Молекулярное моделирование механизмов реакций нуклеофильного присоединения остатков цистеина белков к органическим молекулам тема диссертации и автореферата по ВАК РФ 02.00.15, кандидат наук Кулакова Анна Михайловна

• Кулакова Анна Михайловна
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Кулакова Анна Михайловна

Введение

Глава 1. Методы молекулярного моделирования

1.1. Методы расчета энергий и сил

1.1.1. Метод молекулярной механики

1.1.2. Методы квантовой химии

1.1.2.1. Метод функционала электронной плотности

1.1.2.2. Метод функционала электронной плотности в приближении сильной связи

1.1.3. Комбинированный метод квантовой механики / молекулярной механики

1.2. Методы исследования энергетической поверхности

1.2.1. Поиск стационарных точек на ППЭ

1.2.2. Метод молекулярной динамики

1.2.2.1. Техника перекрещивающихся распределений

1.2.2.2. Метод ускоренной молекулярной динамики

1.2.3. Молекулярный докинг

Глава 2. Использование метода DFTB для моделирования реакций в белках

2.1. Моделирование реакции реактивации бутирилхолинэстеразы

2.1.1. Расчет профилей потенциальной энергии реакции реактивации для нативной и мутантной форм бутирилхолинэстеразы

2.1.2. Заключение

2.2. Моделирование спектров красных флуоресцентных белков

2.2.1. Расчет равновесных геометрий красных флуоресцентных белков

2.2.2. Расчет энергии вертикальных переходов So,мин ^ Sl

2.2.3. Заключение

2.3. Результаты главы

Глава 3. Молекулярное моделирование ковалентного связывания биливердина

с Cys253 и Cys20 белка miRFP670

3.1. Оценка энергии нековалентного связывания биливердина

3.2. КМ/ММ МД моделирование нековалентного комплекса miRFP670 с биливердином

3.3. КМ/ММ моделирование ковалентного связывания комплекса miRFP670 с

биливердином

3.4. Кинетическая схема связывания биливердина

3.5. Результаты главы

Глава 4. Молекулярное моделирование процесса ингибирования онкогенного фермента KRASG12C

4.1. Белки семейства RAS

4.1.1. Функции и потенциальная опасность RAS

4.1.2. Способы ингибирования белков RAS

4.1.3. Ингибиторы белка KRASG12C семейства ARS

4.2. Молекулярное моделирование взаимодействия ARS-853 с Cys12 KRASG12C

4.2.1. Геометрическая конфигурация комплекса KRAS G12C-GDP-ARS-853

4.2.2. Молекулярное моделирование стадии нековалентного связывания соединения ARS-853 c KRASG12C

4.2.3. Стадия ковалентного связывания соединения ARS-853

4.2.4. Кинетика реакции образования комплекса KRAS G12C-GDP-ARS-853

4.3. Взаимодействие KRASG12C с другими соединениями семейства ARS

4.4. Моделирование взаимодействия соединения ARS-1620 с KRASG12C

4.5. Результаты главы

Выводы

Список сокращений

Список литературы

Введение диссертации (часть автореферата) на тему «Молекулярное моделирование механизмов реакций нуклеофильного присоединения остатков цистеина белков к органическим молекулам»

Введение

Актуальность темы. Одним из распространенных способов модификации белков является ковалентная сшивка тиольной группы аминокислотного остатка цистеина с органическими молекулами, обладающими определенными свойствами. Так, например, можно закрепить одну или несколько флуоресцентных меток на поверхности белка и изучать его диффузию или размеры и конформационную динамику, или присоединить метку, детектируемую определенным сенсором или саму являющуюся сенсором. Также эти реакции лежат в основе природных процессов образования ковалентных комплексов белков с органическими кофакторами.

Бактериальные светочувствительные белки фитохромы функционируют в результате образования ковалентного аддукта между хромофором биливердином и аминокислотным остатком цистеина в белке. Они имеют большой потенциал благодаря флуоресценции в дальней красной и ближней ИК областях спектра. Ткани млекопитающих являются прозрачными в данных спектральных областях, что делает фитохромы перспективными для биоимиджинга. Для улучшения фотофизических свойств: квантового выхода флуоресценции, размера, скорости созревания и др., проводятся многочисленные эксперименты по мутагенезу. Один из предложенных фитохромов обладает необычными свойствами: при взаимодействии биливердина с белком образуются два ковалентных аддукта, один с одной S-C связью, а другой - с двумя, притом основным является комплекс, ковалентно связанный с двумя остатками цистеина. Понимание механизма протекания реакции по двум путям дает подсказки для контроля преимущественного протекания реакции по одному из возможных путей, а также представляет самостоятельную фундаментальную ценность. [1]

Ковалентная сшивка остатков цистеина с органическими лигандами также

используется в биомедицинских приложениях. В частности, в последние несколько

лет произошел прорыв в создании селективных ингибиторов мутантной формы белка

КЯЛ8°12С, отвечающего за гидролиз гуанозинтрифосфата и, как результат, за

передачу сигналов пролиферации клеток, их роста и размножения. Экспериментально

предложен ряд органических соединений, содержащих двойную связь у

терминального атома углерода, селективно образующих ковалентную связь именно с

атомом серы Cys12 белка KRAS °12С и не взаимодействующего с другими остатками

4

цистеина в белках и олигопептидах, находящихся в клетке. Кинетический анализ взаимодействия этих соединений с белком показал сложную зависимость эффективной константы скорости образования ковалентного аддукта от концентрации органического соединения. Это указывает на сложный реакционный механизм, для изучения и детализации которого недостаточно применения экспериментальных методов.

Обе выбранные задачи, бесспорно, являются актуальными и могут быть решены в рамках современных методов молекулярного моделирования, включая метод молекулярного докинга, метод молекулярной динамики и комбинированный метод квантовой механики / молекулярной механики (КМ/ММ). Многочисленные работы по механизмам ферментативных реакции, выполненные в рамках подхода КМ/ММ с описанием КМ подсистемы методом функционала электронной плотности (DFT) и ММ подсистемы в рамках классических силовых полей, подтверждают адекватность такого подхода. К его существенным недостаткам стоит отнести высокие затраты вычислительных ресурсов. В то же время появляются приближенные варианты метода функционала электронной плотности, в частности, вариант метода в приближении сильной связи, DFTB, позволяющий значительно снижать вычислительные затраты. Этот метод является привлекательной альтернативой, однако должен быть предварительно протестирован. [2] В рамках данной работы в качестве модельных объектов выбраны молекулярные системы, хорошо изученные в рамках стандартного варианта метода DFT. Для изучения качества описания сопряженных органических систем выбраны флуоресцентные белки, содержащие хромофорную группу с протяженной п-электронной системой. [3] Для оценки возможности описания реакции нуклеофильной атаки рассчитывался энергетический профиль реактивации бутирилхолинэстеразы. [4]

Таким образом, данная работа содержит методологическую часть, связанную с выбором оптимального протокола расчета, а также определение механизмов образования ковалентных комплексов белка с органической молекулой за счет реакции присоединения остатка цистеина к двойной связи для двух практически значимых систем.

