有什么软件可以做多肽二三级结构预测？

作者：吴炜坤

参考：PatchMAN docking: Modeling peptide-protein interactions in the context of the receptor surface Alisa Khramushin, Tomer Tsaban, Julia Varga, Orly Avraham, Ora Schueler-Furman bioRxiv 2021.09.02.458699;

今天无意中刷twitter又发现了一篇漏读的有意思的文章（幸好漏读的时间并不长）。这篇文章主要的作者是RosettaCommons的Furman Lab的博士生Alisa，其开发了一种新的基于motif-search来预测多肽-蛋白复合物结构的方法--PatchMAN docking。

传统的蛋白-蛋白对接算法已经发展了数十年，从最初的刚性对接发展出了各类柔性对接一系列算法，虽说是柔性处理，但每个蛋白质在初始的对接搜索的过程中依然被视为两个刚体（没有自由度），只有在某些优化或微调构象时，才允许部分结构的主链侧链进行采样。多肽-蛋白对接都被视为蛋白-蛋白对接的分支问题，由于多肽序列短、柔性大等特点，一般难以以结合态构象稳定存在，因此在初始构象采样时就必须要考虑多肽的构象问题，代表性的作品是此前Rosetta FlexPeptide算法，其利用蛋白的fragment信息来对多肽的构象进行采样，得到新的构象后再使用蛋白-蛋白对接的流程进行预测。

本文的主人翁则提出了新的观点，其认为多肽的结合构象是由受体的表面形状决定的，多肽在结合到目标口袋过程中必须对应克服熵变，她开发了PatchMAN算法（(Patch-Motif AligNments），通过match的方式来直接获取初始的粗粒化结构并进行优化（对标该实验室此前开发的PIPER-FlexPepDock的方法）：

这种基于motif-match方法的方法克服了需要对多肽-受体进行全局对接的耗时步骤，将基于模板作为多肽复合物构象的全局搜索方式，但又不同于传统的基于复合物模板的建模方法那么依赖复合物结构数据（因为只关注motif，motif的来源也可以源自单体蛋白）。总的来说，PatchMAN的优势在于，同时对蛋白ppi的binding site以及多肽主链构象进行搜索，

1. 表现SOTA：

作者使用先前开发的PIPER-FlexPepDock（PFPD）的测试组测试，其中包含了26个已经晶体解析的高精度多肽受体复合物，并且进行测试时其中只使用了受体的单体作为初始结构，而不是使用复合物结构，这样做的测评在真实应用场景中更有说服力。同时作者还用了众多的多肽对接程序，结果表明PatchMAN在62%的case中可以找到RMSD在2.5埃内的复合物结构。见下图A，PatchMAN的成功率领先，甚至由于AlphaFold2（应该不是af2-multimer）。

值得注意的是，作者提及在PatchMAN的优化过程中，受体的自由度也是需要考虑的，允许受体的主链进行能量最小化对near-native构象的Rosetta Score打分排名有益。此外当缺乏matching的motif信息时，PatchMAN的表现不如PIPER-FlexPepDock。

2. 不依赖motif的sequence信息：

另外作者还分析了motif模板序列和建模多肽序列的相似性，结果表明他们之间几乎没有相似性（ID < 30%），说明在只对受体的表面形状进行匹配就足以可以找到与之结合多肽可能的主链构型。

进一步分析初始复合物结构的motis来源时，作者发现matched motifs有一半是来自于单体蛋白质内部的，这提示PatchMAN充分利用了残基对级别的相互作用信息，甚至蛋白质单体内部也存在PPI的“密码表”。

3. 能够一定程度上克服induced效应：

PatchMAN使用了2个重要的机制来克服构象的诱导契合效应。

（1）使用基于主链的match方式，忽略受体侧链自由度；

（2）当match的主链RMSD大于1.5埃时，可能代表了受体主链构象变化后的结合模式。

为了说明优势，作者在Moesin FERM domain这个体系下进行了测试，这个体系在多肽结合之前，F3b的结合口袋的疏水patch是完全关闭无法被多肽接触的。作者使用FERM的闭合构象作为初始出发，使用PIPER-FlexPepDock进行搜索，显然基于能量函数和形状互补的刚性对接方法无法从一开始就定位正确的binding区域（特别是掩埋的疏水区域）。而当使用PatchMAN时，利用模糊匹配找到大致的binding结合模式，再通过将match的motifs进行优化时，多肽逐步优化进了相应的口袋中。

（图A open & closed 口袋的差异，图D PatchMAN的model和crystal model比较。其实变化比较小，主要是beta折叠片的位移）

本文通过基于MASTER的local motifs匹配，表明无论是来自于蛋白内部packing还是ppi的相互作用模式都可以帮助定位配体的基本骨架走向，有效地减少global docking过程中能量函数中的坑。

虽然本文主要用于多肽的结构预测，但笔者认为其更大意义在于帮助对任意的结合表位找到潜在的hotspot结合位点，借助local structural motifs信息中蕴含的丰富binding信息来设计新的多肽序列，为设计的成功率提提速。

良心工作成果，直接上github链接：https://github.com/Alisa-Kh/PatchMAN。