Cryo-EM structure of the Lysenin Pore @computational_science

فایل زیر هم تصویر 3 بعدی EM مربوط به عکس بالاست. جهت مشاهده آن می توانید از نرم افزار CHIMERA استفاده کنید.

دوستانی که در زمینه دیتاماینینگ کار میکنن کتاب زیر رو حتما یه مطالعه ای بفرمایند. کتابی کم حجم اما مفید

#داروهای_پپتیدی
Peptide Library: Open the door to new drug candidates
کتابخانه پپتیدی یک منبع اطلاعات از مجموعه پپتید های طراحی و سنتز شده است. لذا با استفاده از کتابخانه پپتیدی به راحتی می توان به نوع پپتیدی که نیاز داریم دسترسی پیدا می کنیم. یا می توانیم در این دیتا بیس پپتیدی که شبیه پپتید ما است را پیدا کنیم. علاوه بر این با استفاده از کتابخانه پپتیدی اصول طراحی و سنتز پپتید ها به عنوان دارو را نیز فرا بگیریم. زیرا پروتوکل و روش طراحی پپتید ها در این کتابخانه وجود دارد.
@computational_science
کتابخانه های پپتیدی انواع مختلفی دارند که شامل موار زیر می شود:
• Overlapping Peptide Library
• Truncation Peptide Library
• Alanine Peptide Scanning Library
• Random Peptide Library
• Scrambled Peptide Library
• Positional Peptide Library
یکی از کتابخانه های پپتیدی که وجود دارد وب سایت lifetein است. http://www.lifetein.com
اصولی که این گروه تحقیقاتی برای سنتز و طراحی پپتید ها و سپس ثبت آن در کتابخانه ها استفاده می کند تقریبا شبیه سایر کتابخانه های پپتیدی است. کتابخانه lifetein بر این اساس کار می کند که ابتدا پپتید ها طراحی و سنتز می شوند، بعد پپتید های سنتز شده اپتیمایز می شوند و در نهایت سنجش آنزیمی بر روی این پپتید ها صورت می گیرد و سپس پپتید هایی که مناسب هستند انتخاب می شوند و در کتابخانه ثبت می شوند.
@computational_science

#داروهای_پپتید ساخت کتابخانه های پپتیدی @computational_science

#داروهای_پپتیدی
Activable Cell-Penetrating Peptide Conjugated Prodrug for Tumor Targeted Drug Delivery

در این مقاله یک پپتید فعال شونده دارای خاصیت نفوذپذیری به نام (CR8G3PK6, ACPP) با یک گروه محافظ به نام 2,3- dimethylmaleic anhydride (DMA)پوشانده شده و با داروی ضد تومور (DOX) کانژوگه و ترکیب شده است . این روش جدید در تکنولوژی دارورسانی برای اولین بار مورد استفاده قرار می گیرد و برای حمل داروهای ضد سرطانی که نیاز است وارد سلول شوند کاربرد دارد. این روش به طور کلی و در اصطلاح روش (DOX-ACPP-DMA) نامیده می شود. در واقع در این روش از خاصیت نفوذپذیری پپتید مورد نظر برای انتقال دارو به داخل سلول استفاده می شود. در این روش و همانطور که در شکل زیر مشخص است ابتدا کمپلکس مورد نظر که شامل دارو، پپتید و ترکیب پوشاننده است سنتز می شود. حامل مورد نظر به بدن فرد بیمار تجویز می شود و وارد جریان خون می شود در جریان خون PH معادل 7.4 است که باعث می شود پپتید موجود در کمپلکس حامل در فرم غیر فعال خود باشد. بعد از اینکه حامل وارد فضای بین سلولی سلول های سرطانی می شود و چون PH معادل 6.8 است پپتید فعال می شود و چون دارای خاصیت نفوذ از غشای سلولی است می تواند وارد سلول سرطانی شود و همراه خود دارو را نیز وارد سلول کند. بعد از ورود کمپلکس حامل به داخل سلول بلافاصله کمپلکس حامل(پپتید) توسط پروتئاز های سلولی تجزیه می شود و دارو (DOX) آزاد می شود.
@computational_science