Степень разработанности темы исследования. Методы молекулярного моделирования активно применяются для изучения механизмов ферментативных реакций. Также существует тенденция к упрощению протоколов расчета квантово -механической подсистемы в КМ/ММ расчетах, что делает возможным не только изучение поверхности потенциальной энергии, но и поверхностей энергии Гиббса и Гельмгольца. При этом в литературе отсутствует анализ надежности приближенных методов при моделировании процессов в белках. Несмотря на большое прикладное значение реакций присоединения остатков цистеина к двойной связи органического соединения, с точки зрения молекулярного моделирования этот вопрос мало изучен. В литературе представлены единичные работы, в которых бы проводилось численное решение системы дифференциальных кинетических уравнений для полученного в результате молекулярного моделирования механизма реакции с последующим сопоставлением с эффективными кинетическими параметрами.

Цель работы - с использованием современных методов молекулярного моделирования определить механизмы образования ковалентных аддуктов остатков цистеина с органическими молекулами в белках KRASG12C и miRFP670 и оценить кинетические параметры этих процессов.

В работе поставлены и решены следующие основные задачи:

1. Изучение применимости метода DFTB для описания реакций нуклеофильной атаки и сопряженных органических молекул в белковых системах в рамках метода КМ/ММ.

2. Молекулярное моделирование механизма образования ковалентных аддуктов биливердина с апо-формой белка miRFP670.

3. Молекулярное моделирование механизма образования ковалентного аддукта соединения ARS-853 с белком KRASG12C

Научная новизна и теоретическая значимость работы. В ходе выполнения работы решены методологические вопросы, связанные с выбором протокола расчета, а также решены практически значимые биохимические задачи по определению механизмов реакции присоединения остатков цистеина к органическим молекулам, содержащим двойную связь, и предложены подходы для корректного сопоставления результатов расчёта и эксперимента. В работе впервые показано, что:

1. Метод DFTB может быть использован для качественного описания молекулярных моделей белковых систем, однако не подходит для количественной оценки их свойств.

2. В результате кинетического контроля преимущественно образуется ковалентный аддукт биливердина с апо-формой белка miRFP670 с двумя S-C связями.

3. Предложенный механизм образования ковалентного аддукта соединения ЛЯ8-853 с белком KRASG12C позволяет интерпретировать наблюдаемую концентрационную зависимость эффективной константы скорости.

4. Необходимо учитывать полную кинетическую схему процесса, полученную по результатам молекулярного моделирования, для корректного сопоставления результатов расчетов с макроскопическими наблюдаемыми параметрами исследуемых систем.

Научная и практическая значимость. Результаты исследования позволяют детализировать механизмы химических реакции присоединения остатков цистеина к двойной связи органических соединений, показывают влияние различных факторов на кинетику реакции и, следовательно, дают принципиальную возможность управлять подобными реакциями.

Методология и методы исследования. В работе применялся весь арсенал современных методов молекулярного моделирования. Для оценки энергии нековалентного связывания использовался метод молекулярного докинга и метод классической молекулярной динамики с применением техники перекрещивающихся распределений Н^Е^. Энергические профили химических реакций описывались методом КМ/ММ с описанием квантово-механической подсистемы методом функционала электронной плотности и упрощенным методом функционала электронной плотности в приближении сильной связи. Конформационный анализ динамики фермент-субстратного комплекса проводился методом молекулярной динамики с КМ/ММ потенциалами. Энергии вертикальных электронных переходов в модельных флуоресцентных белках рассчитывались в рамках нестационарного варианта теории функционала электронной плотности ТББРТ, метода конфигурационного взаимодействия с однократными и выборочными двукратными

возбуждениями с поправками по теории возмущений SOS-CIS(D), а также многоконфигурационным методом самосогласованного поля в полном пространстве активных орбиталей CASSCF с поправками по теории возмущений в варианте XMCQDPT2.

Положения, выносимые на защиту:

1. Для получения надежных результатов исследования процессов в белках необходимо использовать метод КМ/ММ с описанием КМ подсистемы методом функционала электронной плотности с гибридными функционалами, однако для получения качественной картины возможно применение упрощенного варианта в приближении сильной связи DFTB.

2. При взаимодействии биливердина с апо-формой белка miRFP670 возможно образование двух ковалентных аддуктов, причем в результате кинетического контроля основным является аддукт с двумя S-C связями.

3. При взаимодействии соединения ARS-853 с белком KRASG12C происходит слабое связывание, активация ингибитора ферментом и их ковалентное связывание, что объясняет экспериментальную зависимость эффективной константы скорости образования ковалентного аддукта от концентрации ингибитора.

4. Построение полной кинетической схемы по результатам молекулярного моделирования и последующее численное решение системы дифференциальных кинетических уравнений позволяет корректно сопоставлять результаты расчетов с макроскопическими наблюдаемыми параметрами исследуемых систем.

Личный вклад автора заключается в сборе и анализе литературных данных, постановке задач и разработке путей их решения, проведении вычислений методами квантовой химии, комбинированными методами квантовой механики и молекулярной механики, методами молекулярной динамики, докинга, интерпретации результатов, подготовке публикаций и докладов по теме диссертационной работы.

Степень достоверности результатов. Достоверность представленных в диссертационной работе результатов обеспечивается использованием современных

методов молекулярного моделирования и верификацией получаемых результатов сопоставлением с экспериментальными данными.

Апробация работы и публикации. Материалы диссертационной работы были представлены на 25 и 26 международных конференциях «Математика. Компьютер. Образование.» (Дубна 2018, Пущино 2019), международных научных конференциях студентов, аспирантов и молодых ученых «Ломоносов» (Москва 2015, 2018, 2019), XV и XVIII ежегодной молодежной конференции с между народным участием ИБХФ РАН-ВУЗы «Биохимическая физика» (Москва 2015, 2018), I конференции с международным участием «Физическая химия в России и за рубежом: от квантовой химии до эксперимента» (Черноголовка 2019), XXXVI всероссийском симпозиуме молодых ученых по химической кинетике (Московская область 2019), второй школе молодых ученых "Компьютерное моделирование структуры и динамики биомолекул" (Новосибирск 2018).

Результаты опубликованы в 4 статьях в рецензируемых журналах, индексируемых в базах данных Web of Science, Scopus, RSCI, и в 7 тезисах докладов на международных и всероссийских конференциях.

Структура и объем работы. Диссертационная работа состоит из введения, 4 глав, выводов, списка сокращений и списка цитируемой литературы из 139 наименований. Работа изложена на 101 странице машинописного текста и включает 32 рисунка и 4 таблицы.

