Новые подходы к молекулярному моделированию трансмембранных доменов рецепторов, действие которых опосредовано G-белками тема диссертации и автореферата по ВАК РФ 03.00.02, кандидат физико-математических наук Чугунов, Антон Олегович

• Чугунов, Антон Олегович
• кандидат физико-математических наук
• 2007

Оглавление диссертации кандидат физико-математических наук Чугунов, Антон Олегович

Список сокращений

Глава 1. Введение

Глава 2. Методы предсказания структуры G-белоксопряжённых рецепторов, оценки качества упаковки белковых цепей и моделирования взаимодействий белок-ли-ганд (обзор литературы)

2.1. Применение пространственных моделей белков на практике

2.II. Распространенные методы моделирования GPCR-рецепторов

2.11.1. Общая информация о GPCR-рецепторах

2.11.2. Методы моделирования ab initio

2.11.3. Методы моделирования на основании гомологии с родопсином

2.11.4. Возможные пути оптимизации моделей GPCR 19 . 2.III. Существующие методы оценки качества упаковки белков

2.IV. Моделирование белок-лигандных взаимодействий

2.V. Методы количественной оценки гидрофобных взаимодействий

2.VI. Объект исследования: рецепторы мелатонина MTj и МТ

Глава 3. Результаты и обсуждение

3.1. Молекулярное моделирование рецепторов мелатонина MTj и МТ

3.1.1. Построение «стартовых» моделей рецепторов

3.1.2. Анализ и оптимизация «стартовых» моделей

3.1.3. Выбор оптимального угла вращения а-спирали ТМЗ

3.1.4. Структурные различия сайтов МТХ и МТ2, модель селективности

3.1.5. Выводы (I) 40 3.II. Разработка нового метода оценки качества упаковки трансмембранных а-спиральных доменов белков

3.11.1. Подготовка и характеристика набора структурных данных

3.11.2. «Оценивающая функция для мембранных белков»

3.11.3. Тестирование метода

3.11.4. Выводы (II) 57 3.III. Новый подход к улучшению результатов докинга

3.III.1. Комплементарность гидрофобных свойств в кристаллографических комплексах белок-лиганд

3.HI.2. Применение численной оценки гидрофобного соответствия для улучшения результатов докинга

3.III.3. Выводы (III)

Введение диссертации (часть автореферата) на тему «Новые подходы к молекулярному моделированию трансмембранных доменов рецепторов, действие которых опосредовано G-белками»

Двадцать первый век часто называют «веком биологии» и предрекают, что многие проблемы; веками отягощавшие жизнь человечества (неизлечимые болезни, порог продолжительности жизни и другие), будут разрешены именно в XXI столетии. «Золотой» юбилей открытия структуры ДНК, отмечавшийся всего несколько лет назад, и практически законченные работы по секвенированию человеческого генома, равно как и геномов многих других организмов, знаменуют наступление новой, «постгеномной», эры в биологии. Интерес исследователей во многом сместился с того, как наследственная информация кодируется в молекулах ДНК, на выяснение роли и функций других макромолекул, содержащихся в клетках живых организмов, РНК и белков. Особенно важным представляется понимание механизмов взаимодействия белковых молекул с другими макромолекулами и низкомолекулярными соединениями в том числе, с лекарствами. Человечество уже довольно давно использует лекарственные препараты как естественного, так и искусственного происхождения. Новые подходы современной молекулярной биофизики привносят совершенно новые возможности в области создания новых лекарств, основываясь, как правило, на изучении молекулярных механизмов заболевания и структурных особенностей взаимодействия лекарства со своей биологической мишенью. Наличие пространственных структур белков-мишеней для терапии определенного заболевания является одним из ключевых аспектов в данной области. Однако по сравнению со многими современными молекулярно-биологическими методами, поставленными «на поток», определение пространственной структуры белков до сих пор является очень сложной и трудоёмкой задачей, не имеющей универсального решения. Эта проблема стоит особенно остро для большинства мембранных белков, в большинстве случаев слишком крупных для определения их структуры методом спектроскопии ядерного магнитного резонанса (ЯМР) и находящихся в клетке в слишком малом количестве, чтобы можно было получить белковый кристалл, пригодный для исследования методом рентгеноструктурного анализа (РСА). Мембранные белки (МБ) объекты исключительной биологической и биомедицинской важности, среди функций которых можно назвать рецепцию сигналов, транспорт веществ, создание и поддержание трансмембранных (ТМ) потенциалов и др. МБ составляют не менее трети всех синтезируемых клеткой белков (Wallin von Heijne, 1998), и без них невозможно существование ни многоклеточных, ни одноклеточных существ. Одним из важнейших классов МБ являются так называемые G-белоксопряжённые рецепторы\ составляющие 1-5% всех кодируемых белков в геномах множества организмов. Об их чрезвычайной фармакологической важности говорит тот факт, что более половины всех выпускаемых в настоящее время лекарственных препаратов действует на эти рецепторы (Klabunde Hessler, 2002). С их дисфункцией связано большое число заболеваний (Schoneberg etal, 2004), и их терапевтический потенциал, по сути, только начинает осваиваться. К сожалению, как уже было сказано, возможности экспериментальных методов определения пространственной структуры МБ пока крайне ограничены и не могут полностью удовлетворить запросов Английское название этих рецепторов (которые также называют рецепторами, чьё действие опосредовано G-белками} G-protein coupled receptors (GPCR). Эта общепринятая аббревиатура в дальнейшем будет использоваться для их обозначения. Полный список сокращений и аббревиатур дан в начале работы.фармацевтической индустрии. На сегодняшний день только для одного белка из семейства GPCR известна пространственная структура высокого разрешения фоторецептора родопсина, выделенного из сетчатки быка (Palczewski etal, 2000; Palczewski, 2006). В условиях отсутствия структур других GPCR молекулярное моделирование может помочь найти выход из сложившейся ситуации. К настоящему моменту известно всего два типа укладки ТМ сегментов в МБ: «пучки» а-спиралей и «бочонки» р-структур (Cowan Rosenbusch, 1994). С фармакологической точки зрения наибольший интерес представляют белки первой группы, так как МБ эукариот принадлежат исключительно к ней. Рецепторы GPCR также относятся к этому классу: их ТМ область представлена консервативным структурным мотивом, состоящим из семи ТМ а-спиралей, плотно упакованных приблизительно ортогонально плоскости мембраны (Lefkowitz, 2004; Pierce etal, 2002). Предложенная гипотеза двухстадийного сворачивания МБ в мембране (Popot Engelman, 1990) с участием транслокационного комплекса (Hessa etal, 2005) подразумевает поочередное сворачивание в мембране индивидуальных ТМ а-спиралей (самих по себе довольно устойчивых с термодинамической точки зрения) и их последующую ассоциацию в нативный «пучок». Согласно этой гипотезе, построение теоретических моделей а-спиральных МБ может сводиться к аналогичному двухстадийному процессу: конструированию отдельных ТМ спиралей и их «сборке», что на первый взгляд выглядит существенным облегчением процесса предсказания их пространственной структуры. Однако методы так называемого аЬ initio моделирования (т.е., не использующие при построении моделей структур родственных белков) еще не достигли той степени зрелости, чтобы предсказывать многочисленные функциональные особенности этих объектов, даже основываясь на априорных знаниях об их топологии. В случае если доступна трехмерная структура родственного белка, она может использоваться в качестве «шаблона» при моделировании по гомологии. Основным предположением этого подхода является то, что пространственная структура белка более консервативна, чем его последовательность (Lesk Chothia, 1986). В случае GPCR-рецепторов единственным шаблоном является родопсин, гомология которого с другими членами семейства может быть невелика, однако высокая консервативность пространственной организации ТМ домена все же позволяет получать модели GPCR, пригодные для практических применений, например, для изучения взаимодействия с лигандами (Archer et al, 2003). В то же время, «качественные» модели во многих случаях позволяет получить лишь интуиция ученого, учитывающего множество факторов при оптимизации моделей, полученных при непосредственном применении методов молекулярного моделирования (например, моделирования по гомологии). Очевидно, что требуются независимые способы оценки качества получаемых моделей, указывающие также возможные пути их оптимизации. Причем необходимо, чтобы эти методы были разработаны с учетом особенностей строения МБ, т.к. серьезные различия в физико-химических свойствах сред, в которых локализованы растворимые глобулярные и мембранные белки, несомненно, приводят к существенным различиям в их организации. Отдельной, не менее сложной задачей является моделирование взаимодействия МБ Недавно получена структура нового МБ транслокатора молекул гликокаликса внешней мембраны Е. соИ (Dong etal., 2006), для которого постулируется новый тип ТМ укладки: а-«бочонок».с лигандами. Фундаментальным ограничением современных алгоритмов докинга, предназначенных для этой цели, является корректный учёт конформационной подвижности белка и оценка свободной энергии связывания лиганда со своей мишенью. Основной целью данной работы является разработка ряда новых подходов для моделирования структуры ТМ домена GPCR-рецепторов и взаимодействия с лигандами, связывающимися в ТМ области. Эти подходы призваны улучшить качество моделей, получаемых на основании гомологии, и увеличить предсказательную способность алгоритмов докинга в задачах идентификации корректных структур комплексов рецептор-лиганд. В процессе работы был разработан новый метод оценки качества упаковки полипептидных цепей в ТМ доменах мембранных белков. Предложенный метод базируется на описании белок-мембранного окружения отдельных аминокислотных остатков в терминах классов окружения, основанных на степени экспонированностн остатка в мембрану и на полярности его ближайшего белкового окружения. Анализ представительного набора кристаллографических структур МБ высокого разрешения позволил численно определить предпочтения каждого типа остатков к тому или иному классу окружения, открывая возможность оценки «качества» трехмерных структур МБ. Кроме того, предложен метод численной оценки гидрофобного/гидрофильного соответствия в сайтах связывания рецептор-лиганд, на основании которого предложена методика улучшения предсказательной силы одного из популярных алгоритмов докинга. Согласованное использование разработанных методов позволит конструировать реалистичные модели пространственной структуры МБ (в частности, GPCR-рецепторов) и изучать связывание этих белков с лигандами. Основные результаты проделанной работы: 1) Построены модели рецепторов мелатонина МТ и МТ человека. Модели оптимизированы с учётом ряда экспериментальных данных о функционально важных для связывания лигандов остатках и возможного механизма активации рецепторов, а также с использованием критерия оценки качества получаемых моделей. Исходя из анализа комплементарности гидрофобных/гидрофильных свойств лиганда и его сайта связывания, была предложена оптимальная геометрия комплекса рецептор-лиганд; 2) С использованием концепции комплементарности молекулярного гидрофобного потенциала (МГП) объяснен механизм селективности ряда аналогов мелатонина к определенным подтипам рецепторов; 3) Разработан метод оценки «качества» упаковки белковой цепи в ТМ домене мембранных белков. Показано, что существует прямая зависимость между длиной ТМ домена белков с экспериментально определенной пространственной структурой и значением предложенной «оценивающей функции для мембранных белков» (ОФМБ). Эта закономерность даёт возможность оценивать качество теоретических моделей МБ (в частности, GPCR) и делать выводы о близости модели к «нативной» структуре; 4) На ряде практических и синтетических тестов показано, что ОФМБ может однозначно идентифицировать «правильную» структуру (полученную методом РСА) среди набора некорректных теоретических моделей, как содержащих определенные ошибки при построении, так и специально сгенерированных для проверки этой способности. Кроме того, продемонстрирована связь между значением ОФМБ и близостью модели к «нативной» структуре (в терминах среднеквадратичного отклонения (СКО) от кристаллографической структуры). Эта связь позволяет среди набора моделей выбрать наиболее близкую к нативной, что особенно полезно при отсутствии экспериментально определенной структуры; 5) Анализ набора фотосинтетических МБ показал для них отличающуюся зависимость значения ОФМБ от длины ТМ домена, свидетельствуя об отличиях в их пространственной организации. Эти отличия могут быть обусловлены, например, тем, что эти белки содержат очень большое количество фотопигментов в ТМ домене, взаимодействия с которыми могут в значительной мере заменять собой белок-белковые взаимодействия, характерные для других групп МБ; 6) Сравнение результатов докинга на наборе 132 кристаллографических структур комплексов белок-лиганд, ртсортированных по значению «стандартной» оценивающей функции GoIdScore и по критерию, учитывающему комплементарность гидрофобных/гидрофильных свойств в сайте связывания показало, что последний подход может быть очень перспективным для увеличения предсказательной способности докинга— особенно, если «настройка» и применение метода МГПкомплементарности будет производиться на ограниченном наборе мишеней и/ илилигандов. Диссертационная работа организована следующим образом. Во Введении

