Help Cure Muscular Dystrophy, Phase 2, Помоги вылечить мускульную дистрофию, 2 фаза Налаштування

[Rilian]

Помоги вылечить мускульную дистрофию, 2 фаза / Help Cure Muscular Dystrophy, Phase 2

Как присоединиться читайте в главном топике World Community Grid

• статья у нас на сайте (нет)
• ОЧЕНЬ подробная статья на английском
• Статистика по команде "Ukraine"
• Топ-50 участников команды
• Общая статистика проекта
• обзор проекта на английском
• Статистика % выполнения 2 фазы проекта
• Статистика % выполнения 2 фазы проекта в виде графика
• Официальный форум

Введение
В 1986 году был идентифицирован первый ген (dystrophin gene), вовлеченный в дистрофию Дюшена, самую общую форму мышечной дистрофии. Благодаря генетическим исследованиям сегодня известно более 200 генов, вызывающих нервно-мышечные болезни. Однако, до сих пор знания о функциях и взаимодействии между собой белков, закодированных этими генами, остаются крайне незначительными. Раскрытие механизмов возникновения и развития нервно-мышечных заболеваний (патогенез), учитывая большое количество вовлеченных в него генов и кодируемых ими белков, становится все более сложной задачей по мере увеличения наших знаний в этой области.

Все клетки содержат одинаковую генетическую информацию в виде ДНК, которая в целом образует геном организма. Процесс экспрессии генов (у человека найдено более 20 тысяч генов), содержащихся в геноме, приводит к образованию белков (более 45 тысяч, т.е. в среднем один ген кодирует 1,6 белков), без которых невозможно функционирование клеток, в том числе специфических, например, мышечных. Некоторые их этих белков являются ферментами, другие - сигнальными молекулами, а могут быть и рецепторами, специфически связывающиеся с другими молекулами (лигандами); а также - структурными белками. Конформация (геометрическая форма, которую принимает органическая молекула) белка в пространстве (3D-структура) определяет его природные функции.

Функционирование мышц зависит от многих белков. Эти белки локализованы и работают на различных уровнях - в оболочке клетки, ее протопласте (внутреннем содержимом) или в аксоне двигательного нерва, который соединяет нерв с мышечной тканью и передает команды нервной системы.

Большинство нервно-мышечных болезней возникает под действием генетических изменений (мутации в определенных генах вызывают изменения в трехмерной структуре кодируемого ими белка), приводящих к утрате белками полностью или частично их первоначальных функций или к прекращению синтезирования белка как такового. Нервно-мышечные заболевания можно классифицировать по белкам или участкам белков, видоизменившихся под действием мутации генов.

Поэтому, чтобы разобраться в природе того или иного нервно-мышечного заболевания, исследователи стремятся связать их с нарушением функциональности определенных белков. Необходимо более точное понимание взаимодействий и функций белков, вовлеченных в патогенез той или иной мышечной дистрофии.

Невозможно переоценить значимость данной информации в разработке терапевтических процедур и инновационных методов лечения большого количества нервно-мышечных заболеваний.

Цель проекта
В Help Cure Muscular Dystrophy прибегают к помощи World Community Grid в определении белок-белковых взаимодействий более 2 200 безызбыточных белков с известной структурой, информация о которых содержится в Белковом Банке данных (www.rcsb.org/pdb). Исследоваться будут также белки, которые синтезируются в результате экспрессии мутировавших генов.

Целью проекта является создание новой базы данных с информацией о функционально взаимодействующих белках. Дальнейшие исследования будут связаны с изучением участков белков, вовлеченных во взаимодействия лигандов (например, лекарств) с ДНК. Эта тема представляет значительный медицинский интерес, хотя сейчас упор делается на проектировании малых молекул (лигандов), которые нарушают (ингибируют) или улучшают работу определенных белков, намного сложнее определить, как та же самая малая молекула может прямо или косвенно влиять на другие взаимодействия белков.