Благодарности. Автор выражает благодарность администрации Центра коллективного пользования сверхвысокопроизводительными вычислительными ресурсами МГУ имени М.В. Ломоносова за предоставленное машинное время.

Глава 1. Методы молекулярного моделирования

В настоящее время с развитием вычислительных ресурсов и усовершенствованием методов компьютерное моделирование используется в различных областях химических наук: от изучения поведения молекул углекислого газа в космическом пространстве [5] и малых молекул органических красителей на Земле [6] до моделирования реакций в белковых системах [7] и полных каталитических циклов ферментов [8]. Разработанные для этого методы компьютерного моделирования делятся на два больших класса: методы расчета энергий и сил и методы изучения энергетической поверхности. [9] В этой главе будут описаны методы компьютерного моделирования, использованные в ходе выполнения данной работы.

1.1. Методы расчета энергий и сил

При проведении молекулярного моделирования одной из центральных задач является определение энергии системы при заданных координатах ядер. Наиболее популярными методами описания системы являются квантовые методы, описывающие молекулу как устойчивую систему ядер и электронов, [10] и методы молекулярной механики, представляющие молекулу как систему заряженных шариков (атомов) на пружинках (связях). [11] Среди последних можно выделить полноатомные (all-atom models), в которых минимальной частицей является атом, и крупнозернистые модели (coarse-grained models) описания систем. [12] В рамках крупнозернистой модели в единичный фрагмент системы входит несколько атомов, например аминокислотный остаток в белке [13] или нуклеотид в молекулах ДНК и РНК [14]. В данной работе для молекулярного моделирования применялись только полноатомные модели.

1.1.1. Метод молекулярной механики

В рамках метода молекулярной механики молекула представляется как система заряженных шариков (атомов), соединенных пружинами (связями) разной жесткости. [9] Энергия всей системы в данном методе представляется в виде суммы энергий отдельных вкладов:

Е Еstretch + Еbend + Еtorsion + ^vdW + Еelectrostatic + Еother ; (1.1)

вклады Estretch и Ebend отвечают за растяжение связей и обычно представляются в виде гармонического потенциала. Вклад Etorsion зависит от изменения двугранных углов. Вышеперечисленные вклады вместе с Estretch и Ebend объединяются в группу связанных взаимодействий. Вклады от электростатических взаимодействий (Eelectrostatic) и взаимодействий ван-дер-Ваальса (EvdW) обычно описываются законом Кулона и потенциалом Леннарда-Джонса, соответственно, и их объединяют в группу несвязанных взаимодействий. Также в полную энергию могут входить другие вклады Eother, отвечающие за взаимозависимости предыдущих вкладов (Ecross), энергии выхода атома из плоскости (Eimproper), Энергии водородных связей (EH-bond) и т.д.

В общем случае выражение для энергии системы в методе молекулярной механики можно записать следующим образом [9]:

Е = I kd(d - dQ)2 + I кв(в - в0)2 + I к<р[1 + cosfav - 5)] +

связи углы двугранные углы

+ I -*[№-№]+ I

4ГАВ' ^ГАВ'

х 1 ЧаЧв

невалентные связи невалентные связи

4ns0 гав

+ ЕоШег, (1.2)

где d, 0, ф обозначают текущие значения длины связи, величины угла и двугранного угла, соответственно, а kd, k0, kф - силовые константы соответствующих гармонических потенциалов, do, 00 - равновесные значения длины связи и величины угла, п и 8 - кратность двугранного угла и его фаза, ^ - расстояние между несвязанными атомами А и В, £ав и оав - параметры потенциала Леннарда-Джонса, qA и qв - частичные заряды на атомах А и В, е 0 - диэлектрическая проницаемость.

Совокупность уравнения, связывающего геометрию системы с ее энергией, и входящих в него набора силовых констант, равновесных значений длин связей и величин углов, кратностей и фаз двугранных углов, параметров Леннарда-Джонса и других параметров называют силовым полем. В рамках силового поля каждый атом имеет свой тип, позволяющий соотнести с ним соответствующие параметры силового поля. Атомы одного и того же элемента могут иметь разные типы, поскольку могут относиться к разным функциональным группам. Такое явление носит название -типизация атомов.

Подбор параметров силовых полей происходит на базе определенного набора веществ. Поэтому корректное использование силовых полей ограничивается кругом веществ, относящихся к тем же классам соединений на базе которых разрабатывалось используемое силовое поле.

Метод молекулярной механики является наименее вычислительно затратным, поэтому чаще всего используется для больших систем. Для белковых систем [15] наиболее популярными являются силовые поля CHARMM [16], AMBER [17], GROMOS [18] и OPLS [19]. В данной работе для описания белковых систем будут использоваться силовые поля CHARMM [16] и AMBER [17].

Однако стоит отметить, что подобный метод не подходит для описания химических и фотореакций. В ходе химической реакции происходит разрыв и образование химических связей, а система в рамках метода молекулярной механики содержит все связи в явном виде. Описание фотореакций методом молекулярной механики невозможно, т.к. единичным фрагментом данного метода является атом, и описание перераспределения электронов невозможно.

Для описания химических реакций и фотопроцессов используют методы квантовой химии.

1.1.2. Методы квантовой химии

т-ч и

В методах квантовой химии молекула описывается как устойчивая система ядер и электронов. Энергия системы определяется из решения стационарного уравнения Шредингера:

Нф = Еф . (1.3)

К методам квантовой химии относят полуэмпирические методы, методы ab initio [20]. Полуэмпирические методы позволяют быстрее решать уравнение (1.3) за счет введения эмпирических параметров, заменяющих точные расчеты определенной части интегралов. Ab initio методы решают уравнение (1.3) «из первых принципов» не вводя эмпирических параметров.

В данной работе будут использоваться метод функционала электронной плотности (DFT) и его полуэмпирический вариант DFTB [21] для определения геометрии системы в стационарных точках основного электронного состоянии.

Методы нестационарной теории функционала электронной плотности TDDFT, [22] конфигурационного взаимодействия с масштабированием вкладов от динамической электронной корреляции электронов с противоположными спинами SOS-CIS(D) [23] и многоконфигурационный метод самосогласованного поля в полном пространстве активных орбиталей CASSCF с поправками по многоконфигурационный квазивырожденной теории возмущений второго порядка XMCQD PT2 [24] для расчета энергий вертикальных переходов между основным и первым возбужденным синглетным состояниями.