Заключение диссертации по теме «Биофизика», Чугунов, Антон Олегович

4.2. Выводы

1. Предложен способ удовлетворения экспериментальных ограничений с помощью вращения одной или нескольких ТМ а-спиралей в мембранном домене рецепторов мелатонина МТг и МТ2. Эта операция позволяет учесть информацию о функционально важных остатках и сохранить неизменным общий тип укладки ТМ домена в указанных рецепторах;

2. Разработан новый метод оценки качества упаковки белковой молекулы в ТМ а-спиральном домене. Подход основан на анализе доступных кристаллографических структур МБ и позволяет идентифицировать модели, близкие к нативной структуре;

3. Предложен метод улучшения предсказательной силы докинга. Метод основан на анализе гидрофобного/гидрофильного соответствия в сайтах связывания ре-цептор-лиганд. Во многих случаях удается получить лучший результат, чем при использовании стандартного алгоритма программы докинга GOLD.

4.3. Перспективы

Изучение структуры и функций МБ и, в частности, мембранных рецепторов — задача, чрезвычайно важная как для фундаментальных биологических исследований, так и для биомедицинских приложений. В ближайшие годы роль молекулярного моделирования в изучении МБ будет только возрастать, и поэтому новые методики предсказания и оптимизации пространственных структур этих объектов будут весьма востребованы.

Предложенный нами эмпирический метод оценки качества упаковки ТМ-доменов — несомненно, лишь первый шаг к интегрированным высокоэффективным методикам моделирования структур МБ, пригодных для задач дизайна новых лекарственных соединений. Предстоит еще многое сделать, чтобы подход ОФМБ начал приносить практически важные результаты. Это и изучение новых классов МБ (например, p-структурных), и разграничение аминокислотных остатков, экспонированных в мембрану, от канал-образующих остатков, и учёт при параметризации метода распределения остатков вдоль нормали к мембране, и увеличение обучающего набора по мере роста числа доступных структур МБ. Кроме того, для практического применения этого подхода необходима тесная интеграция с методами моделирования конформационной подвижности боковых цепей и белкового остова теоретических моделей. Предложенный здесь «ротамерный тест» является лишь первым примером такого совместного использования, однако сфера дальнейшего улучшения предложенного подхода еще крайне широка.

