XVII Международная студенческая научная конференция Студенческий научный форум - 2025

Введение

Молекулярное моделирование мутаций в биологии представляет собой важный инструмент для понимания молекулярных механизмов, лежащих в основе различных биологических процессов и заболеваний. Мутации — изменения в последовательности ДНК — могут существенно влиять на структуру и функцию белков, что, в свою очередь, может приводить к различным патологиям.

Современные методы молекулярного моделирования позволяют исследовать последствия мутаций на молекулярном уровне, предсказывать их влияние на структуру и функцию белков, а также разрабатывать потенциальные терапевтические стратегии [1].

Целью данного обзора является анализ текущих подходов к молекулярному моделированию мутаций в биологии, включая традиционные методы, такие как молекулярная динамика и молекулярный докинг, а также современные подходы, основанные на машинном обучении.

Молекулярная динамика

Важнейшим методом в молекулярном моделировании мутаций является большой спектр методов молекулярной динамики. Молекулярная динамика – это вычислительный метод, основанный на классической механике, который позволяет моделировать движение атомов и молекул с высокой временной дискретизацией. Исходная конфигурация системы, полученная на основе экспериментальных данных или посредством гомологичного моделирования, дополняется окружением, включающим растворитель (чаще всего воду), ионы, а для мембранных систем – липидный бислой, что позволяет воспроизвести условия, максимально приближенные к естественной среде функционирования биомолекул. Основной принцип метода заключается в вычислении сил, действующих на каждый атом, с использованием эмпирически параметризованных силовых полей, таких как AMBER, CHARMM или OPLS, которые описывают различные типы взаимодействий – от гармонических потенциалов, моделирующих ковалентные связи и угловые деформации, до потенциалов для торсионных углов, а также различных нелинейных компонентов, учитывающих ван-дер-Ваальсовы силы и электростатические взаимодействия. Для численного решения уравнений движения, основанных на законах Ньютона, применяются алгоритмы интегрирования, например, алгоритм Верле, с малыми временными шагами (обычно в пределах нескольких фемтосекунд), что позволяет получить детализированные траектории изменения координат атомов во времени. Перед проведением основного этапа симуляции систему подвергают процедурам прогрева и уравновешивания, чтобы достичь состояния, близкого к термодинамическому равновесию, после чего начинается основной расчет, охватывающий временные интервалы от наносекунд до микросекунд и более, особенно при использовании методов ускоренной динамики, таких как метадинамика, replica exchange, позволяющих моделировать редкие переходы между конформационными состояниями. Благодаря анализу траектории молекулы при помощи MD становится возможным оценка динамических свойств системы – от гибкости отдельных участков белка и изменений его конформации до динамики водного слоя и распределения ионов, а также изучения влияния молекулярных модификаций, таких как мутации, посттрансляционные модификации, изменение протонации или связывание лигандов, на стабильность и функциональное состояние белка. Современные подходы включают также применение гибридных квантово-молекулярных моделей (QM/MM) для исследования процессов, связанных с разрывом или образованием ковалентных связей. При этом применение метода требует учета вычислительных ограничений, так как моделирование больших систем или процессов, протекающих на длительных временных масштабах, может требовать значительных вычислительных ресурсов, часто задействующих GPU-ускорение или суперкомпьютеры, а также особого внимания к точности силовых полей, поскольку используемые приближения могут влиять на интерпретацию динамических процессов, особенно в случае редких или сложных переходов между конформационными состояниями [2-4]. Примером использования MD для анализа мутаций является работа, посвященная супероксиддисмутазе-1 (SOD1), связанной с боковым амиотрофическим склерозом (БАС). В частности, мутация G93A вызывает изменения в белке SOD1, которые приводят к потере его функциональности. Благодаря MD симуляции, что эта мутация ослабляет взаимодействия между β-цилиндрами и активными петлями, приводя к увеличению подвижности электростатической петли и снижению сродства к Zn(II). Кроме того, изменяется внутренняя сеть водородных связей, что делает структуру белка менее компактной. В результате происходит нарушение его каталитической активности и повышается вероятность патологической агрегации белка, что является одной из причин развития БАС [4].