1.1.2.1. Метод функционала электронной плотности Метод функционала электронной плотности (DFT) является одним из наиболее популярных методов описания энергии системы. [25] Он основан на представлении всех свойств системы через электронную плотность p(x,y,z), зависящую от трех пространственных переменных, а не через многоэлектронную волновую функцию. В общем виде энергия системы представляется следующим образом:

Е = E[p(x,y,z)]. (1.4)

В настоящее время использование метода DFT практически всегда подразумевает использование формализма Кона-Шэма. Энергия системы представляется в виде:

Е = Ts[p] + Епе[р] +J[p] + Ехс[р], (1.5)

где Ts - часть кинетической энергии, Ene - энергия взаимодействия электронов с ядрами, J - энергия межэлектронного отталкивания и обменно-корреляционный вклад Exc. Вклад Exc включает в себя обменный и корреляционный вклады в потенциальную энергию и часть кинетической энергии, не входящей в Ts. Выражение Exc теоретически не определено явным образом, и описывается различными способами, в зависимости от выбора функционала. [9]

Функционалы делятся на разные типы в зависимости от сложности описания E xc. Наиболее простым подходом для описания Exc является приближение локальной плотности (Local Density Approximation, LDA), основанное на приближении однородного электронного газа. [26] Другим классом функционалов, описывающим электронную плотность локально, являются функционалы обобщенного градиентного

приближения (Generalized Gradient Approximation, GGA). Наиболее популярными являются гибридные функционалы. [25] Данный класс функционалов включает обменный потенциал Хартри-Фока (Exhf) в явном виде:

Ехс = (1- o)E°fct + aE»F, (1.6)

где параметр а принимает значения в интервале от 0 до 1. [26] Данный класс функционалов обладает наименьшей ошибкой в определении энергетических величин среди перечисленных классов. [27]

В данной работе для описания систем в основном электронном состоянии использовался метод DFT с гибридными функционалами PBE0 [28] и B3LYP [29] и двухэкспонентными базисами с поляризационными функциями на всех атомах cc-pvdz или 6-31G** .

1.1.2.2. Метод функционала электронной плотности в приближении сильной

связи

Метод функционала электронной плотности в приближении сильной связи DFTB (Density functional based tight-binding) был разработан Маркусом Элстнером и коллегами в 1998 году. [30] Данный метод относится к классу полуэмпирических, поскольку использует ряд аппроксимаций для оценки энергии. [30]

Для упрощения вычислений в методе DFTB используется валентное приближение, т.е. внутренние электроны объединяются в остов, а наибольший вклад в энергию вносят валентные орбитали. Также вычисления упрощаются за счет описания валентных орбиталей в рамках минимального базиса. Базис представлен орбиталями слейтеровского типа. [30]

В рамках приближения сильной связи полная энергия многоатомной системы представляется в виде:

Etot = Ebs + Erep, (1.7)

то есть включает сумму энергий занятых орбиталей, полученных диагонализацией электронного гамильтониана (Ebs) и энергию отталкивания атомных остовов (Erep). Энергия Erep представляет собой сумму парных вкладов, специально параметризованных для воспроизведения энергий и геометрий методов DFT. [30-32]

Параметризация в методе DFTB (электронная энергия и энергия межъядерного отталкивания) представлена файлами Слейтера-Костера (skf-файлы), которые можно скачать с официального сайта метода DFTB (www.dftb.org).

Работы, в которых использован метод DFTB для описания фрагментов белковых молекул, показывают результаты, сопоставимые по точности с результатами DFT, при описании энергий и геометрий подобных систем. [33-36] Однако многие исследователи сталкивались с неадекватностью воспроизведения энергий и геометрий водородных связей, которые очень важны как для описания белковой системы, так и для описания взаимодействия ее с растворителем. [37-39] Для исправления этого недостатка метода была разработана параметризация 3 ob [40-42], которая использовалась в данной работе.

1.1.3. Комбинированный метод квантовой механики /молекулярной

механики

В настоящее время при расчете равновесных геометрических параметров системы в рамках метода DFT приемлемым считается размер ~250 атомов. Максимальным размером системы является ~1000 атомов. Белковые системы, рассматриваемые в данной работе, содержат несколько тысяч атомов. Поэтому единственным методом описания механизмов реакций в подобных системах является комбинированный метод квантовой механики / молекулярной механики (КМ/ММ). [43-45]

Данный метод заключается в разделении системы на две подсистемы. Одна подсистема, содержащая небольшую группу атомов, описывается методами квантовой химии (КМ подсистема). В эту подсистему обычно включают непосредственных участников химической реакции и влияющее на них ближайшее окружение, если изучается химическая реакция, или хромофор и хромофорсодержащую область, если изучается фотохимическая реакция. Размер КМ подсистемы ограничивается выбранным методом квантовой химии. Другая подсистема, содержащая все остальные атомы не включенные в КМ часть, описывается методами молекулярной механики. Для белковых систем чаще всего используют силовые поля CHARMM [16], AMBER [17], GROMOS [18] и OPLS [19].

Полная энергия системы в методе КМ/ММ выглядит следующим образом:

15

Е = Екм + EMM + ЕКМ/ММ , (1.8)

где Екм и Emm - полные энергии изолированных квантовой и молекулярной -механической подсистем, Екм/мм - вклад от взаимодействия атомов КМ и ММ подсистем между собой. Данный вклад может описываться разными способами: методом механического внедрения, методом электронного внедрения или методом поляризационного внедрения. [27] Большинство работ по КМ/ММ моделированию в биологических системах используют метод электронного внедрения, в рамках которого окружение квантовой подсистемы (ММ подсистема) представлена в виде точечных зарядов, которые могут поляризовать атомы в КМ подсистеме. [46]

Когда граница между КМ и ММ подсистемами проходит по ковалентной связи, применяется метод связующих атомов (линк-атомов). Линк-атомы - это особые атомы (чаще всего атомы водорода), которые присутствуют только в квантово -химическом расчете КМ подсистемы и никак не взаимодействуют с ММ окружением. Линк-атомы необходимы для заполнения свободной валентности, образованной при разрыве ковалентной связи. [9]

В рамках метода КМ/ММ для описания КМ подсистемы в основном электронном состоянии, как правило, используют метод функционала электронной плотности (DFT) и полуэмпирические методы. [45] Наиболее надежными и точными при моделировании белковых систем являются методы функционала электронной плотности (DFT) с использованием гибридных функционалов и двухэкспонентных базисов с поляризационными функциями.

Список литературы диссертационного исследования кандидат наук Кулакова Анна Михайловна, 2019 год

Список литературы

1. Khrenova M.G., Kulakova A.M., Nemukhin A. V. Competition between two cysteines in covalent binding of biliverdin to phytochrome domains // Org. Biomol. Chem. 2018. Vol. 16, № 40. P. 7518-7529.

2. Kulakova A. et al. Modeling reactivation of the phosphorylated human butyrylcholinesterase by QM(DFTB)/MM calculations // J. Theor. Comput. Chem. 2015. Vol. 14, № 7. P. 1550051.

3. Кулакова А.М., Хренова М.Г., Немухин А.В. Моделирование спектров мутантных форм красных флуоресцентных белков // Вестник Московского Университета. Серия 2 Химия. 2018. Vol. 59, № 5. P. 332-336.