Мы продемонстрировали, что критерий комплементарности МГП может оказаться существенным подспорьем для улучшения результатов докинга, проведенного с помощью одной из самых популярных программ. Однако наибольшей эффективности этого подхода можно достичь лишь при совместном использовании «стандартных» оценивающих функций докинга и подхода, основанного на МГП. В перспективе комплементарность гидрофобных свойств в комплексе белок-лиганд может быть интегрирована в одну из существующий ОФ докинга, что, несомненно, во многих случаях позволит идентифицировать «корректные» решения среди неудовлетворяющих физико-химическим критериям (таким как комплементарность гидрофобных свойств). Еще одно перспективное направление — создание лиганд-специфичных ОФ, позволяющих достичь очень хороших результатов на определенных (возможно, довольно узких) классах комплексов мишень-лиганд.

Совместное использование технологий, позволяющих точно предсказать пространственную структуру МБ, и новых подходов к изучению взаимодействия с лигандами, а также применение моделей явно заданных бислоёв и метода молекулярной динамики, позволит еще больше приблизиться к пониманию такого важного биологического процесса, как рецепция. Кроме того, учитывая сложность предсказания пространственной структуры МБ, наиболее перспективными представляются комплексные подходы, использующие как данные теоретических предсказаний, так и информацию, полученную в прямом эксперименте.

Таким образом, основным стратегическим направлением молекулярного моделирования МБ применительно к практически важным задачам, является совмещение предсказаний пространственной структуры МБ с технологиями докинга лигандов в единую технологию дизайна лекарств, действующих на мембранные белки.

Глава 5. Методы и алгоритмы

5.1. Молекулярное моделирование рецепторов мелатонина МТ и МТ человека

5.1.1. Построение и оптимизация «стартовых» моделей рецепторов

ТМ домены рецепторов МТ, и МТ, были определены, используя комбинацию предсказаний, сделанных с помощью методов HMMTOP (Tusnady & Simon, 1998), ТМНММ (Moller etal., 2001), TMPRED (Hofmann & Stoffel, 1993) и T0PPRED2 (Cserzo etal., 1997). Выравнивания аминокислотных последовательностей родопсина (код Swiss-Prot opsdbovin или Р02699) с МТ, (код Swiss-Prot mtrlahuman или Р48039) и МТ, (код Swiss-Prot mtrlbhuman или Р49286) были построены с помощью программы GCG (Genetics Computer Group, 1991) с использованием следующих параметров: матрица сравнения blosum62, штрафы на инициацию и пролонгацию разрыва в выравнивании 8 и 2, соответственно. Итоговое выравнивание (рис. 5.1) было подкорректировано вручную, чтобы свести к минимуму число разрывов в ТМ домене. Модели МТ, и МТ2 были построены с помощью программы MODELLER (Marti-Renom etal, 2000) с использованием этого выравнивания на основании гомологии со структурой зрительного родопсина (код PDB: U9h (Teller etal., 2001)). Для моделирования консервативного дясульфидного мостика Cysl00-Cysl77 (Cysll3-Cysl90 в случае МТ2) использовали опциюSPECIALPATCHES программы MODELLER. Для каждой рецептора было получено по пять слегка различающихся моделей, из которых для дальнейшего изучения была выбрана «лучшая» на основании анализа пространственных нарушений. К моделям были добавлены атомы водорода; зарядовые состояния ионизируемых групп выбирали, согласно значению рН 7.0.

Модели подвергали постадийной минимизации потенциальной энергии в программе DISCOVER (Insightll, 2000) с использованием силового поля CVFF (Insightll, 2000). При расчете дальних взаимодействий использовали значение функции отсечки (cut-off) 20.0 А. Электростатические взаимодействия рассчитывали с использованием константы диэлектрической проницаемости, зависящей от расстояния по закону £=4хг. Потенциальную энергию минимизировали в несколько этапов:

1) 2хЮ2 шагов методом наискорейшего спуска с фиксированными тяжёлыми атомами системы;

2) 2*Ю2 шагов методом наискорейшего спуска и затем 2х103 шагов методом сопряжённых градиентов

TMl: opsd Mtl МТ2

ТМ2: opsd МТ! MT2

ТМЗ: opsd MT1 MT2

TM4: opsd MT1 MT2

TM5: opsd MT1 MT2

TM6: opsd MT1 MT2

TM7: opsd MT1 MT2

35 25 38

71 61 74

WQFSMLAAYMFLLIMLGFPINFLTLYVTVQ WLASALACVLI FT IVVDILGNLLVILS VYR WVAPALSAVLIVTTAVDWGNLLVILSVLR

PLNYILLNLAVADLFMVFGGFTTTLYTSLH AGNIFVVS LAVADLWAIY PY PLVLMSI FN AGNL FLVS LALADLWAF Y PYPLILVAIFY

64 54

67

100

90

103

107 PTGCNLEGFFATLGGEIALWSLVVLAIERYVVV 139 97 YLHCQVSGFLMGLSVIGSIFNITGIAINRYCYI 129 110 EEHCKASAFVMGLfiVIGfiVFNITAIAINRYCYI 142

151 NHAIMGVAFTWVMALACAAP-PLVG 174

142 KNSLCYVLLIWLLTLAAVLPNLRAG 166

155 WHTPLHICLIWLLTWALLPNFFVG 179

199 NESFVIYMFVVHFIIPLIVIFFCYGQLVFT 229

184 SSAYTIAVVVFHFLVPMIIVIFCYLRIWIL 213

197 STQYTAAVWIHFLLPIAVVSFCYLRIWVL' 226

24 7 EKEVTRMVIIMVIAFLICWLPYAGVAFYIFT 277

234 FRNFVTMFWFVL-FAICWAPLNFI£LAVAS 263

247 LRSFLTMFWFVI-FAICWAPLNCIfiLAVAI 276

286 IFMTIPAFFAKTSAVYNPVIYIMMN 310

275 WLFVASYYMAYFNSCLNAIIYGLLN 299

288 GLFVTSYLLAYFNSCLNAIVYGLLN 312

Рисунок 5.1. Выравнивание аминокислотных последовательностей ТМ сегментов зрительного родопсина (opsd) и рецепторов мелатонина МТ и МТ. Наиболее консервативные остатки во всем семействе рецепторов CPCR выделены жирным, остатки, важные для связывания мелатонина (см. §2.VI.) — подчеркнуты. с фиксированными атомами основной цепи белка; (3) 2х104 шагов методом сопряженных градиентов без фиксирования каких-либо частей системы. По окончании стадий (2) и (3) минимизации СКО от стартовых моделей составило -0.7 А и ~3.0 А, соответственно. После минимизации энергии внемембранные петли были удалены из моделей, и N- и С-концы ТМ сегментов были модифицированы ацетильными и N-метильными группами, соответственно. Вторичную структуру моделей рассчитывали с помощью программы DSSP (Kabsch & Sander, 1983), а качество белкового окружения — с помощью программы Profiles3D (Bowie etal, 1991).

5.1.2. Анализ распределения гидрофобных и вариабельных свойств

Моменты вариабельности и гидрофобности для ТМ а-спиралей рассчитывали по методам, предложенным Ду и Алькорта (Du & Alkorta, 1994) и Донелли с соавт. (Donelly etal, 1993), соответственно. Значения гидрофобности, приписываемые отдельным остаткам в методе моментов гидрофобности, были предложены Рисом с соавт. (Rees etal, 1989). Пространственное распределение гидрофобных и гидрофильных свойств ТМ сегментов было получено в приближении молекулярного гидрофобного потенциала (МГП) (Furet etal., 1988; Fauchere etal, 1988), с использованием системы атомных гидрофобных констант из работы Viswanadhan etal, 1989. Для целей изучения гидрофобной/гидрофильной организации ТМ доменов распределения МГП на поверхностях а-спиралей визуализовали в виде одномерных графиков МГП(а) в полярных координатах (Efremov & Veroten, 1996).

