaccharide Complexes: CAPRI 7th Edition.
Proteins: Structure, Function and Bioinformatics 2020, 88, 916–938.
[27] D. Kozakov, D. R. Hall, B. Xia, K. A. Porter, D. Padhorny, C. Yueh, D. Beglov, S. Vajda: The ClusPro Web Server for Protein–Protein Docking. Nature Protocols 2017, 12, 255–278.
46
[28] G. C. P. van Zundert, J. P. G. L. M. Rodrigues, M. Trellet, C. Schmitz, P. L.
Kastritis, E. Karaca, A. S. J. Melquiond, M. van Dijk, S. J. de Vries, A. M. J. J.
Bonvin: The HADDOCK2.2 Web Server: User-Friendly Integrative Modeling of Biomolecular Complexes. Journal of Molecular Biology 2016, 428, 720–725.
[29] S. J. de Vries, M. van Dijk, A. M. J. J. Bonvin: The HADDOCK Web Server for Data-Driven Biomolecular Docking. Nature Protocols 2010, 5, 883–897.
[30] A. Bateman, M. J. Martin, S. Orchard, M. Magrane, R. Agivetova, S. Ahmad, E.
Alpi, E. H. Bowler-Barnett, R. Britto, B. Bursteinas, et al.: UniProt: The Universal Protein Knowledgebase in 2021. Nucleic Acids Research 2021, 49, D480–D489.
[31] S. K. Burley, C. Bhikadiya, C. Bi, S. Bittrich, L. Chen, G. v. Crichlow, C. H.
Christie, K. Dalenberg, L. di Costanzo, J. M. Duarte, et al.: RCSB Protein Data Bank: Powerful New Tools for Exploring 3D Structures of Biological Macromolecules for Basic and Applied Research and Education in Fundamental Biology, Biomedicine, Biotechnology, Bioengineering and Energy Sciences.
Nucleic Acids Research 2021, 49, D437–D451.
[32] N. M. P. Alves, R. R. de Moura, L. C. Bernardo, A. Agrelli, A. S. L. E. de Oliveira, N. P. da Silva, S. Crovella, L. A. C. Brandão: In Silico Analysis of Molecular Interactions between HIV-1 Glycoprotein Gp120 and TNF Receptors. Infection, Genetics and Evolution 2021, 92.
[33] K. A. Porter, I. Desta, D. Kozakov, S. Vajda: What Method to Use for Protein–
Protein Docking? Current Opinion in Structural Biology. Elsevier Ltd April 1, 2019, pp 1–7.
[34] S. J. de Vries, A. M. J. J. Bonvin: Cport: A Consensus Interface Predictor and Its Performance in Prediction-Driven Docking with HADDOCK. PLoS ONE 2011, 6.
[35] L. C. Xue, J. P. Rodrigues, P. L. Kastritis, A. M. Bonvin, A. Vangone: PRODIGY:
A Web Server for Predicting the Binding Affinity of Protein-Protein Complexes.
Bioinformatics 2016, 32, 3676–3678.
47
[36] E. F. Pettersen, T. D. Goddard, C. C. Huang, E. C. Meng, G. S. Couch, T. I. Croll, J. H. Morris, T. E. Ferrin: UCSF ChimeraX: Structure Visualization for Researchers, Educators, and Developers. Protein Science 2021, 30, 70–82.
[37] E. Wong, T. Maretzky, Y. Peleg, C. P. Blobel, I. Sagi: The Functional Maturation of a Disintegrin and Metalloproteinase (ADAM) 9, 10, and 17 Requires Processing at a Newly Identified Proprotein Convertase (PC) Cleavage Site. Journal of Biological Chemistry 2015, 290, 12135–12146.
[38] J. S. Viloria, M. F. Allega, M. Lambrughi, E. Papaleo: An Optimal Distance Cutoff for Contact-Based Protein Structure Networks Using Side-Chain Centers of Mass.
Scientific Reports 2017, 7.
[39] V. N. Maiorov, G. M. Crippen: Significance of Root-Mean-Square Deviation in Comparing Three-Dimensional Structures of Globular Proteins. Journal of Molecular Biology 1994, 235, 625–634.
[40] P. A. Sigala, E. A. Ruben, C. W. Liu, P. M. B. Piccoli, E. G. Hohenstein, T. J.
Martínez, A. J. Schultz, D. Herschlag: Determination of Hydrogen Bond Structure in Water versus Aprotic Environments to Test the Relationship between Length and Stability. Journal of the American Chemical Society 2015, 137, 5730–5740.
[41] P. L. Kastritis, I. H. Moal, H. Hwang, Z. Weng, P. A. Bates, A. M. J. J. Bonvin, J.
Janin: A Structure-Based Benchmark for Protein-Protein Binding Affinity. Protein Science 2011, 20, 482–491.
[42] J. M. Kramer, W. Hanel, F. Shen, N. Isik, J. P. Malone, A. Maitra, W. Sigurdson, D. Swart, J. Tocker, T. Jin, et al.: Cutting Edge: Identification of a Pre-Ligand
[42] J. M. Kramer, W. Hanel, F. Shen, N. Isik, J. P. Malone, A. Maitra, W. Sigurdson, D. Swart, J. Tocker, T. Jin, et al.: Cutting Edge: Identification of a Pre-Ligand