4. Немухин А.В. et al. Моделирование химических превращений в активных центрах холинэстераз методами квантовой теории // Вестник Московского Университета. Серия 2 Химия. 2015. Vol. 56, № 6. P. 343-347.

5. Escribano R.M. et al. Crystallization of CO2 ice and the absence of amorphous CO2 ice in space // Proc. Natl. Acad. Sci. 2013. Vol. 110, № 32. P. 12899-12904.

6. Кулакова А.М. et al. Моделирование компонентов ячейки Гретцеля методами квантовой химии // Наноструктуры. Математическая физика и моделирование. 2014. Vol. 11, № 1. P. 37-44.

7. Варфоломеев С.Д. et al. Молекулярный полиморфизм ферментов человека — основа индивидуальной чувствительности к лекарствам. Суперкомпьютерное моделирование как метод анализа структурных изменений белка и его каталитической активности // Известия Академии наук. Серия химическая. 2016. Vol. 6. P. 1592-1607.

8. Varfolomeev S.D. et al. Supercomputer technologies for structural-kinetic study of mechanisms of enzyme catalysis: A quantum-chemical description of aspartoacylase catalysis // Dokl. Phys. Chem. 2017. Vol. 474, № 2. P. 89-92.

9. Jensen F. Introduction to computational chemistry. 2nd ed. John Wiley & Sons Ltd, 2007.

10. Piela L. Ideas of quantum chemistry. 1st ed. Elsevier, 2007.

11. Френкель Д., Смит Б. Принципы компьютерного моделирования молекулярных систем: от алгоритмов к приложениям. Научный мир, 2013.

12. Kmiecik S. et al. Coarse-Grained Protein Models and Their Applications // Chem. Rev. 2016. Vol. 116, № 14. P. 7898-7936.

13. Marrink S.J. et al. The MARTINI Force Field: Coarse Grained Model for Biomolecular Simulations // J. Phys. Chem. B. 2007. Vol. 111, № 27. P. 7812-7824.

14. Boniecki M.J. et al. SimRNA: a coarse-grained method for RNA folding simulations and 3D structure prediction // Nucleic Acids Res. 2016. Vol. 44, № 7. P. e63.

15. Ponder J.W., Case D.A. Force Fields for Protein Simulations // Adv. Protein Chem. 2003. Vol. 66. P. 27-85.

16. Best R.B. et al. Optimization of the Additive CHARMM All-Atom Protein Force Field Targeting Improved Sampling of the Backbone ф, у and Side-Chain x1 and x2 Dihedral Angles // J. Chem. Theory Comput. 2012. Vol. 8, № 9. P. 3257-3273.

17. Maier J.A. et al. ff14SB: Improving the Accuracy of Protein Side Chain and Backbone Parameters from ff99SB // J. Chem. Theory Comput. 2015. Vol. 11, № 8. P. 36963713.

18. Oostenbrink C. et al. A biomolecular force field based on the free enthalpy of hydration and solvation: The GROMOS force-field parameter sets 53A5 and 53A6 // J. Comput. Chem. 2004. Vol. 25, № 13. P. 1656-1676.

19. Kaminski G.A. et al. Evaluation and Reparametrization of the OPLS-AA Force Field for Proteins via Comparison with Accurate Quantum Chemical Calculations on Peptides // J. Phys. Chem. B. 2001. Vol. 105, № 28. P. 6474-6487.

20. Минкин В.И., Симкин Б.Я., Миняев Р.М. Теория строения молекул. Ростов-на-Дону: "Феникс," 1997. 560 p.

21. Gaus M., Cui Q., Elstner M. DFTB3: Extension of the self-consistent-charge density-functional tight-binding method (SCC-DFTB). // J. Chem. Theory Comput. 2011. Vol. 7. P. 931-948.

22. Petersilka M., Gossmann U.J., Gross E.K.U. Excitation Energies from Time-Dependent Density-Functional Theory // Phys. Rev. Lett. 1996. Vol. 76, № 8. P. 12121215.

23. Rhee Y.M., Head-Gordon M. Scaled Second-Order Perturbation Corrections to Configuration Interaction Singles: Efficient and Reliable Excitation Energy Methods // J. Phys. Chem. A. 2007. Vol. 111, № 24. P. 5314-5326.

24. Granovsky A.A. Extended multi-configuration quasi-degenerate perturbation theory: The new approach to multi-state multi-reference perturbation theory // J. Chem. Phys. 2011. Vol. 134, № 21. P. 214113.

25. Mardirossian N., Head-Gordon M. Thirty years of density functional theory in computational chemistry: an overview and extensive assessment of 200 density functionals // Mol. Phys. 2017. Vol. 115, № 19. P. 2315-2372.

26. Koch W., Holthausen M.C. A Chemist's Guide to Density Functional Theory. John Wiley & Sons, 2015.

27. Friesner R.A., Guallar V. Ab initio quantum chemical and mixed quantum mechanics / molecular mechanics (QM/MM) methods for studying enzymatic catalysis // Annu. Rev. Phys. Chem. 2005. Vol. 56, № 1. P. 389-427.

28. Adamo C., Barone V. Toward reliable density functional methods without adjustable parameters: The PBE0 model // J. Chem. Phys. 1999. Vol. 110, № 13. P. 6158-6170.

29. Becke A.D. Density-functional thermochemistry. I. The effect of the exchange-only gradient correction // J. Chem. Phys. 1992. Vol. 96, № 3. P. 2155-2160.

30. Elstner M. et al. Self-consistent-charge density-functional tight-binding method for simulations of complex materials properties // Phys. Rev. B. 1998. Vol. 58, № 11. P. 7260-7268.

31. Yang Y. et al. Extension of the self-consistent-charge density-functional tight-binding method: Third-order expansion of the density functional theory total energy and introduction of a modified effective coulomb interaction // J. Phys. Chem. A. 2007. Vol. 111. P. 10861-10873.

32. Seabra G. de M. et al. Implementation of the SCC-DFTB Method for Hybrid QM/MM Simulations within the Amber Molecular Dynamics Package // J. Phys. Chem. A. 2007. Vol. 111, № 26. P. 5655-5664.

33. Elstner M., Frauenheim T., Suhai S. An approximate DFT method for QM/MM simulations of biological structures and processes // J. Mol. Struct. THEOCHEM.

2003. Vol. 632, № 1-3. P. 29-41.

34. Elstner M. The SCC-DFTB method and its application to biological systems // Theor. Chem. Acc. 2006. Vol. 116, № 1-3. P. 316-325.

35. Xu D., Guo H., Cui Q. Antibiotic Binding to Dizinc ß-Lactamase L1 from Stenotrophomonas maltophilia : SCC-DFTB/CHARMM and DFT Studies // J. Phys. Chem. A. 2007. Vol. 111, № 26. P. 5630-5636.