5.1.3. Построение и оценка качества моделей с повернутой ТМЗ

Построение моделей. В стартовых моделях МТг и МТ2 спираль ТМЗ поворачивали на заданный угол вокруг ее оси по часовой стрелке, при виде с внеклеточной стороны (рис. 3.2). Получаемую конформацию релаксировали в два этапа: (1) с фиксированным белковым остовом ТМЗ и фиксированными тяжелыми атомами других спиралей; (2) с фиксированными Са атомами ТМЗ и фиксированным белковым остовом других спиралей. На следующем этапе мелатонин вручную помещали в сайт связывания, определенный из данных мутагенеза, в предположительно биологически активной конформации — с боковой цепью, ортогональной плоскости индольного кольца молекулы (Tarzia etal, 2000). Вписывание молекулы мелатонина в сайт связывания проводили таким образом, чтобы расстояния между атомами рецептора и лиганда, образующими водородные связи, было по возможности минимальным. Минимизацию энергии получаемых комплексов с ограничениями на расстояния между упомянутыми атомами (2.5 А, силовая постоянная 10.0 ккал/А2) проводили в два этапа: (1) с фиксированными Ся атомами ТМЗ, атомами основной цепи других спиралей и тяжёлыми атомами лиганда; (2) без фиксированных атомов, но с дополнительными ограничениями на расстояния между NH- и СО-группами основной цепи, образующими водородные связи в гомологичных положениях молекулы родопсина. Упомянутые ограничения на расстояния между атомами рецептора и лигандов также учитывались. Данный протокол применяли для предотвращения нарушения вторичной структуры ТМ спиралей рецепторов в процессе оптимизации комплекса с лигандом в вакууме. В процессе оптимизации в моделях рецепторов мелатонина формировалась полость, соответствующая по форме и объему молекуле мелатонина. В «стартовых» моделях такая полость отсутство

Глава 4* Заключение, выводы и перспективы

4.1. Научно-практическое значение работы и новизна результатов

Все представленные в работе результаты получены впервые. Проблема селективности лигандов между несколькими родственными рецепторами очень актуальна в фармакологии, но изучение соответствия гидрофобных характеристик лиганда и его белкового сайта связывания до сих пор почти не использовали для объяснения и предсказания селективности. Хотя предпринимается довольно много попыток улучшить предсказательную силу алгоритмов докинга (например, комбинируя различные оценивающие функции), учёт гидрофобных эффектов, весьма важных для взаимодействия рецептор-лиганд, практически не производится. На ряде примеров мы показываем, что такой учёт может существенно улучшить результаты стандартных алгоритмов (по крайней мере, для некоторых биологически важных классов лигандов).

Разработанный критерий оценки качества упаковки ТМ а-спиральных доменов также является новым перспективным инструментом моделирования структуры МБ, в частности, рецепторов семейства GPCR. Мы показываем, что, в отличие от предлагаемого подхода, аналогичные методы, разработанные для глобулярных белков, не позволяют решить важнейшую Для подобного оценивающего метода задачу — надёжно идентифицировать нативную (или близкую к ней) структуру среди набора теоретических моделей, в том числе содержащих ошибки.

Предложенные в работе методы найдут своё применение при построении и оптимизации теоретических моделей рецепторов семейства GPCR, а также других МБ. В частности, применение метода оценки качества упаковки МБ позволит получить модели, находящиеся в лучшем согласии с общими принципами организации МБ, нежели модели, полученные в результате непосредственного моделирования на основании гомологии или из ab initio предсказаний. Метод численной оценки соответствия гидрофобных свойств лиганда и активного сайта белка позволит с большей вероятностью идентифицировать активные соединения и точнее предсказывать структуры комплексов белок-лиганд, чем стандартные алгоритмы докинга.

Указанные возможности чрезвычайно востребованы в фармацевтической промышленности и сфере направленного дизайна новых лекарственных веществ. Особенно актуальной в последнее время является разработка высокоаффинных и селективных лигандов GPCR рецепторов, для осуществления которой необходимы точные пространственные модели этих белков.

Список литературы диссертационного исследования кандидат физико-математических наук Чугунов, Антон Олегович, 2007 год

1. Altschul, S.F., Gish, W., Miller, W., Myers, E.W., Lipman, D.J. (1990). Basic local alignment search tool./. Mol. Biol. 215,403-10.

2. Altschul, S.F., Madden, T.L., Schaffer, A.A., Zhang, J., Zhang, Z., Miller, W„ Lipman, D.J. (1997). Gapped BLAST and PSI-BLAST: a new generation of protein database search programs. Nucleic Acids Res. 25,3389-3402.

3. Archer, E., Maigret, В., Escrieut, C„ Pradayrol, L., Fourmy, D. (2003). Rhodopsin crystal: new template yielding realistic models of G-protein-coupled receptors? Trends Pharmacol Sci. 24, 36-40.

4. Audry, E., Dubost, J.P., Colleter, J.C., Dallet, P. (1986). A new approach to structure-activity relations: the "molecular lipophilicity potential". Eur. J. Med. Chem. 21,71-72.

5. Bajorath, J. (2002). Virtual screening in drug discovery: methods, expectations and reality. Curr. Drug Disc. 3, 24-28.

6. Baker, D., Sali, A. (2001). Protein structure prediction and structural genomics. Science 294, 93-96.

7. Baldwin, J.M., Schertler, G.F., Unger, V.M. (1997). An a-carbon template for the transmembrane helices in the rhodopsin family of G-protein-coupled receptors./. Mol. Biol. 272,144164.

8. Ballesteros, J.A., Weinstein, H. (1995). Integrated Methods for the Construction of Three-Dimensional Models and Computational Probing of Structure-Function Relations in G Protein-Coupled Receptors. Methods Neurosci. 25,366-428.

9. Basyn, F., Spies, В., Bouffioux, 0., Thomas, A., Brasseur, R. (2003). Insertion of X-ray structures of proteins in membranes./. Mol. Graph. Model. 22,11-21.

10. Becker, O.M., Marantz, Y., Shacham, S., Inbal, В., Heifetz, A., Kalid, 0., Bar-Haim, S., Warshaviak, D., Fichman, M., Noiman, S. (2004). G-protein-coupled receptors: in silico drug discovery in 3D. Proc. Natl. Acad. Sci. U. S. A. 101,11304-11309.

11. Berman, H.M., Westbrook, J., Feng, Z., Gilliland, G., Bhat, T. N., Weissig, H., Shindyalov, I.N., Bourne, P.E. (2000). The Protein Data Bank. Nucleic Acids Res. 28,235-242.

12. Beuming, Т., Weinstein, H. (2004), A knowledge-based scale for the analysis and prediction of buried and exposed faces of transmembrane domain proteins. Bioinformatics 20, 18221835.

13. Beuming, Т., Weinstein, H. (2005). Modeling membrane proteins based on low-resolution electron microscopy maps: a template for the TM domains of the oxalate transporter OxlT. Protein Eng. Des. Sel. 18,119-125.

14. Bissantz, C., Bernard, P., Hibert, M„ Rognan, D. (2003). Protein-Based Virtual Screening of Chemical Databases. II. Are Homology Models of G-Protein Coupled Receptors Suitable Targets? Proteins 50,5-25.

15. Bohm, H.-J. (1992). LUDI: rule-based automatic design of new substituents for enzyme inhibitor leads./. Comput. Aided Mol Des. 6,593-606.

16. Bowie, J.U. (2005). Solving the membrane protein folding problem. Nature 438, 581-589.

17. Bowie, J.U,, Luthy, R„ Eisenberg, D. (1991). A method to identify protein sequences that fold into a known three-dimensional structure. Science 253,164-170.