#داروهای_پپتیدی @computational_science

#داروهای_پپتیدی
A Web Server and Mobile App for Computing Hemolytic Potency of Peptides
تعداد زیادی از داروهای پپتیدی که سنتز می شوند فقط به این دلیل وارد فاز کلینیکال و درمانی نمیشوند که فعالیت همولایتیکی ( hemolytic activity) بالایی دارند. لذا در این تحقیق دیتابیسی طراحی و پیشرفت داده شده است که پپتید هایی که فعالیت همولایتیک مناسب دارند را از پپتید هایی که فعالیت همولایتیکی مناسب ندارند جدا می کند. همچنین در کناراین وب سرور یک اپلیکشن موبایل نیز طراحی شده است که پپتید هایی که پتانسیل همولایتیک بالایی دارند را پیشگویی و screening می کند. در ابتدا دیتابیسی طراحی شده است که HemoPI-1 that نامیده میشود و حاوی 552 نمونه همولایتیک و 552 نمونه غیرهمولایتیک است. سپس آنالیزهای بعدی بر روی توالی این نمونه ها نشان داد که رزیدوهای خاصی مثل (e.g., L, K, F, W) و موتیف های (e.g., “FKK”, “LKL”, “KKLL”, “KWK”, “VLK”, “CYCR”, “CRR”, “RFC”, “RRR”, “LKKL”) بیشتر در پپتید های همولایتیک وجود دارند. بنابراین مدل های پیشرفته ای برای پپتید های همولایتیک و غیر همولایتیک با استفاده از تکنیک های یادگیری ماشین به دست آمده است که accuracy آن بیشتر از 95% است. همچنین در این تحقیق مدل های پیشرفته ایی برای پپتید هایی که پتانسیل همولایتیک پایین یا بالا دارند نیز به صورت دیتابیس طراحی شده اند که به ترتیب HemoPI-2 و HemoPI-3 نامیده می شوند. برای مثال در شکل زیر مثالی از نمونه های همولایتیک و غیر همولایتیک را برای HemoPI-2 dataset مشاهده میکنیم. برای کسب اطلاعات بیشتر می تواند این مقاله را به صورت کامل مطالعه فرمایید.
@computational_science

Two sample logos of hemolytic and non-hemolytic peptides of HemoPI-2 dataset @computational_science

شبیه سازی دینامیک مولکولی ، طراحی پپتید و داروهای هدفمند

لینک گروه و کانال تخصصی بیولوژی محاسباتی و بیوانفورماتیک

https://telegram.me/joinchat/BP7D2zyFRAJTZgcOxXJA9A
@computational_science

#داروهای_پپتیدی
Recent Development of Peptide Drugs and Advance on Theory and Methodology of Peptide Inhibitor Design

با توجه به سمیت پائین، سنتز آسان، حذف سریع و عوارض کمتر،مهارکننده های پپتیدی روز به روز بیشتر طراحی می شوند و در درمان تعداد زیادی از بیماری ها استفاده می شوند. در حال حاضر طراحی مواد دارویی به کمک کامپیوتر (CADD) روش قابل ملاحضه ای است و در حال توسعه است.در این تحقیق یک پپتید کوتاه طراحی شده است که به عنوان مهارکننده عمل می کند و همچنین واکسن پپتیدی برای سرطان، مهارکننده های پپتیدی برای HIV ، بیماری آلزایمر و بیماری های مرتبط دیگر طراحی می شوند.
پیشرفت های اخیر طراحی پپتید صورت گرفته است و نظریه های مهمی ارائه شده اند که در زیر مشاهده می کنیم:
مدول اول مدل اتصال پروتئین-پپتید انعطاف پذیر معرفی شده است، که در آن ساختار پپتید به عنوان زنجیره بخش انعطاف پذیر، با استفاده از الگوریتم ژنتیک و special force field parameters طراحی می شود.
مدل دوم “Wenxiang diagram” که برای تجزیه و تحلیل تعامل پروتئین-پپتید با موفقیت انجام می شود.
مدل سوم The “Distorted key” theory که یک روش موثر برای تبدیل مهرکننده پپتیدی به داروهای شیمیایی کوچک است.
مدل چهارم پیش بینی پپتید با استفاده ویژگی های آمینواسیدها و همچنین استفاده از (AABPP) که در دو سطح و از نوع پیش گویی QSAR prediction network صورت میگیرد که در واقع پیش گویی میزان فعالیت زیستی و دسترسی زیستی برای مهارکننده های پپتیدی را نشان می دهد.
و در نهایت مدل آخر اینکه انواع مختلفی از برهمکنش های مولکولی بین پروتئین-پپتیدی از جمله میانکنش های cation-π، میانکنش های قطبی hydrogen-π و میانکنش های π-π استکینگ خلاصه می شوند.
@computational_science

#داروهای_پپتیدی @computational_science

📍کنفرانس علوم پروتئینی (دانشگاه اصفهان)
مهلت ارسال چکیده مقالات تا ۳۱ فروردین ۱۳۹۵ تمدید شد:
http://ui.cnf.ir/pps/fa/