36. Capoferri L. et al. Application of a SCC-DFTB QM/MM approach to the investigation of the catalytic mechanism of fatty acid amide hydrolase // J. Mol. Model. 2011. Vol. 17, № 9. P. 2375-2383.

37. Liang R., Swanson J.M.J., Voth G.A. Benchmark Study of the SCC-DFTB Approach for a Biomolecular Proton Channel // J. Chem. Theory Comput. 2014. Vol. 10, № 1. P. 451-462.

38. Goyal P. et al. Molecular Simulation of Water and Hydration Effects in Different Environments: Challenges and Developments for DFTB Based Models // J. Phys. Chem. B. 2014. Vol. 118, № 38. P. 11007-11027.

39. Pereira A.T. et al. Benchmarking of density functionals for the kinetics and thermodynamics of the hydrolysis of glycosidic bonds catalyzed by glycosidases // Int. J. Quantum Chem. 2017. Vol. 117, № 18. P. e25409.

40. Gaus M., Goez A., Elstner M. Parametrization and Benchmark of DFTB3 for Organic Molecules // J. Chem. Theory Comput. 2013. Vol. 9, № 1. P. 338-354.

41. Gaus M. et al. Parameterization of DFTB3/3OB for Sulfur and Phosphorus for Chemical and Biological Applications // J. Chem. Theory Comput. 2014. Vol. 10, № 4. P. 1518-1537.

42. Kubillus M. et al. Parameterization of the DFTB3 Method for Br, Ca, Cl, F, I, K, and Na in Organic and Biological Systems // J. Chem. Theory Comput. 2015. Vol. 11, № 1. P. 332-342.

43. Warshel A., Levitt M. Theoretical studies of enzymic reactions: Dielectric, electrostatic and steric stabilization of the carbonium ion in the reaction of lysozyme // J. Mol. Biol. 1976. Vol. 103, № 2. P. 227-249.

44. Senn H.M., Thiel W. QM/MM studies of enzymes // Curr. Opin. Chem. Biol. 2007.

45

46

47

48

49

50

51

52

53

54

55

56

57

58

Vol. 11. P. 182-187.

Senn H.M., Thiel W. QM/MM Methods for Biomolecular Systems // Angew. Chemie Int. Ed. 2009. Vol. 48, № 7. P. 1198-1229.

Boulanger E., Harvey J.N. QM/MM methods for free energies and photochemistry // Curr. Opin. Struct. Biol. 2018. Vol. 49. P. 72-76.

Leardi R. Genetic algorithms in chemometrics and chemistry: a review // J. Chemom. 2001. Vol. 15, № 7. P. 559-569.

Rubinstein R.Y., Kroese D.P. Simulation and the Monte Carlo method. 3rd ed. John Wiley & Sons, 2017.

Цирельсон В.Г. Квантовая химия. Молекулы, молекулярные системы и твердые тела. Москва: БИНОМ. Лаборатория знаний, 2014. 522 p.

Fliege J., Svaiter B.F. Steepest descent methods for multicriteria optimization // Math. Methods Oper. Res. 2000. Vol. 51, № 3. P. 479-494.

Verlet L. Computer "Experiments" on Classical Fluids. I. Thermodynamical Properties of Lennard-Jones Molecules // Phys. Rev. 1967. Vol. 159, № 1. P. 98-103.

Kästner J. Umbrella sampling // Wiley Interdiscip. Rev. Comput. Mol. Sci. 2011. Vol. 1, № 6. P. 932-942.

Sugita Y., Kitao A., Okamoto Y. Multidimensional replica-exchange method for free-energy calculations // J. Chem. Phys. 2000. Vol. 113, № 15. P. 6042-6051.

Earl D.J., Deem M.W. Parallel tempering: Theory, applications, and new perspectives // Phys. Chem. Chem. Phys. 2005. Vol. 7, № 23. P. 3910.

Fukunishi H., Watanabe O., Takada S. On the Hamiltonian replica exchange method for efficient sampling of biomolecular systems: Application to protein structure prediction // J. Chem. Phys. 2002. Vol. 116, № 20. P. 9058-9067.

Kumar S. et al. The weighted histogram analysis method for free-energy calculations on biomolecules. I. The method // J. Comput. Chem. 1992. Vol. 13, № 8. P. 10111021.

Isralewitz B. et al. Steered molecular dynamics investigations of protein function // J. Mol. Graph. Model. 2001. Vol. 19, № 1. P. 13-25.

Lengauer T., Rarey M. Computational methods for biomolecular docking // Curr.

94

Opin. Struct. Biol. 1996. Vol. 6, № 3. P. 402-406.

59. Chen R. et al. A protein-protein docking benchmark // Proteins Struct. Funct. Genet. 2003. Vol. 52, № 1. P. 88-91.

60. Shoichet B.K. et al. Lead discovery using molecular docking // Curr. Opin. Chem. Biol. 2002. Vol. 6, № 4. P. 439-446.

61. Dar A.M., Mir S. Molecular Docking: Approaches, Types, Applications and Basic Challenges // J. Anal. Bioanal. Tech. 2017. Vol. 08, № 02.

62. Manoharan I. et al. A medical health report on individuals with silent butyrylcholinesterase in the Vysya community of India // Clin. Chim. Acta. 2007. Vol. 378, № 1-2. P. 128-135.

63. Masson P., Lockridge O. Butyrylcholinesterase for protection from organophosphorus poisons: Catalytic complexities and hysteretic behavior // Arch. Biochem. Biophys. 2010. Vol. 494, № 2. P. 107-120.

64. Lockridge O. et al. A Single Amino Acid Substitution, Gly117His, Confers Phosphotriesterase (Organophosphorus Acid Anhydride Hydrolase) Activity on Human Butyrylcholinesterase // Biochemistry. 1997. Vol. 36, № 4. P. 786-795.

65. Zhao Y., Lynch B.J., Truhlar D.G. Development and Assessment of a New Hybrid Density Functional Model for Thermochemical Kinetics // J. Phys. Chem. A. 2004. Vol. 108, № 14. P. 2715-2719.

66. Nachon F. et al. Role of Water in Aging of Human Butyrylcholinesterase Inhibited by Echothiophate: The Crystal Structure Suggests Two Alternative Mechanisms of Aging // Biochemistry. 2005. Vol. 44, № 4. P. 1154-1162.

67. Nachon F. et al. X-ray crystallographic snapshots of reaction intermediates in the G117H mutant of human butyrylcholinesterase, a nerve agent target engineered into a catalytic bioscavenger // Biochem. J. 2011. Vol. 434, № 1. P. 73-82.

68. Word J.M. et al. Asparagine and glutamine: using hydrogen atom contacts in the choice of side-chain amide orientation // J. Mol. Biol. 1999. Vol. 285, № 4. P. 17351747.