Молекулярный докинг

Молекулярный докинг занимает важное место в области молекулярного моделирования мутаций, поскольку предоставляет возможность детально исследовать влияние аминокислотных замен на взаимодействие белков с лигандом. Исходно разработанная концепция «замок и ключ» предполагала жесткую фиксацию структур белка и лиганда, однако в реальности обе молекулы обладают значительной гибкостью. Это привело к появлению модели индуцированного соответствия, позволяющей учитывать адаптивные перестройки белковой структуры. Применяя методы молекулярного докинга, исследователи могут моделировать изменения в геометрии связывающих сайтов белков. Используемые алгоритмы поиска оптимальных конформаций, такие как метод Монте-Карло, фрагментационные подходы и алгоритмы молекулярной динамики, метод случайного леса, позволяют учитывать как локальные, так и глобальные перестройки, вызванные мутациями. Так, Одним из наиболее значимых достижений в этой области стало развитие реверсивного докинга, который позволяет не только оценивать потенциальные лигандные свойства молекул, но и предсказывать возможные белковые мишени для известных соединений [5].

Машинное обучение в молекулярном моделировании мутаций

Методы машинного обучения находят все больше применений в предсказании различных эффектов мутаций. Они позволяют анализировать большие массивы данных и выявлять закономерности, которые трудно обнаружить традиционными подходами [6]. Например, фреймворк DeepAtom, основанный на сверточных нейросетях (CNN), позволил достичь высокой точности предсказания аффинности связывания с корреляцией R2 = 0.69 [7].

Помимо этого, интегрирование результатов, полученных при молекулярном докинге, позволило создать платформу PSnpBind-ML. Для её создания использовалась база данных PSnpBind, содержащая результаты 600 000 докинг-экспериментов, что позволило построить модель, предсказывающую аффинность связывания как для исходных (wild-type) белков, так и для их мутантных вариантов. Числовое представление белка/лигандов и мутаций кодировалось с помощью 256 дескрипторов, включая структурные и физико-химические характеристики. В результате полученная модель продемонстрировала высокую точность предсказаний с RMSE 0.5−0.6 ккал/моль и коэффициентом детерминации R2 = 0.87−0.90 [7].

Также применяются скрытые марковские модели, которые хорошо работают с временными рядами и используются для обработки последовательностей молекулярных динамических данных [8].

Заключение

Молекулярное моделирование мутаций в биологии является мощным инструментом для изучения структурных и функциональных изменений биомолекул. Методы молекулярной динамики позволяют исследовать влияние мутаций на стабильность и конформационную подвижность белков, а молекулярный докинг даёт возможность анализировать изменения в их взаимодействии с лигандами. В сочетании с машинным обучением эти подходы значительно расширяют возможности предсказания эффектов мутаций, что особенно важно для разработки новых лекарственных препаратов и персонализированной медицины.

Современные вычислительные технологии позволяют проводить моделирование сложных биомолекулярных систем с высокой точностью, однако их применение требует учёта вычислительных ограничений, качества исходных данных и параметров силовых полей. Несмотря на это, развитие гибридных методов, таких как интеграция квантово-химических и молекулярно-механических подходов, а также совершенствование алгоритмов машинного обучения, открывает новые перспективы для более точного и быстрого предсказания последствий мутаций.

Cписок литературы:

1. Молекулярное моделирование: теория и практика : учебное издание / Хёльтье Х. Д., Зиппль В., Роньян Д., Фолькерс Г. – Москва : Лаборатория знаний, 2012. – 319 с. – ISBN 978-5-9963-1070-8. – Текст : непосредственный

2. S. A. Hollingsworth Molecular dynamics simulation for all / S. A. Hollingsworth, R. O. Dror // Neuron. – 2018. – Т. 99. – №. 6. – С. 1129-1143.

3. H. A. L. Filipe Molecular dynamics simulations: advances and applications /H. A. L. Filipe, L. M. S. Loura // Molecules. – 2022. – Т. 27. – №. 7. – С. 2105.

4. Neural relational inference to learn long-range allosteric interactions in proteins from molecular dynamics simulations/ J. Zhu, J. Wang, W. Han, D. Xu // Nature communications. – 2022. – Т. 13. – №. 1. – С. 1661.

5. J.Fan Progress in molecular docking / J. Fan, A. Fu, L. Zhang //Quantitative Biology. – 2019. – Т. 7. – С. 83-89.

6.Predicting the mutation effects of protein–ligand interactions via end-point binding free energy calculations: strategies and analyses / Y. Yu, Z. Wang, L. Wang [et al.] //Journal of Cheminformatics. – 2022. – Т. 14. – №. 1. – С. 56.

7. PSnpBind-ML: predicting the effect of binding site mutations on protein-ligand binding affinity / A. Ammar, R. Cavill, C. Evelo, E. Willighagen //Journal of Cheminformatics. – 2023. – Т. 15. – №. 1. – С. 31.

8. Predicting the impacts of mutations on protein-ligand binding affinity based on molecular dynamics simulations and machine learning methods / D. D. Wang, L. Ou-Yang, H. Xie [et al.] //Computational and structural biotechnology journal. – 2020. – Т. 18. – С. 439-454.