18. Brooijmans, N„ Kuntz, I.D. (2003). Molecular Recognition and Docking Algorithms. Annu. Rev. ■ Biophys. Biomol Struct. 32,335-373.

19. Brown, W.M., Faulon, J.-L., Sale, K. (2005). A Deterministic Algorithm for Constrained Enumeration of Transmembrane Protein Folds. Сотр. Biol. Chem. 29,143-150.

20. Bujnicki, J.M., Elofsson, A., Fischer, D., Rychlewski, L. (2001). Structure prediction meta server. Bioinformatics 17,750-751.

21. Buysse, D., Bate, G., Kirkpatrick, P. (2005). Fresh from the pipeline: Ramelteon. Nat. Rev. Drug Discov. 4,881-882.

22. Byeon, I.J., Louis, J.M., Gronenborn, A.M. (2003). A protein contortionist: core mutations of GB1 that induce dimerization and domain swapping./ Mol. Biol 333,141-152.

23. Carlson, H.A., McCammon, J.A. (2000). Accommodating protein flexibility in computational drug design. Mol Pharmacol 57,213-218.

24. Caron, G., Ermondi, G. (2003). A comparison of calculated and experimental parameters as sources of structural information: the case of lipophilicity-related descriptors. Mini Rev. Med. Chem. 3,821-830.

25. Charifson, P.S., Corkery, J.J., Murcko, M.A., Walters, W.P. (1999). Consensus scoring: A method for obtaining improved hit rates from docking databases of three-dimensional structures into proteins./. Med. Chem. 42,5100-5109.

26. Chen, C.P., Kernytsky, A., Rost, B. (2002). Transmembrane helix predictions revisited. Protein Sci. 11, 2774-2791.

27. Chothia, C. (1976). The nature of the accessible and buried surfaces in proteins./. Mol Biol 105,1-12.

28. Chou, K.-C. (2005). Prediction of G-protein Receptor Classes./. Proteome Res. 4,1413-1418.

29. Chugunov. A.O. Farce. A.f Chavatte, P., Efremov, R.G. (2006). Differences in binding sites of two melatonin receptors help to explain their selectivity to some melatonin analogs: a molecular modeling study./. Biomol Struct. Dyn. 24,91-108.

30. Connolly, M.L. (1983). Solvent-accessible surfaces of proteins and nucleic acids. Science 221, 709-713.

31. Contreras-Moreira, В., Ezkurdia, I., Tress, M.L., Valencia, A. (2005). Empirical limits for template-based protein structure prediction: the CASP5 example. FEBS Lett. 579,1203-1207.

32. Conway, S., Mowat, E.S., Drew, J.E., Barrett, P., Delagrange, P., Morgan, P.J. (2001). Serine residues 110 and 114 are required for agonist binding but not antagonist binding to the melatonin MTj receptor. Biochem. Biophys. Res. Commun. 282,1229-1236.

33. Cowan, S.W., Rosenbusch, J.P. (1994). Folding pattern diversity of integral membrane proteins. Science 264,914-916.

34. Cozzini, P., Fornabaio, M., Marabotti, A., Abraham, D.J., Kellogg, G.E., Mozzarelli, A. (2004). Free energy of ligand binding to protein: evaluation of the contribution of water molecules by computational methods. Curr. Med. Chem. 11,3093-3118.

35. Cserzo, M„ Wallin, E., Simon, I., von Heijne, G., Elofsson, A. (1997). Prediction of transmembrane a-helices in prokaryotic membrane proteins: the dense alignment surface method. Protein Eng. 10,673-676.

36. Delarue, M., Koehl, P. (1995), Atomic environment energies in proteins defined from statistics of accessible and contact surface areas./ Mol. Biol. 249,675-690.

37. Desmet, J., Maeyer, M.D., Hazes, В., Lasters, I. (1992). The dead end elimination theorem and its use in protein side-chain positioning. Nature 356,539-542.

38. Dixon, J.S., Oshiro, C.M. (1995). Flexible ligand docking using a genetic algorithm./. Comput. Aided Mol. Des. 9,113-130.

39. Dobson, C.M. (2004). Chemical Space and Biology. Nature 432,924-929.

40. Dong, C., Beis, K., Nesper, J„ Brunkan-Lamontagne, A.L., Clarke, B.R., Whitfield, C., Naismith, J. H. (2006). Wza the translocon for E. coli capsular polysaccharides defines a new class of membrane protein. Nature 444,226-229.

41. Donnelly, D., Findlay, J. В., Blundell, T. L. (1994). The evolution and structure of aminergic G protein-coupled receptors. Receptors Channels 2,61-78.

42. Donnelly, D., OveringtOn, J.P., Ruffle, S.V., Nugent, J.H., Blundell, T.L. (1993). Modeling a-helical transmembrane domains: the calculation and use of substitution tables for lipid-facing residues. Protein Sci. 2,55-70.

43. Drews, J. (2000). Drug Discovery: A Historical Perspective. Science 287,1960-1964.

44. Du, P., Alkorta, I. (1994). Sequence divergence analysis for the prediction of seven-helix membrane protein structures: 1. Comparison with bacteriorhodopsin. Protein Eng. 10,12211229.

45. Efremov, R.G., Chugunov. A.O. Pyrkov, T.V., Priestle, J.P., Arseniev, A.S., Jacoby, E. (2007). Molecular lipophilicity in protein modeling and drug design. Curr. Med. Chem. 14,393-415.

46. Efremov, R.G., Nolde, D.E., Vergoten, G., Arseniev, A.S. (1999). Peptides in membranes: assessment of the effects of environment via simulations with implicit solvation model. Theor. Chem. Acc. 101,170-174.

47. Efremov, R.G., Nolde, D.E., Volynsky, P.E., Arseniev, A.S. (2000). Modeling of peptides in implicit membrane-mimetic media .Molecular Simulation 24,275-291.

48. Efremov, R.G., Vergoten, G., Arseniev, A.S. (1999). A new "hydrophobic template" method detects segments forming transmembrane a-helical bundles in ion channels. Theor. Chem. Acc. 101,73-76.

49. Efremov, R.G., Volynsky, P.E., Nolde, D.E., Arseniev, A.S. (2001). Implicit two-phase solvation model as a tool to assess conformation and energetics of proteins in membrane-mimic media. Theor. Chem. Acc. 106,48-54.

50. Eilers, M., Shekar, S.C., Shieh, Т., Smith, S.O., Fleming, P.J. (2000). Internal packing of helical membrane proteins. Proc. Natl. Acad. Sci. U. S. A. 97,5796-5801.

51. Eisenberg, D., Weiss, R.M., Terwilliger, T.C. (1982). The helical hydrophobic moment: a measure of the amphiphilicity of a helix. Nature 299,371-374.

52. Eisenberg, D., Wesson, M., Yamashita, M. (1989). Interpretation of protein folding and binding with atomic solvation parameters. Chem. Scr. 29A, 217-221.

53. Eyre, T. A., Partridge, L„ Thornton, J.M. (2004). Computational analysis of a-helical membrane protein structure: implications for the prediction of 3D structural models. Protein Eng. Des. Sel. 17,613-624.

54. Fauchere, J.-L., Quarendon, P., Kaettere, L. (1988). Estimating and representing hydrophobicity potential./ Mol. Graph. 6,203-206.

55. Fiser, A., §ali, A. (2003). Modeller: generation and refinement of homology-based protein structure models. Methods Enzymol. 374,461-491.

56. Fleishman, S.J., Ben-Tal, N. (2002). A novel scoring function for predicting the conformations of tightly packed pairs of transmembrane a-helicesj. Mol. Biol. 321,363-378.