69. Phillips J.C. et al. Scalable molecular dynamics with NAMD // J. Comput. Chem. 2005. Vol. 26, № 16. P. 1781-1802.

70. Vanommeslaeghe K. et al. CHARMM general force field: A force field for drug-like molecules compatible with the CHARMM all-atom additive biological force fields // J. Comput. Chem. 2009. Vol. 31. P. 671-690.

71. Feller S.E. et al. Constant pressure molecular dynamics simulation: The Langevin piston method // J. Chem. Phys. 1995. Vol. 103, № 11. P. 4613-4621.

72. Hunenberger P.H. Thermostat Algorithms for Molecular Dynamics Simulations // Adv. Polym. Sci. 2005. Vol. 173. P. 105-149.

73. Case D.A. et al. The Amber biomolecular simulation programs // J. Comput. Chem. 2005. Vol. 26, № 16. P. 1668-1688.

74. Shaner N.C. et al. Improved monomeric red, orange and yellow fluorescent proteins derived from Discosoma sp. red fluorescent protein // Nat. Biotechnol. 2004. Vol. 22, № 12. P. 1567-1572.

75. Miyawaki A., Shcherbakova D.M., Verkhusha V. V. Red fluorescent proteins: chromophore formation and cellular applications // Curr. Opin. Struct. Biol. 2012. Vol. 22, № 5. P. 679-688.

76. Subach F. V., Verkhusha V. V. Chromophore Transformations in Red Fluorescent Proteins // Chem. Rev. 2012. Vol. 112, № 7. P. 4308-4327.

77. Acharya A. et al. Photoinduced Chemistry in Fluorescent Proteins: Curse or Blessing? // Chem. Rev. 2017. Vol. 117, № 2. P. 758-795.

78. Khrenova M.G. et al. Improving the Design of the Triple-Decker Motif in Red Fluorescent Proteins // J. Phys. Chem. B. 2017. Vol. 121, № 47. P. 10602-10609.

79. Grimme S. et al. A consistent and accurate ab initio parametrization of density functional dispersion correction (DFT-D) for the 94 elements H-Pu // J. Chem. Phys. 2010. Vol. 132, № 15. P. 154104.

80. Shu X. et al. Novel Chromophores and Buried Charges Control Color in mFruits // Biochemistry. 2006. Vol. 45, № 32. P. 9639-9647.

81. Chica R.A. et al. Generation of longer emission wavelength red fluorescent proteins using computationally designed libraries // Proc. Natl. Acad. Sci. 2010. Vol. 107, № 47. P. 20257-20262.

82. Pandelieva A.T. et al. Brighter Red Fluorescent Proteins by Rational Design of Triple-

83

84

85

86

87

88

89

90

91

92

93

94

95

96

Decker Motif // ACS Chem. Biol. 2016. Vol. 11, № 2. P. 508-517.

Hutter J. et al. cp2k: atomistic simulations of condensed matter systems // Wiley Interdiscip. Rev. Comput. Mol. Sci. 2014. Vol. 4, № 1. P. 15-25.

Chai J.-D., Head-Gordon M. Long-range corrected hybrid density functionals with damped atom-atom dispersion corrections // Phys. Chem. Chem. Phys. 2008. Vol. 10, № 44. P. 6615.

Neese F. The ORCA program system // Wiley Interdiscip. Rev. Comput. Mol. Sci. 2012. Vol. 2, № 1. P. 73-78.

Shao Y. et al. Advances in molecular quantum chemistry contained in the Q-Chem 4 program package // Mol. Phys. 2015. Vol. 113, № 2. P. 184-215.

Granovsky A.A. Firefly version 8.

Chernov K.G. et al. Near-Infrared Fluorescent Proteins, Biosensors, and Optogenetic Tools Engineered from Phytochromes // Chem. Rev. 2017. Vol. 117, № 9. P. 64236446.

Shcherbakova D.M. et al. Bright monomeric near-infrared fluorescent proteins as tags and biosensors for multiscale imaging // Nat. Commun. 2016. Vol. 7, № 1. P. 12405.

Baloban M. et al. Designing brighter near-infrared fluorescent proteins: insights from structural and biochemical studies // Chem. Sci. 2017. Vol. 8, № 6. P. 4546-4557.

Jorgensen W.L. et al. Comparison of simple potential functions for simulating liquid water // J. Chem. Phys. 1983. Vol. 79, № 2. P. 926-935.

Grossfield A. WHAM: the weighted histogram analysis method.

Efron B. Bootstrap Methods: Another Look at the Jackknife. 1992. P. 569-593.

Shcherbakova D.M. et al. Molecular Basis of Spectral Diversity in Near-Infrared Phytochrome-Based Fluorescent Proteins // Chem. Biol. 2015. Vol. 22, № 11. P. 1540-1551.

Lippert G., Hutter J., Parrinello M. A hybrid Gaussian and plane wave density functional scheme // Mol. Phys. 1997. Vol. 92, № 3. P. 477-488.

Perdew J.P., Zunger A. Self-interaction correction to density-functional approximations for many-electron systems // Phys. Rev. B. 1981. Vol. 23, № 10. P. 5048-5079.

97. Goedecker S., Teter M., Hutter J. Separable dual-space Gaussian pseudopotentials // Phys. Rev. B. 1996. Vol. 54, № 3. P. 1703-1710.

98. Bussi G., Donadio D., Parrinello M. Canonical sampling through velocity rescaling // J. Chem. Phys. 2007. Vol. 126, № 1. P. 014101.

99. Valiev M. et al. NWChem: A comprehensive and scalable open-source solution for large scale molecular simulations // Comput. Phys. Commun. 2010. Vol. 181, № 9. P. 1477-1489.

100. Abramenkov A. V. KINET, Software for Numerical Modeling Kinetics of Complex Chemical Reactions.

101. Lu S. et al. Ras Conformational Ensembles, Allostery, and Signaling // Chem. Rev. 2016. Vol. 116, № 11. P. 6607-6665.

102. Cherfils J., Zeghouf M. Regulation of Small GTPases by GEFs, GAPs, and GDIs // Physiol. Rev. 2013. Vol. 93, № 1. P. 269-309.

103. Cox A.D. et al. Drugging the undruggable RAS: Mission Possible? // Nat. Rev. Drug Discov. 2014. Vol. 13, № 11. P. 828-851.

104. Spiegel J. et al. Small-molecule modulation of Ras signaling // Nat. Chem. Biol. 2014. Vol. 10, № 8. P. 613-622.

105. De Luca A. et al. The RAS/RAF/MEK/ERK and the PI3K/AKT signalling pathways: role in cancer pathogenesis and implications for therapeutic approaches // Expert Opin. Ther. Targets. 2012. Vol. 16, № sup2. P. S17-S27.