Исследовательский подход
В этом проекте используется подход, в котором скомбинирована информация об эволюции (как развитие изменило белки и определило их функции) и молекулярное моделирование (вычислительное определение относительного положения двух взаимодействующих белковых партнеров), чтобы идентифицировать потенциальные взаимодействия.

Молекулярное моделирование объединяет теоретические методы и вычислительные способы для моделирования поведения биологических молекул. Эти методы и способы применяются для исследования структуры биологических систем, таких как свернувшиеся белки, или при идентификации белков-лигандов, связывающихся с небольшими химическими системами, крупными биомолекулами и белковыми комплексами.

Докинг (стыковка) белок-лиганд - молекулярная техника моделирования, которая прогнозирует положение и ориентацию (трехмерную структуру) белка относительно лиганда (который может быть другим белком, ДНК или лекарственным средством). Методы молекулярного докинга основаны исключительно на физических принципах — даже белки с неизвестными или слабо изученными функциями могут быть исследованы на предмет стыковки с различными лигандами. Единственным обязательным условием является знание трехмерной структуры белков, полученное теоретическими методами или в ходе экспериментального исследования.

При использовании молекулярного докинга производится перебор известных молекул из баз данных с целью поиска вариантов, обнаруживающих сродство, т.е. хорошо связывающихся друг с другом. Степень сродства определяется с помощью оценочной функции по геометрическим и химическим параметрам полученного соединения. Геометрия оценивается по тому, насколько хорошо сочетаются трехмерные структуры белка и лиганда (должны быть подогнаны как рука под перчатку). С химической точки зрения оценивается сила межатомных взаимодействий между белком и лигандом.

Для таких сложных структур как белки (наименьшие из которых содержат сотни атомов) исследования белок-белковых взаимодействий могут потребовать значительных вычислительных ресурсов. Без World Community Grid вычисления, необходимые для моделирования молекулярного докинга, были бы слишком трудоёмкими. Для первых 168 белков, изучавшихся еще в первой фазе проекта, привлеченное с помощью WCG процессорное время составило 8 000 лет. Во второй фазе проекта, где будут исследоваться уже 2 246 белков, предполагаемое время расчетов достигнет 91 680 лет.

Преодолеть этот вычислительный барьер поможет информация об эволюции белков, позволяющая предсказывать взаимодействующие участки белков. Этот предварительный анализ уменьшает предполагаемое время вычислений в 100 раз, тем самым увеличивая количество исследуемых белков. Тем не менее, без помощи World Community Grid запланированные вычисления окажутся невыполнимыми.

Добровольцы, жертвующие свободные вычислительные ресурсы World Community Grid, высвободят мощности для других исследований, проводимых AFM, CNRS, INSERM и пр. научными игроками, направленных на развитие научных инструментов, которые увеличивают наши знания о природе и методах лечения редких заболеваний.

Исследователи
Вычислительная биология:
* Dr. Alessandra Carbone, Analytical Genomics, FRE3214 CNRS-UPMC, Universitй Pierre et Marie Curie, Paris.
* Yann Ponty, Department of Computer Science, Universitй Pierre et Marie Curie, Paris.

ГРИД-технологии:
* Jean-Marie Chesneaux team, Computer Science Laboratory of Paris 6 (LIP6), CNRS Laboratory UMR 7606, Universitй Pierre et Marie Curie, Paris.

Миопатия (заболевание мышц):
* Pascale Guicheney team, INSERM Laboratory U582, Myology Institut, "Pitiй-Salpetriиre" Hospital, Paris.

Молекулярное моделирование:
* Richard Lavery, Institut de Biologie et Chimie des Protйines, CNRS UMR 5086, Universitй de Lyon.
* Sophie Sacquin-Mora, Laboratory of theoretical biochemistry, CNRS Laboratory UPR9080, "Institut de Biologie Physico-Chimique", Paris.

Вопросы и ответы по проекту:

(Show/Hide)

What is the Decrypthon Program?

