| 查看: 27 | 回复: 0 | |||
[交流]
使用MolAICal进行多肽虚拟筛选教程-同样适用于蛋白质和核酸的虚拟筛选
|
|
MolAICal官方地址： https://molaical.github.io/ 或 https://molaical.gitlab.io/ 更详细的教程见：https://molaical.gitlab.io/cntutorial.html 或 https://molaical.github.io/tutorial.html 本教程也适用于蛋白-蛋白，蛋白-核酸等虚拟筛选，MolAICal还提供了一种更快速并可以兼容非氨基酸残基类型的多肽筛选方式： https://molaical.gitlab.io/cntutorial.html 中的: 30. 使用MolAICal在受体口袋中进行多肽虚拟筛选 多肽生成的教程，见 https://molaical.gitlab.io/cntutorial.html 中的: 28. 使用MolAICal生成多肽的教程 本教程没有包含附录，更详细教程请见：https://molaical.gitlab.io/cntutorial.html 中的: 29. 使用MolAICal与LightDock进行多肽虚拟筛选教程-同样适用于蛋白质和核酸的虚拟筛选 ________________________________________ 1. 引言 MolAICal 可以使用开源的 LightDock 软件（https://lightdock.org）并通过 MM/GBSA 或 MM/PBSA 方法进一步提升生物大分子对接的准确性。LightDock 是一个开源（GPL-3.0 许可）的对接框架，适用于 蛋白质-蛋白质、蛋白质-肽段、蛋白质-RNA 和 蛋白质-DNA 复合物的对接。它特别擅长处理柔性及具有挑战性的情况（例如瞬时相互作用、低亲和力复合物，或需要主链/侧链灵活性的体系），并且作为一个可扩展平台，支持测试新型打分函数、约束条件或优化策略。LightDock 采用 萤火虫群优化算法（Glowworm Swarm Optimization, GSO）——一种最初为多峰函数优化设计的仿生群体智能方法。 本教程以 胰高血糖素样肽-1 受体（GLP-1R） 与 艾塞那肽-4（exendin-4，首个 FDA 批准的 GLP-1R 激动剂）为例进行演示（PDB ID: 7LLL.pdb）。 注意：本教程仅适用于 Linux 操作系统！ 本教程展示了一种通过 MolAICal 与 LightDock 平台集成 实现肽段虚拟筛选的计算流程。MolAICal 能够高效生成并预测多种肽段候选结构的 3D 构象，包括线性和环状变体以及不同二级结构；而 LightDock 则采用先进的群体优化算法，实现高精度的蛋白质-肽段对接模拟。该联合方法使研究人员能够对成千上万种肽段变体进行靶向筛选，基于结合能和相互作用模式识别出有潜力的结合体。通过多尺度建模方法和并行计算能力，该流程显著加速了治疗性肽段、蛋白质抑制剂和核酸结合物的发现过程（只需将肽段替换为蛋白质或核酸即可）。 更多细节请参阅 蛋白质-DNA 和 蛋白质-RNA 对接教程，以及 MolAICal 用户手册。 ________________________________________ 2. 材料 2.1 软件要求 1. MolAICal：https://molaical.github.io 2. NAMD（CPU 版本）：https://www.ks.uiuc.edu/Research/namd/ 注意：本教程可使用 NAMD 2.x、3.x 或更高版本。例如，若您使用 NAMD 3.x 版本，则将教程中的命令 “namd2” 替换为 “namd3”。更高版本的 NAMD 亦可采用类似方式替换。 3. PyMol：https://github.com/cgohlke/pymol-open-source-wheels, https://github.com/maabuu/pymol-wheels , https://pypi.org/project/pymol-open-source-whl/ , https://github.com/cnpem/PyMOL4Win 4. VMD：https://www.ks.uiuc.edu/Research/vmd 2.2 示例文件 1. 所有必需的教程文件可从以下地址下载： https://gitee.com/molaical/tutorials/tree/master/028-peptide_vs_lm ________________________________________ 3. 操作流程 3.1 分子准备 为了解决Linux中的库依赖问题，Linux版本的MolAICal (Windows 版本的MolAICal没有采用容器)采用了基于容器的方法。如果需要调用外部程序，建议在MolAICal容器内安装这些程序。如果不需要外部程序，可以忽略此步骤。本教程需要外部程序NAMD和VMD，具体步骤如下： 1. 首先，将文件复制到 MolAICal 容器中 2. 其次，进入 MolAICal 容器的虚拟环境 注：molaical 是容器名称。 3. 在 MolAICal 容器虚拟环境中安装软件的方式与在本地主机上安装相同。