#روش_های_محاسباتی
#داکینگ_مولکولی
داکینگ مولکولی به ابزاری مهم برای کشف دارو تبدیل شده و نیز در طراحی دارو بر اساس ساختار، روشی رایجی است که از اوایل 1980 به طور گسترده‌ای مورد استفاده قرار می‌گیرد. روش داکینگ مولکولی را می‌توان برای تعامل بین یک مولکول کوچک و پروتئین در سطح اتمی جهت توصیف رفتار مولکول‌های کوچک در محل اتصال پروتئین‌های هدف و نیز برای توضیح فرایندهای بیوشیمیایی استفاده کرد. اساساً هدف از داکینگ مولکولی دستیابی به یک پیش¬بینی ساختار پیچیده¬ی لیگاند-گیرنده با استفاده از روش¬های محاسباتی می‌باشد. در شکل زیر داکینگ بین دو مولکول پروتئین و لیگاند را مشاهده می کنیم.
@computational_science

#داکینگ_مولکولی @computational_science

#روش_های_محاسباتی
#داکینگ_مولکولی
فرایند داکینگ شامل سه فاز اصلی است. فاز یک، مرحله نمونه¬ گیری، شامل ایجاد کانفورماسیون¬های مختلف لیگاند و بررسی جهت¬ گیری آنها نسبت به جایگاه فعال رسپتور است. وقتی انعطاف¬ پذیری رسپتور هم مد نظر باشد، فاز نمونه¬ گیری شامل تغییرات کانفورماسیونی رسپتور نیز می¬شود. در فاز دوم، مرحله امتیازدهی، تمایل اتصال لیگاند به رسپتور تخمین ¬زده می¬شود. وقتی که داکینگ در جستجوی مجازی ترکیبات یک کتابخانه مجازی مورد استفاده قرار می¬گیرد، ترکیبات براساس حالت با بهترین امتیاز دسته ¬بندی می¬شوند (مرحله رتبه¬ بندی). امتیاز اختصاص یافته به هر حالت براساس ارزیابی تابع امتیازدهی که اغلب انرژی آزاد اتصال لیگاند-رسپتور را نشان می¬دهد بدست می¬آید. اغلب الگوریتم¬های امتیازدهی بر ویژگی¬های آنتالپی سیستم متمرکز شده¬اند در حالیکه اثرات آنتروپی نیز در اتصال مولکول¬ها به یکدیگر نقش دارند. در اکثر موارد نرم¬ افزارهای داکینگ ساده¬ ترین حالت نمایش رسپتور را با صرف نظر از انعطاف¬ پذیری آن و همچنین نادیده گرفتن مولکول¬های حلال با هدف کاهش حجم محاسبات به کار می برند. تابع امتیازدهی یکی از مفاهیم اصلی در داکینگ مولکولی است. این تابع الگوریتم داکینگ را قادر می¬ سازد تا با سرعت کمیت برهم¬کنش بین لیگاند و رسپتور را بیان کند. در طول فاز نمونه¬ برداری الگوریتم داکینگ کانفورماسیون¬های مختلفی از لیگاند را در جایگاه فعال رسپتور جای می¬دهد و براساس تابع امتیازدهی آنها را رتبه¬ بندی می¬کند. در حالت ایده¬ آل یک تابع امتیازدهی بهترین امتیاز (منفی¬ ترین انرژی آزاد اتصال لیگاند و رسپتور) را به کانفورماسیونی از لیگاند متصل به رسپتور اختصاص می¬دهد که از لحاظ انرژی در بهترین حالت خود باشد. یکی از روش¬های اندازه¬ گیری کارایی الگوریتم داکینگ مولکولی، بررسی قدرت نرم ¬افزار در پیش-بینی نحوه اتصال لیگاند کریستالوگرافی به همان رسپتور است که از طریق تعریف ریشه میانگین مربعات انحراف از حالت گریستالوگرافی اندازه¬ گیری می¬شود. اگرچه کیفیت دسته¬ بندی براساس RMSD در مورد مولکول¬های کوچک و بزرگ مشکل¬ساز است، این روش به طور گسترده به عنوان معیاری برای تعریف موفقیت یا شکست الگوریتم داکینگ به کاربرده می-شود. معیار دوم برای سنجش کارایی الگوریتم داکینگ مولکولی توانایی آن در پیش¬بینی تمایل اتصال لیگاندهای مختلف (انرژی آزاد پیوند شدن) است. چون مقیاس امتیازدهی داکینگ معمولا در محدوده داده¬های تجربی نیست، اغلب ارتباط بین امتیاز داکینگ xi و داده¬های تجربی yi با استفاده از ضریب ارتباطی پیرسون CPبیان می¬شود.
نتایج بدست امده از داکینگ شامل اشکال 3 بعدی از لیگاند متصل شده به ماکرومولکول می باشد که می توان با ابزار های مشاهد گر مانند pymol و rasmol مشاهده کرد و میتوان در بدست اوردن بهترین حالت از لیگاند برای اینترکشن با ماکرو مولکول به ما کمک کند.
@computational_science