106. Hubbard P.A., Moody C.L., Murali R. Allosteric modulation of Ras and the PI3K/AKT/mTOR pathway: emerging therapeutic opportunities // Front. Physiol. 2014. Vol. 5.

107. Bourne H.R., Sanders D.A., McCormick F. The GTPase superfamily: conserved structure and molecular mechanism // Nature. 19 91. Vol. 349, № 6305. P. 117-127.

108. Prior I.A., Lewis P.D., Mattos C. A Comprehensive Survey of Ras Mutations in Cancer // Cancer Res. 2012. Vol. 72, № 10. P. 2457-2467.

109. Shah S. et al. Ras and Rap1: A tale of two GTPases // Semin. Cancer Biol. 2019. Vol. 54. P. 29-39.

110. Chang E.H. et al. Human genome contains four genes homologous to transforming

genes of Harvey and Kirsten murine sarcoma viruses. // Proc. Natl. Acad. Sci. 1982. Vol. 79, № 16. P. 4848-4852.

111. Sogabe S. et al. Crystal Structure of a Human K-Ras G12D Mutant in Complex with GDP and the Cyclic Inhibitory Peptide KRpep-2d // ACS Med. Chem. Lett. 2017. Vol. 8, № 7. P. 732-736.

112. McCarthy M., Prakash P., Gorfe A.A. Computational allosteric ligand binding site identification on Ras proteins // Acta Biochim. Biophys. Sin. (Shanghai). 2015. P. 1 -8.

113. Prakash P., Hancock J.F., Gorfe A.A. Binding hotspots on K-ras: Consensus ligand binding sites and other reactive regions from probe-based molecular dynamics analysis // Proteins Struct. Funct. Bioinforma. 2015. Vol. 83, № 5. P. 898-909.

114. Ostrem J.M. et al. K-Ras(G12C) inhibitors allosterically control GTP affinity and effector interactions // Nature. 2013. Vol. 503, № 7477. P. 548-551.

115. Hunter J.C. et al. In situ selectivity profiling and crystal structure of SML-8-73-1, an active site inhibitor of oncogenic K-Ras G12C // Proc. Natl. Acad. Sci. 2014. Vol. 111, № 24. P. 8895-8900.

116. Patricelli M.P. et al. Selective Inhibition of Oncogenic KRAS Output with Small Molecules Targeting the Inactive State // Cancer Discov. 2016. Vol. 6, № 3. P. 316329.

117. Niida A. et al. Investigation of the structural requirements of K-Ras(G12D) selective inhibitory peptide KRpep-2d using alanine scans and cysteine bridging // Bioorg. Med. Chem. Lett. 2017. Vol. 27, № 12. P. 2757-2761.

118. Spencer-Smith R. et al. Inhibition of RAS function through targeting an allosteric regulatory site // Nat. Chem. Biol. 2017. Vol. 13, № 1. P. 62-68.

119. Spencer-Smith R., O'Bryan J.P. Direct inhibition of RAS: Quest for the Holy Grail? // Semin. Cancer Biol. 2019. Vol. 54. P. 138-148.

120. Garrido P. et al. Treating KRAS-mutant NSCLC: latest evidence and clinical consequences // Ther. Adv. Med. Oncol. 2017. Vol. 9, № 9. P. 589-597.

121. Lim S.M. et al. Therapeutic Targeting of Oncogenic K-Ras by a Covalent Catalytic Site Inhibitor // Angew. Chemie Int. Ed. 2014. Vol. 53, № 1. P. 199-204.

122. Janes M.R. et al. Targeting KRAS Mutant Cancers with a Covalent G12C-Specific Inhibitor // Cell. 2018. Vol. 172, № 3. P. 578-589.e17.

123. Lito P. et al. Allele-specific inhibitors inactivate mutant KRAS G12C by a trapping mechanism // Science (80-. ). 2016. Vol. 351, № 6273. P. 604-608.

124. Statsyuk A. V. Let K-Ras activate its own inhibitor // Nat. Struct. Mol. Biol. 2018. Vol. 25, № 6. P. 435-437.

125. Kawabata T., Go N. Detection of pockets on protein surfaces using small and large probe spheres to find putative ligand binding sites // Proteins Struct. Funct. Bioinforma. 2007. Vol. 68, № 2. P. 516-529.

126. Goody R.S., Müller M.P., Rauh D. Mutant-Specific Targeting of Ras G12C Activity by Covalently Reacting Small Molecules // Cell Chem. Biol. 2019.

127. Hansen R. et al. The reactivity-driven biochemical mechanism of covalent KRASG12C inhibitors // Nat. Struct. Mo l. Biol. 2018. Vol. 25, № 6. P. 454-462.

128. Maurer T. et al. Small-molecule ligands bind to a distinct pocket in Ras and inhibit SOS-mediated nucleotide exchange activity // Proc. Natl. Acad. Sci. 2012. Vol. 109, № 14. P. 5299-5304.

129. Tian W. et al. CASTp 3.0: computed atlas of surface topography of proteins // Nucleic Acids Res. 2018. Vol. 46, № W1. P. W363-W367.

130. Awoonor-Williams E., Rowley C.N. Evaluation of Methods for the Calculation of the p K a of Cysteine Residues in Proteins // J. Che m. Theory Comput. 2016. Vol. 12, № 9. P. 4662-4673.

131. Gilson M.K., Honig B. Calculation of the total electrostatic energy of a macromolecular system: Solvation energies, binding energies, and conformational analysis // Proteins Struct. Funct. Genet. 198 8. Vol. 4, № 1. P. 7-18.

132. Tissandier M.D. et al. The Proton's Absolute Aqueous Enthalpy and Gibbs Free Energy of Solvation from Cluster-Ion Solvation Data // J. Phys. Chem. A. 1998. Vol. 102, № 40. P. 7787-7794.

133. Cossi M. et al. Energies, structures, and electronic properties of molecules in solution with the C-PCM solvation model // J. Comput. Chem. 2003. Vol. 24, № 6. P. 669681.

134. Pearson R.G. Ionization potentials and electron affinities in aqueous solution // J. Am. Chem. Soc. 1986. Vol. 108, № 20. P. 6109-6114.

135. Copeland R.A. Evaluation of enzyme inhibitors in drug discovery: a guide for medicinal chemists and pharmacologists. John Wiley & Sons, 2013.

136. Morris G.M. et al. AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility // J. Comput. Chem. 2009. Vol. 30, № 16. P. 2785-2791.

137. Stewart J.J.P. Optimization of parameters for semiempirical methods V: Modification of NDDO approximations and application to 70 elements // J. Mol. Model. 2007. Vol. 13, № 12. P. 1173-1213.

138. Schmidt M. et al. General atomic and molecular electronic structure system // J. Comput. Chem. 1993. Vol. 14, № December. P. 1347-1363.

139. A one-letter notation for amino acid sequences. // Pure Appl. Chem. 1972. Vol. 31, № 4. P. 641-645.