以下以安装 VMD 和 NAMD 为例： 1) 安装 NAMD： 解压 NAMD 文件（假设解压后的文件夹名为 namdcpu），然后使用以下命令将其路径告知 MolAICal： 注：请将上述 VMD 和 NAMD 的路径替换为您系统中的实际路径。-n 后面的 "VMD" 和 "NAMD"（大小写不敏感）是固定的标识符。为确保 MM/GBSA 结果的可重复性，建议使用 NAMD 的 CPU 版本，因为 CUDA 版本中的 seed 参数似乎对结果可重复性无效。 2) 安装 VMD： 按以下步骤操作： 解压 VMD 文件： 注：请将上述路径替换为您系统中的实际路径。 修改 VMD 解压目录中名为 configure 的文件中的安装路径： 安装 VMD： 注：请运行 ./configure 并根据所用计算机选择正确的类型，此处为 "LINUXAMD64"。 然后使用以下命令将 VMD 路径告知 MolAICal： 至此，NAMD 和 VMD 在 MolAICal 容器内的安装与配置已完成。为防止MolAICal出现问题时丢失已安装的程序（例如VMD和NAMD），请参阅附录2中的第3步。 进入教程材料文件夹 “028-peptide_vs_lm”： 将看到以下文件列表： 7LLL.pdb：来自 https://www.rcsb.org 的复合物结构文件（PDB 格式） dock_u.sh：对接单元脚本（适用于本教程类似的膜蛋白受体） dock_u_nomem.sh：对接单元脚本（适用于非膜蛋白受体） dock_u_cyc.sh：环肽与膜蛋白的对接单元脚本 dock_u_cyc_nomem.sh：环肽与非膜蛋白的对接单元脚本 mempro.pdb：本受体对应的膜蛋白受体（制备方法见附录 1或 MolAICal 蛋白质-肽段对接教程） new.pdb：受体构建过程中的临时文件 P_peptide.pdb：从 “7LLL.pdb” 中提取的肽段配体（制备方法见附录 1或 MolAICal 蛋白质-肽段对接教程） restraints.list：指定活性位点的文件，可减少构象搜索的对接时间（制备方法见附录 1） R_protein.pdb：从 “7LLL.pdb” 中提取的受体文件（制备方法见附录 1） R_P_complex.pdb：包含肽段配体和受体的复合物文件（制备方法见附录 1） 选项：LightDock中的DFIRE评分函数需要标准氨基酸残基及其原子名称，因此在使用DFIRE评分函数进行对接前，必须检查并修复受体或配体。修复命令如下： 此处该PDB文件正常，无需通过上述选项处理。 ________________________________________ 3.2 肽段生成 LightDock的功能实现依赖于打分函数所支持的氨基酸类型。例如：DFIRE仅支持标准氨基酸及残基名称为"MMB"的氨基酸；此时必须使用"-nc"参数以避免在生成肽段的N端和C端添加封端基团，因为DFIRE无法识别这些修饰结构。 1) 使用 MolAICal 生成线性肽段 参数说明： -call：与外部程序或命令交互。值为 ‘set’（设置环境）或 ‘run’（运行程序） -i：调用外部程序，其后跟随该程序的所有命令行参数 -c（在 -i 之前）：若值为 “pepgen”，则生成肽段 -l：肽段中氨基酸残基数 -n：生成的唯一序列数量 -3d：使用 pyPept 生成 3D 结构 -nc：不为序列添加乙酰基（ac）/酰胺基（am）封端 -o：生成序列的输出文件 -dir：3D 结构的输出目录 更多细节请参阅 MolAICal 手册。 生成的 3D 肽段位于 “linear” 文件夹中，可用于后续虚拟筛选。 2) 使用 MolAICal 生成带有固定残基的线性肽段（用于肽段修饰） 新增参数说明： -dir：3D 结构输出目录 -rc：使用 RDKit 生成的随机构象数量（默认：1） -d：从种子序列扩展的方向（[forward, backward, both, none]） -s：起始序列（可选） -fix：生成过程中保持固定的残基位置（1 起始索引） 3) 使用 MolAICal 生成环状肽段 MolAICal 还支持生成含二硫键等修饰的肽段（详见 MolAICal 手册）。 新增参数说明： -cc：生成环状肽段（仅支持 BILN/HELM 格式） -c（在 -i 之后）：用于并行处理的 CPU 核心数 在 “linear”、“mpep” 和 “cyclic” 目录中分别包含了三类肽段，适用于不同目的。由于肽段虚拟筛选计算耗时，本教程仅提取少量肽段用于演示。用户可根据自身计算资源生成足量肽段用于研究。 ________________________________________ 3.3 肽段虚拟筛选 MolAICal 的虚拟筛选方法包括：创建一个 对接单元（Docking Unit）脚本文件，其中包含多个任务；每个单元对接一个分子（见图 1）。在此基础上，通过 多核并行处理 可同时筛选多个分子，实现虚拟筛选。  图 1：对接单元示意图 “linear” 和 “mpep” 文件夹中的肽段可使用相同流程筛选。对于 “cyclic” 文件夹中的环状肽段，需进行小幅修改：在 MM/GB/PB/SA 步骤中，末端残基必须使用 ‘LINK’ 进行打补丁。该方法也适用于肽段中二硫键等残基修饰。 