Developing probabilistic restraints optimization protocols to extend MODELLER capabilities
| Title: | Developing probabilistic restraints optimization protocols to extend MODELLER capabilities |
| Author(s): | Grazhdankin, Evgeni |
| Contributor: | University of Helsinki, Faculty of Pharmacy |
| Degree program: | Proviisorin koulutusohjelma |
| Specialisation: | Farmaseuttinen kemia |
| Language: | English |
| Acceptance year: | 2018 |
| Abstract: |
Kehitimme ohjelmiston homologimallinnusta varten avaruudellisilla rajoitteilla käyttäen MODELLER-taustaohjelmistoa. Laaditut protokollat laajentavat tutkittavaa pituusrajoite- ja konformaatioavaruutta. Rajoitteita optimoidaan iteratiivisilla protokollilla, joissa mallien rakentamisessa käytettyjä rajoitteita arvioidaan ja niiden suotuisuuden todennäköisyyttä päivitetään sitä vastaten. Metriikoina hyödynnämme muun muassa DOPE-pisteytystä, sekä retrospektiivista rajoitteiden toteutumista mallissa. Vetysidosverkostot optimoidaan koon ja kytkeytyneisyyden suhteen. Menetelmän suorituskykyä arvioidaan testaamalla sen kykyä jälleenrakentaa G-proteiinikytkentäisiä reseptoreita keskittyen solunulkoiseen lenkkiin 2.
Ohjelmisto on kirjoitettu Pythonilla (v.2.7) ja on helppo laajentaa uusilla moduuleilla. Rakensimme relaatiotietokannan PostgreSQL-teknologiaan pohjautuen. Tietokantaan tallennamme kaikki MODELLER-rajoitteet. Tietokanta tukee kone- ja syväoppimismenetelmien kehittämistä. Tärkeä osa työtä on rajoitteiden kolmiulotteinen visualisointi kehittämillämme PyMOL-skripteillä. Lisäksi laadimme suurehkon määrän kuvaajia arvioimaan optimointimenetelmien suorituskykyä ja mallinnusprotokollia.
Ohjelma hyödyntää rinnakkaisuutta ja on laskennallisesti käytännöllinen vaatien kertaluokan vähemmän suoritusaikaa kuin tyypillisissä molekyylidynaamisissa simulaatioissa.
Tärkein jatkotutkimusten tarve ilmeni rajoitteiden pisteytyksessä, sekundäärirakenteiden lisäämisessä, rajoitteiden ehdollistamisessa, sekä vesien ja ligandien sijoittamisessa.
We have developed a software for homology modelling by satisfaction of distance restraints using MODELLER back-end. The protocols used extend exploration of distance restraints and conformational space. We drive the models in optimization cycle towards better structures as assessed by the used metrics on DOPE score, retrospective distance restraint realization and others. Hydrogen bond networks are optimized for their size and connectivity density. The performance of the method is evaluated for its ability to reconstruct GPCR structures and an extracellular loop 2.
The software is written in object-oriented Python (v.2.7) and supports easy extension with additional modules. We built a relational PostgreSQL database for the restraints to allow for data-driven machine and deep learning applications. An important part of the work was the visualization of the distance restraints with custom PyMOL scripts for three-dimensional viewing. Additionally, we automatically generate a plethora of diagnostic plots for assessing the performance of the modelling protocols.
The software utilizes parallelism and is computationally practical with compute requirements on an order of magnitude lower than those typically seen in molecular dynamics simulations.
The main challenges left to be solved is the evaluation of restraint goodness, assigning secondary structures, restraint interconditioning, and water and ligand placement.
|
| Keyword(s): | homology comparative MODELLER restraint structure drug design modelling homologia vertaileva MODELLER rajoitus rakenne lääkekehitys mallinnus |
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
| MSc_Grazhdankin Evgeni.pdf | 9.812Mb |
This item appears in the following Collection(s)
-
Faculty of Pharmacy [572]