57. Fleishman, S.J., Ben-Tal, N. (2006). Progress in structure prediction of a-helical membrane proteins. Curr. Opiri. Struct. Biol. 16,496-504.

58. Fleishman, S.J., Harrington, S., Friesner, R.A., Honig, В., Ben-Tal, N. (2004). An automatic method for predicting transmembrane protein structures using cryo-EM and evolutionary data. Biophys.J. 87,3448-3459.

59. Fleishman, S.J., Unger, V.M., Ben-Tal, N.(2006). Transmembrane protein structures without X-rays. Trends Biochem. Sci. 31,106-113.

60. Foord, F.M. (2002). Receptor Classification: Post Genome. Curr. Opin. Pharm. 2,561-566.

61. Furet, P., Sele, A., Cohen, N.C. (1988). 3D molecular lipophilicity potential profiles: a new tool in molecular modeling./. Mol. Graph. 6,182-189.

62. Gaillard, P., Carrupt, P.A., Testa, В., Boudon, A. (1994). Molecular lipophilicity potential, a tool in 3D QSAR: method and applications./. Comput. Aided Mol. Des. 8,83-96.

63. Genetics Computer Group (1991). Program Manual for the GCG Package, Version 7, April 1991, 575 Science Drive, Madison, Wisconsin, USA 53711.

64. Gerdin, M.J., Mseeh, F., Dubocovich, M.L. (2003). Mutagenesis studies of the human MT2 melatonin receptor. Biochem. Pharmacol. 66,315-320.

65. Gether, U., Kobilka, B.K. (1998). G-protein-coupled receptors. II. Mechanism of agonist activation./. Biol. Chem. 273,17979-17982.

66. Ghanouni, P., Steenhuis, J.J., Farrens, D.L., Kobilka, B.K. (2001). Agonist-induced conformational changes in the G-protein-coupling domain of the (^-adrenergic receptor. Proc. Natl. Acad. Sci. U. S. A. 98,5997-6002.

67. Ghose, A.K., Viswanadhan, V.N., Wendoloski, J.J. (1998). Prediction of Hydrophobic (Lipophilic) Properties of Small Organic Molecules Using Fragmental Methods: An Analysis of ALOGP and CLOGP Methods./. Phys. Chem. A102, 3762-3772.

68. Ginalski, K. (2006). Comparative modeling for protein structure prediction. Curr. Opin. Struct. Biol 16,172-177.

69. Goodman, L.S. et al. (1996). Goodman and Gilman's The Pharmacological Basis of Therapeutics. McGraw-Hill, New York, ed. 9,1996.

70. Grol, C.J., Jansen, J.M. (1996). The high affinity melatonin binding site probed with confor-mationally restricted ligands. II. Homology modeling of the receptor. Bioorg. Med. Chem. 4, 1333-1339.

71. Guex, N., Peitsch, M.C. (1997). SWISS-MODEL and the Swiss-PdbViewer: An environment for comparative protein modeling. Electrophoresis 18,2714-2723.

72. Hansh, C., Fujita, T. (1964). r-s-p Analysis. A Method for Correlation of Biological Activity and Chemical Structure. Am. Chem. Soc. 86,1616-1626.

73. Heiden, W., Moeckel, G„ Brickmann, J. (1993), A new approach to analysis and display of local lipophilicity/hydrophilicity mapped on molecular surfaces. /. Comput. Aided Mol. Des. 7, 503-514.

74. Henderson, R., Baldwin, J. M., Ceska, T. A., Zemlin, F., Beckmann, E., Downing, К. H. (1990). Model for the Structure of Bacteriorhodopsin Based on High-Resolution Electron Cryo-Mi-croscopy./. Mol. Biol. 212,899-929.

75. Herzyk, P., Hubbard, R. E. (1998). Combined biophysical and biochemical information confirms arrangement of transmembrane helices visible from the three-dimensional map of frog rhodopsin./. Mol. Biol. 281,741-754.

76. Hessa, Т., Kim, H., Bihlmaier, K., Lundin, C., Boekel, J., Andersson, H., Nilsson, I., White, S. H., von Heijne G. (2005). Recognition of transmembrane helices by the endoplasmic reticulum translocon. Nature 433,377-381.

77. Hillisch, A., Pineda, L.F., Hilgenfeld, R. (2004). Utility of Homology Models in the Drug Discovery Process. Drug Discov. Today 9,659-669.

78. Hofmann, K., Stoffel, W. (1993). TMBASE — A database of membrane spanning protein segments. Biol. Chem. Hoppe-Seyler 374,166.

79. Horn, F.,Weare, J.,Beukers, M.W.,Horsch, S.,Bairoch, A., Chen, W., Edvardsen, 0.,Campagne, F., Vriend, G. (1998). GPCRDB: an information system for G-protein-coupled receptors. Nucleic Acids Res. 26, 277-281.

80. InsightH, Release 2000, Accelrys, San Diego, CA, 2002.

81. Ivanov, A.A., Voronkov, A.E., Baskin, I.I., Palyulin, V.A., Zefirov. N.S. (2004). The Study of the Mechanism of Binding of Human ML1A Melatonin Receptor Ligands Using Molecular Modeling. Dokl Biochem. Biophys. 394,49-52.

82. Jayasinghe, S., Hristova, K., White, S.H. (2001). Energetics, stability, and prediction of transmembrane helices./. Mol. Biol. 312,927-934.

83. Ji, Т.Н., Grossmann M„ Ji, I. (1998). G-Protein-Coupled Receptors. I. Diversity of Receptor-Li-gand Interactions./. Biol. Chem. 273,17299-17302.

84. Joseph, M.P., Maigret, В., Bonnafous, J.C., Marie, J., Scheraga, H.A. (1995). J. Protein Chem. 14, 381-398.

85. Kabsch, W., Sander, C. (1983). Dictionary of protein secondary structure: pattern recognition of hydrogen-bonded and geometrical features. Biopolymers 22,2577-2637.

86. Karplus, M. (2003). Molecular dynamics of biological macromolecules: a brief history and perspective. Biopolymers 68,350-358.

87. Kellogg, G.E., Abraham, D.J. (2000). Hydrophobicity: is LogP(o/w) more than the sum of its parts? Eur. J. Med. Chem. 35,651-661.

88. Kenakin, T. (2002). Efficacy at G-Protein-Coupled Receptors. Nat. Rev. Drug Disc. 1,103-110.

89. Kenakin, T. (2004). Principles: receptor theory in pharmacology. TYends Pharmacol. Sci. 25, 186-192.

90. Kim, D.E., Chivian, D„ Baker, D. (2004). Protein structure prediction and analysis using the Robetta server. Nucleic Acids Res. 32, W526-W531.

91. Kitchen, D.B., Decornez, H., Furr, J.R., Bajorath, J. (2004). Docking and scoring in virtual screening for drug discovery: methods and applications. Nat. Rev. Drug Discov. 11,935-949.

92. Klabunde, Т., Hessler, G. (2002). Drug Design Strategies for Targeting G-Protein-Coupled Receptors. Chembiochem 10, 928-944.

93. Knegtel, R.M.A., Kuntz, I.D., Oshiro, C.M. (1997). Molecular docking to ensembles of protein structures./ Mol. Biol. 266, 242-440.

94. Kokkola, Т., Foord, S.M., Watson, M.A., Vakkuri, 0., Laitinen, J.T. (2003). Important amino acids for the function of the human MT, melatonin receptor. Biochem. Pharmacol. 65, 14631471.

95. Kopp, J., Schwede, T. (2006). The SWISS-MODEL Repository: new features and functionalities. Nucleic Acids Res. 34, D315-D318.

