TmAlphaFold adatbázis: AlphaFold2 segítségével becsült transzmembrán fehérje szerkezetek membrán lokalizációja és értékelése
A mesterséges intelligencia, és azon belül az AlphaFold2 (AF2) új fejezetet nyitott a fehérjeszerkezet becslés területén, megreformálva a szerkezeti biológia számos területét. Mivel a transzmembrán fehérjék hagyományos szerkezet becslési eljárásai bonyolultak és jelentős hibával terheltek voltak, az AF2 nagy segítséget jelent a tudományos közösség számára. A viszonylag csekély számú kísérletes szerkezetet kiegészítve az AF2 több ezer új alfa-helikális membránfehérje 3D becslését biztosítja. A megbízható szerkezeti sablonok/templátok hiánya és az a tény, hogy az AF2-t nem tanították a membrán és vizes közeg fázishatárán lévő transzmembrán fehérjék speciális tulajdonságainak a kezelésére, szükségessé teszi a becsült szerkezetek helyességének értékelését. A munkacsoportunk által fejlesztett Transmembrane AlphaFold adatbázisban (TmAlphaFold adatbázis, link) a TMDET segítségével egy egyszerű geometria-alapú módszert alkalmaztunk a fehérjék membránban való elhelyezkedésének a becslésére. A legvalószínűbb membránsík becslésén felül számos módon értékeljük a szerkezeteket, azokat öt megbízhatósági kategóriába rendezve. Eredményeink alapján az AF2 átlagosan nagy pontossággal képes megbecsülni a transzmembrán fehérjék szerkezetét, de sikerült néhány tipikus hibát azonosítani, amely hibák azonosítása előkészíti az utat egy még pontosabb szerkezetbecslő eljárás elkészítéséhez.
14:55 - 15:15: Membránfehérjék szerkezete az AlphaFold AI után
Hegedűs Tamás (SE Biofizikai és Sugárbiológiai Intézet; ELKH-SE Biofizikai Virológia Kutatócsoport)
Az elmúlt években számos transzmembrán fehérje szerkezetét határozták meg krio-elektronmikroszkópiával. Továbbá az AlphaFold2 (AF2) is nagyszámú, jó minőségű szerkezeti modellt szolgáltatott. Azonban, ha a vizsgálat tárgya egy adott fehérjecsalád, a tagok szerkezeteinek összegyűjtése kihívást jelent a meglévő adatbázisok és szerkezet-összehasonlító algoritmusok ellenére. Ezért megvizsgáljuk ABC (ATP Bidning Cassette) fehérjék szerkezetének automatikus azonosításának és közzétételének lehetőségét a 3D-Beacons Hálózaton keresztül (link). Ezen szupercsalád példáján keresztül mutatjuk be az AF2 membránfehérjéken nyújtott teljesítményét is. Mivel számos ABC fehérje multimerként működik, így az egyláncú fehérjeszerkezeti predikciókat tartalmazó AlphaFold2 adatbázisban nem találhatók meg, ezért az AF-Multimer segítségével meghatároztuk dimerként működő fontos humán ABC fehérjék szerkezetét és más membrán ATPázok fehérje-komplexeit. Predikcióink alapján az AF-Multimer hatásfoka a vártnál alacsonyabb. Eredményeink felhívják a figyelmet arra is, hogy egyes ABC fehérjékkel végzett kísérleteket szükséges átértelmezni és szerkezetüket kísérletesen meghatározni. A megbízható ABC szerkezeti modelljeinket sikerült a 3D-Beacons Hálózaton keresztül nagy adatbázisokhoz (pl. PDBe-KB) csatolni, ezáltal lehetővé téve széleskörű elérhetőségüket (link, link).
15:15 - 15:35: Fehérjék kötőhelyeinek fragmens alapú azonosítása
Keserű György Miklós (TTK Gyógyszerkémiai Kutatócsoport)
A ligandumok fehérjekötődéséhez szükséges kölcsönhatástípusok (farmakofór tulajdonságok) és a fehérjék kötőhelyeinek elemzése alapján új protokollt dolgoztunk ki a fehérjék széles köre esetében eredményes fragmens gyüjtemények tervezésére. A SpotXplorer megközelítés során egy olyan kisméretű fragmens könyvtárat hoztunk létre, amely maximalizálja a fehérjék elsődleges kötőhelyein kísérletileg megerősített kölcsönhatási mintázatok lefedettségét. A megközelítés hatékonyságát hagyományos és kihívást jelentő fehérje célpontok ellen vizsgált kísérleti könyvtárral demonstráljuk. A SpotXplorer-szűréssel, mindössze 96 célszerűen megválasztott fragmens kötődésének vizsgálatával, a népszerű célfehérjék (G-fehérje kapcsolt receptorok, proteázok) ismert kölcsönhatási mintázatainak átlagosan 70%-át sikerült azonosítani, és a módszer találatokat adott a közelmúltban azonosított kihívást jelentő célpontok, köztük a SARS-CoV-2 fehérjék ellen.
15:35 - 15:55: Az immuneterápia hatékonyságának előrejelzése
Győrffy Balázs (TTK Enzimológiai Intézet Onkológiai Biomarker Kutatócsoport; SE Bioinformatika Tanszék)
Az immun-checkpont inhibitorok ígéretes hatást mutatnak több daganattípusban. A jelenleg használt biomarkerek, mint például a PD-L1 expresszió és a tumor mutációs teher azonban nem biztosítanak eredményes betegrétegezést. Célunk egy olyan adatbázis létrehozása volt, amely génexpressziós és klinikai válaszadatokat egyaránt tartalmaz, és lehetővé teszi az anti-PD-1, anti-PD-L1 és anti-CTLA-4 immunterápiákra adott válasz biomarkereinek azonosítását.
GEO-szűrést hajtottunk végre annak érdekében, hogy azonosítsuk azokat az adatkészleteket, amelyek egyidejűleg rendelkezésre állnak klinikai és transzkriptomikai adatok, függetlenül a rák típusától. A szűrés az anti-PD-1 (nivolumab vagy pembrolizumab), az anti-PD-L1 (atezolizumab vagy durvalumab) vagy az anti-CTLA-4 (ipilimumab) szerek adásával kapcsolatos vizsgálatokra korlátozódott. ROC elemzést és Mann-Whitney tesztet végeztünk minden génen a terápiás válaszreakcióval kapcsolatos jellemzők azonosítására. Az új biomarker jelöltek további elemzésére és validálására szolgáló elemzési portált hoztunk létre, amely a www.rocplot.com/immune címen érhető el.
Összefoglalva, egy adatbázist és egy webes platformot hoztunk létre az immunterápiás válasz biomarkereinek vizsgálatára szolid tumorminták nagy csoportjában. Eredményeink az immunterápiára alkalmas új betegcsoportok azonosításában is segítenek.