1) 对 “linear” 和 “mpep” 文件夹中的线性肽段进行筛选： 参数说明： '-call'：与外部程序交互（‘set’/‘run’） '::= '：用于按指定顺序为参数赋值，后面的变量必须紧跟"::="，不能有空格。 '-c'：若值为 “sfile”，则运行 MolAICal 脚本 '1::= '：待筛选分子（如肽段）的工作目录（默认：‘linear’） '2::= '：受体文件（默认：‘mempro.pdb’） '3::= '：第一个分子（即受体）的链名（默认：‘R’） '4::= '：第二个分子（即配体）的链名（默认：‘Z’） '5::= '：每个子任务（即每次对接）使用的 CPU 核心数（默认：2） '6::= '：虚拟筛选任务使用的CPU核心总数。默认值为1。此参数决定启动的并行管道数量，多个并行管道会显著增加内存消耗。建议保持默认值1，即仅激活一个管道。除非可用内存资源非常充足，方可考虑增加并行管道数量。 若要进一步提升计算效率，可增加单个管道内子任务的并行核心数，例如通过"5::=8"格式配置（表示该子任务使用8个核心）。 '8::= '：调试模式（0 或 1）。1 表示测试任务以检查错误；0 表示直接运行（默认：0） '9::= '：MolAICal 脚本格式的对接脚本文件（默认：‘dock_unit.sh’） '11::= '：结果输出目录（默认：‘dresults’） 更多细节请参阅 MolAICal 手册。 2) 对 “cyclic” 文件夹中的环状肽段进行筛选： ________________________________________ 3.4 结果排序 此处以 “cyc_result” 文件夹中的结果为例进行说明，用户可参考此案例用于自身研究。 1) 仅处理自定义百分比（此处为 20%）的筛选候选分子： 或 2) 仅处理 MMGBPBSA，并自定义结果输出目录： 或 3) 同时处理筛选与 MMGBPBSA，使用默认设置并获取前 20% 的结果： 参数说明： -m {both,filtered,mmgbpbsa}: 处理模式（默认：both） -p: 提取顶部分子的百分比（默认：5.0） -fo: 筛选结果输出目录（默认：vs_filtered_results） -mo: MMGBPBSA结果输出目录（默认：vs_mmgbpbsa_results） "cyc_result"是包含用于虚拟筛选的候选肽段分子的输入目录。 更多帮助信息，请查阅MolAICal用户手册 任务续跑：如果任务被中断，请运行以下命令进行恢复： '7::=': 检查对接任务是否完成。其值为 0 或 1。若值为 1，将检查 MM/GB/PB/SA 步骤的结果；若值为 0，则检查第一步虚拟筛选步骤的结果。默认值为 1。 '12::=': 为对接脚本文件 '9::=' 提供更多选项。默认值为空字符串，用 "" 表示。若此输入包含多个参数，请使用逗号字符 ',' 分隔。MolAICal 会自动将每个逗号 ',' 转换为空格 " "。它有一些特殊值： 若为 "createdir"，则仅创建虚拟筛选的文件夹； 若为 "startvs"，则仅运行虚拟筛选任务； 若为 "continuevs"，则会处理剩余的未完成虚拟筛选任务； 若为 "sn_{num}"，则会设置 ${num} 个并行管道，这对应于 '6::=' 的设置； 否则，运行所有任务。 在指定文件夹 ${work_dir}（例如 "linear" 文件夹）中完成虚拟筛选的 PDB 文件，将被移动到目录 ${work_dir}_complete_folder 中。然后，直接运行之前的虚拟筛选程序将从 ${work_dir} 文件夹恢复任务，从而有效实现任务续跑。 ________________________________________ 参考文献 1. Jiménez-García, B.; Roel-Touris, J.; Romero-Durana, M.; Vidal, M.; Jiménez-González, D.; Fernández-Recio, J., LightDock: a new multi-scale approach to protein-protein docking. Bioinformatics 2018, 34 (1), 49–55. 2. Krishnanand, K. N.; Ghose, D., Glowworm swarm optimization for simultaneous capture of multiple local optima of multimodal functions. Swarm Intelligence 2009, 3 (2), 87–124. ________________________________________ |
回复此楼» 猜你喜欢
救命帖
已经有5人回复
-
限项规定
已经有5人回复
-
为什么nbs上溴 没有产物点出现呢
已经有9人回复
-
招博士
已经有3人回复
-
存款400万可以在学校里躺平吗
已经有35人回复
-
最失望的一年
已经有18人回复
-
求推荐博导
已经有4人回复
-
求推荐英文EI期刊
已经有5人回复
-
疑惑？
已经有5人回复
» 本主题相关商家推荐: (我也要在这里推广)