96. Leach, A.R. (1994). Ligand docking to proteins with discrete sidechain flexibility./ Mol. Biol. 235, 245-356.

97. Lee, T.W., Cotecchia, S., Milligan, G. (1997). Up-regulation of the levels of expression and function of a constitutively active mutant of the hamster alb-adrenoreceptor by ligands that act as inverse agonists. Biochem.. 325,733-739.

98. Lefkowitz, R.J. (2004). Historical Review: A Brief History and Personal Retrospective of Sev-en-Transmembrane Receptors. Trends Pharmacol. Sci. 25,413-422.

99. Lengauer, Т., Lemmen, C., Rarey, M., Zimmermann, M. (2004). Novel technologies for virtual screening. Drug Discov. Today 9,27-34.

100. Lesk, A.M., Chothia, C. (1986). The Response of Protein Structures to Amino-Acid Sequence Changes. Philos. Trans. R. Soc. Lond. Biol. Sci. 317, 345-356.

101. Lin, S.W., Imamoto, Y., Fukada,Y., Shichida,Y., Yoshizawa, Т., Mathies,R.A. (1994). What makes red visual pigments red? A resonance Raman microprobe study of retinal chromo-phore structure in iodopsin. Biochemistry 33,2151-2160.

102. Lindahl, E., Hess, В., van der Spoel, D. (2001). GROMACS 3.0: A package for molecular simulation and trajectory analysis./. Mol. Mod. 7,306-317.

103. Lipinski, C., Hopkins, A. (2004). Navigating Chemical Space for Biology and Medicine. Nature 432, 955-961.

104. Lomize, M.A., Lomize, A.L., Pogozheva, I.D., Mosberg, H.I. (2006). OPM: orientations of proteins in membranes database. Bioinformatics 22,623-625.

105. Lundstrom, K. (2005). Structural genomics of GPCRs. Trends Biotechnol. 2,103-108.

106. Ltithy, R., Bowie, J.U., Eisenberg, D. (1992). Assessment of protein models with three-dimensional profiles. Nature 356,83-85.

107. Marie J., Richard E., PruneauD., PaquetJ., SiatkaC., LarguierR., Ponce C., VassaultP., Gro-blewski Т., Maigret В., Bonnafous, J. (2001). Control of Conformational Equilibria in the Human B2 Bradykinin Receptor./. Biol. Chem., 276,41100-41111.

108. Marti-Renom, M.A., Stuart, A.C., Fiser, A., Sanchez, R., Melo, F., Sali, A. (2000). Comparative protein structure modeling of genes and genomes. Annu. Rev. Biophys. Biomol. Struct. 29,291325.

109. Miller, M.A. (2002). Chemical Database Techniques in Drug Discovery. Nat. Rev. Drug Disc. 1, 223-227.

110. Moller, S., Croning, M.D., Apweiler, R. (2001). Evaluation of methods for the prediction of membrane spanning regions. Bioinformatics 17,646-653.

111. Мог, М., Plazzi, P.V., Spadoni, G., Tarzia, G. (1999). Melatonin. Curr. Med. Chem. 6,501-518.

112. Mseeh, F., Gerdin, M.J., Dubocovich, M.I. (2002). Identification of cysteines involved in ligand binding to the human melatonin MT2 receptor. Eur. J. Pharmacol. 449,29-38.

113. Murzin, A.G; (2001). Progress in Protein Structure Determination. Nat. Struct. Biol. 8,110112.

114. Navajas, C., Kokkola, Т., Poso, A., Honka, N., Gynther, J., Laitinen, J.T. (1996). A rhodopsin-based model for melatonin recognition at its G-protein-coupled receptor. Eur. J. Pharmacol. 304,173-183.

115. Nikiforovich, G.V., Marshall, G.R. (2003). Three-dimensional model for meta-II rhodopsin, an activated G-protein-coupled receptor. Biochemistry 42,9110-9120.

116. Nissink, J.W., Murray, C., Hartshorn, M., Verdonk, M.L., Cole, J.C., Taylor, R. (2002). A new test set for validating predictions of protein-ligand interaction. Proteins 49,457-471.

117. Norberg,J., Nilsson, L. (2003). Advances in biomolecular simulations: methodology and recent applications. Q. Rev. Biophys. 36,257-306.

118. Nosjean, 0., Ferro, M., Coge, F., Beauverger, P., Henlin, J.M., Lefoulon, F., Fauchere, J.-L., Delagrange, P., Canet, E., Boutin, J.A. (2000). Identification of the melatonin-binding site MT3 as the quinone reductase 2./. Biol. Chem. 275,31311-31317.

119. Ohlson, T„ Wallner, В., Elofsson, A. (2004). Profile-profile methods provide improved fold-recognition: a study of different profile-profile alignment methods. Proteins 57,188-197.

120. Okada, Т., Sugihara, M„ Bondar, A.N., Elstner, M„ Entel, P., Buss, V. (2004). The retinal conformation and its environment in rhodopsin in light of a new 2.2 A crystal structure./. Mol. Biol. 342,571-583.

121. Palczewski, K. (2006). G-Protein-Coupled Receptor Rhodopsin. Annu. Rev. Biochem. 75, 743767.

122. Palczewski, K., Kumasaka,T., Hori, Т., Behnke, C.A., Motoshima, H., Fox, B.A., Le Trong, I., Teller, D.C., Okada, Т., Stenkamp, R.E., Yamamoto, M„ Miyano, M. (2000). Crystal Structure of Rhodopsin: A G-Protein-Coupled Receptor. Science 289,739-745.

123. Pappu, R.V., Marshall, G.R., Ponder, J.W. (1999). A Potential Smoothing Algorithm Accurately Predicts Transmembrane Helix Packing. Nat. Struct. Biol. 6, 50-55.

124. Pearson, W.R. (1990). Rapid and Sensitive Sequence Comparison with FASTP and FASTA. Methods Enzymol. 183,63-98.

125. Pierce, K.L., Premont, R.T., Lefkowitz, R.J. (2002). Seven-Transmembrane Receptors. Nat. Rev. Mol. Cell. Biol. 3,639-650.

126. Pilpel, Y., Ben-Tal, N., Lancet, D. (1999). kPROT: a knowledge-based scale for the propensity of residue orientation in transmembrane segments. Application to membrane protein structure prediction./. Mol Biol 294,921-935.

127. Pogozheva, I.D., Lomize, A.L., Mosberg, H.I. (1997). The Transmembrane 7-a-Bundle of Rho-dopsin: Distance Geometry Calculations with Hydrogen Bonding Constraints. Biophys.J. 72, 1963-1985.

128. Pogozheva, I.D., Przydzial, M.J., Mosberg, H.I. (2005). Homology modeling of opioid recep-tor-ligand complexes using experimental constraints. AAPSJ. 7, E434-E448.

129. Popot, J.L., Engelman, D.M. (1990). Membrane protein folding and oligomerization: the two-stage model. Biochemistry 29,4031-4037.

130. Pratt, L.R., Pohorille, A. (2002). Hydrophobic effects and modeling of biophysical aqueous solution interfaces. Chem Rev. 102,2671-2692.

131. Pyrkov, T.V., Kosinsky, Yu.A., Arseniev, A.S., Priestle, J.P., Jacoby,E„ Efremov, R.G. (2007). Complementarity of hydrophobic properties in ATP-protein binding: a new criterion to rank docking solutions. Proteins 66,388-398.

132. Read, R.J., Hart, T.N. (1992)! A multiple-start Monte Carlo docking method. Proteins 13, 206222.

133. Rees, D.C., DeAntonio, L., Eisenberg, D. (1989). Hydrophobic organization of membrane proteins. Science 245,510-513.

134. Reppert, S.M., Weaver, D.R., Ebisawa, T. (1994). Cloning and characterization of a mammalian melatonin receptor that mediates reproductive and circadian responses. Neuron 13, 1167-1176.

135. Rivara, S„ Lorenzi, S., Мог, M„ Plazzi, P.V., Spadoni, G., Bedini, A., Tarzia, G. (2005). Analysis of structure-activity relationships for MT2 selective antagonists by melatonin MTX and MT2 receptor models./. Med. Chem. 48,4049-4060.

136. Rohl, C.A., Strauss, C.E., Misura, K.M., Baker, D. (2004). Protein structure prediction using Rosetta. Methods Enzymol. 383,66-93.

137. Sal-Man, N., Gerber, D., Shai, Y. (2004). Hetero-assembly between all-L- and all-D-amino acid transmembrane domains: forces involved and implication for inactivation of membrane proteins./. Mol Biol 344,855-864.

138. Samatey, F.A., Xu, C., Popot, J.L. (1995). On the distribution of amino acid residues in transmembrane a-helix bundles. Proc. Natl Acad. Sci. U. S. A. 92,4577-4581.

139. Schertler, G.F., Hargrave, P.A. (1995). Projection structure of frog rhodopsin in two crystal forms. Proc. Natl Acad. Sci. U. S. A. 92,11578-11582.

140. Schneider, G., Fechner, U. (2005). Computer-Based De Novo Design of Drug-Like Molecules. Nat. Rev. Drug Disc. 4,640-663.

141. Schoneberg, Т., Schulza, A., Biebermannb, H., Hermsdorf, Т., Romplera, H., Sangkuhl, K. (2004). Mutant G-protein-Coupled Receptors as a Cause of Human Diseases. Pharmacol Ther. 104,173-206.

142. Shieh, Т., Han, M., Sakmar, T.P., Smith, S.O. (1997). The steric trigger in rhodopsin activation. /. Mol. Biol. 269,373-384.

143. Shoichet, B.K. (2004). Virtual Screening of Chemical Libraries. Nature 432,962-965.

144. Simonson, Т., Archontis, G., Karplus, M. (2002). Free energy simulations come of age: pro-tein-ligand recognition. Лее. Chem. Res. 35,430-437.

145. Sorgen, P.L., Hu, Y., Guan, L., Kaback, H.R., Girvin, M.E. (2002). An approach to membrane protein structure without crystals. Proc. Natl. Acad. Sci. U. S. A. 99,14037-14040.

146. Stevens, T.J., Arkin, l.T. (1999). Are membrane proteins "inside-out" proteins? Proteins 36, 135-143.

147. Stevens, T.J., Arkin, l.T. (2001). Substitution rates in a-helical transmembrane proteins. Protein Sci. 10,2507-2517.

148. Sugden, D., Chong, N.W., Lewis, D.F. (1995). Structural requirements at the melatonin receptor. Br. J. Pharmacol. 114,618-623.

149. Sugden, D., Pickering, H., Teh, M.T., Garratt, P.J. (1997). Melatonin receptor pharmacology: toward subtype specificity. Biol. Cell 89,531-537.

150. Takeda, S„ Kadowaki, S., Haga, Т., Takaesu, H., Mitaku, S. (2002). Identification of G-protein-coupled receptor genes from the human genome sequence. FEBS Lett. 520,97-101.

151. Tarzia, G., Diamantini, G., Мог, M., Spadoni, G. (2000). Design and synthesis of melatonin receptors agonists and antagonists. Farmaco 55,184-187.

152. Teller, D.C.,. Okada, Т., Behnke, C.A., Palczewski, K., Stenkamp, R.E. (2001). Advances in determination of a high-resolution three-dimensional structure of rhodopsin, a model of G-pro-tein-coupled receptors (GPCRs). Biochemistry 40,7761-7772.

153. Hisnady, G.E., Simon, I. (1998). Principles governing amino acid composition of integral membrane proteins: application to topology prediction./. Mol. Biol. 283,489-506.

154. Ubarretxena-Belandia, I., Engelman, D. M. (2001). Helical membrane proteins: diversity offunctions in the context of simple architecture. Curr. Opin. Struct. Biol. 11, 370-376.

155. Ulmschneider, M.B., Sansom, M.S., Di Nola, A. (2005). Properties of integral membrane protein structures: derivation of an implicit membrane potential. Proteins 59,252-265.

156. Ulmschneider, M.B., Sansom, M.S., Di Nola, A. (2006). Evaluating tilt angles of membrane-associated helices: comparison of computational and NMR techniques. BiophysJ. 90,16501660.

157. Vaidehi,T., Floriano,W.B., Trabanino,R., Hall,S.E., Freddolino,P., Choi,E.J., Zamanakos,G., Goddard III, W.A. (2002). Prediction of Structure and Function of G-Protein-Coupled Receptors. Proc. Natl. Acad. Sci. U. S. A. 99,12622-12627.

158. Vereshaga, Y.A., Volynsky, P.E., Nolde, D.E., Arseniev, A.S., Efremov, R.G. (2005). Helix interactions in membranes: lessons from unrestrained Monte Carlo simulations./. Chem. Theory & Comput. 1,1252-1264.

159. Wallin, E., Tsukihara, Т., Yoshikawa, S., von Heijne, G., Elofsson, A. (1997). Architecture of helix bundle membrane proteins: an analysis of cytochrome с oxidase from bovine mitochondria. Protein Sci. 6,808-815.

160. Wallin, E., von Heijne, G. (1998). Genome-wide analysis of integral membrane proteins from eubacterial, archaean, and eukaryotic organisms. Protein Sci. 7,1029-1038.

161. Wimley, W. C., White, S. H. (1996). Experimentally determined hydrophobicity scale for proteins at membrane interfaces. Nat. Struct. Biol. 10,842-848.

162. Yarov-Yarovoy, V., Schonbrun, J„ Baker, D. (2006). Multipass Membrane Protein Structure Prediction Using Rosetta. Proteins 62,1010-1025.

163. Zhang, Y„ Devries, M.E., Skolnick, J. (2006). Structure modeling of all identified G-protein-coupled receptors in the human genome. PLoS Comput. Biol. 2, el3.

164. Zhang, Y., Skolnick, J. (2004). Automated structure prediction of weakly homologous proteins on a genomic scale. Proc. Natl. Acad. Sci. U. S. A. 101,7594-7599.

165. Zhdanov, V.P., Kasemo, B. (2001). Folding of bundles of a-helices in solution, membranes, and adsorbed overlayers. Proteins 42,481-494.

166. ZIotos, D.P. (2005). Recent advances in melatonin receptor ligands. Arch. Pharm. (Weinheim) 338,229-247.

167. Публикации по теме диссертации (научные статьи)

168. Efremov, R.G., Chugunov, A.O., Pyrkov, T.V., Priestle, J.P., Arseniev, A.S., Jacoby, E. (2007). Molecular lipophilicity in protein modeling and drug design. Curr. Med. Chem. 14(4), 393-415.

169. Чугунов A.O., Новоселецкий B.E, Арсеньев A.C., Ефремов Р.Г. (2007). Интегральные мембранные белки: подход к созданию реалистичных моделей in silico. Критические технологии. Мембраны. — принято в печать.

170. Chugunov, А.О., Farce, A., Chavatte, P., Efremov, R.G. (2006). Differences in binding sites of two melatonin receptors help to explain their selectivity to some melatonin analogs: a molecular modeling study./ Biomol. Struct. Dyn. 24,91-108.

171. Я бесконечно признателен своей семье и близким за понимание, поддержку и заботу. Без их помощи эта работа была бы невозможна.