The Decrypthon Program is a collaboration launched by AFM (French Muscular Dystrophy Association), CNRS (French National Center for Scientific Research) and IBM in May 2004 (www.decrypthon.fr). This partnership is a technical platform for grid computing which includes technical, financial, and human resources in which RENATER (French National Communication for Research and Network), Universities, and individual Internet users participate.

The goal of this program is to provide to research groups very high capacity of grid computing resources and technical facilities for shared calculation, in order to facilitate and accelerate the development of research programmes in the field of biology, and in particular in the context of neuromuscular disorders. This program also includes technical support from IBM and CNRS for selected groups for the validation, porting, and gridification of their project, and financial support from AFM to support the project.

What are protein functions?

Proteins are the basis of how biology gets things done:

* They are the biological elements that catalyze all of the biochemical reactions which make cells work (i.e. the enzymes).
* They are the main structural elements that constitute our bones, muscles, blood vessels, etc.

Since proteins play such fundamental roles in biology, scientists have sequenced the human genome, which is a "blueprint" for these proteins. It contains the DNA code which specifies the sequence of the amino acids, i.e. the elementary bricks that constitute the protein.

The challenge of modern biology is to understand what these proteins do and how they work in cells.

What is a protein structure?

Proteins are large molecules made of long chains of basic units: the amino acids. Proteins do not remain as simple amino acids chains, but fold into a more compact and specific shape (3D-structure) that specifies the protein function within the body.

Indeed, the knowledge of the amino acid sequence tells us little about what the protein does and how it does it. In order to perform its function, it must take on a particular shape, also known as a "fold." Thus, to do their work proteins assemble themselves. This self-assembly is called "folding." The process of protein folding, while critical and fundamental to virtually all of biology, in many ways remains a mystery.

The number of shapes that proteins can fold into is enormous in theory, but only one structure corresponds to the proper protein fold found in the human body. Human cells have developed mechanisms to help proteins to fold properly to carry out specific functions within the human body.

Moreover, when proteins do not fold correctly (i.e. "misfold"), they can lead to serious consequences, including many well known diseases such as Alzheimer's, Huntington's, Parkinson's disease, many cancers syndromes, etc.

Information obtained on the structure of those complexes is important not only for identifying functionally important partners, but also for determining how such interactions will be perturbed by natural or engineered site mutations in either of the interacting partners, or as the result of drugs.

What is molecular modeling?

Molecular modeling refers to theoretical methods and computational techniques to model or mimic the behavior of molecules. Molecular modeling methods are used to investigate the structure of biological systems such as protein folding or molecular recognition of protein- ligand binding, ranging from small chemical systems to large biological molecules and material assemblies (protein complexes).

The common feature of molecular modeling techniques is the atomistic level description of the molecular systems; the lowest level of information is individual atoms (or a small group of atoms).

The interactions between neighboring atoms (atoms are the smallest units that form the matter) can be drawn by spring-like interactions (representing chemical bonds). A complex mathematical model which takes into account the sum of potential energies (forces) describes these atomic interactions.

Indeed, for complex structures like proteins (composed of hundred of atoms for the smallest), it takes CPU time to model their 3D-structure.

What is protein-ligand docking?

For most of the proteins known to date, their biological role is incompletely understood. Even proteins which participate in a well-understood biological process may have interaction partners or functions which are unrelated to that process.

Moreover, vast numbers of "hypothetical" proteins have been discovered during the human genome sequence program, for which there is no information at all, apart from their amino acid sequence.

Indeed, for any protein, scientists attempt to answer the questions: does the protein bind in vivo? If it does, what is the 3D-structure of the complex and how strong/weak are the protein-ligand interactions?

Protein-ligand docking is a molecular modeling technique to predict the position and orientation (the 3D-structure) of a protein in relation to a ligand (another protein, DNA, drug, etc.).

Docking methods are based on purely physical principles; even proteins of unknown function (or which have been studied relatively little) may be docked. The only prerequisite is that their 3D-structure has been either determined experimentally, or can be estimated by some theoretical technique.

Docking techniques could be used for a variety of purposes, most notably in the virtual screening of large databases of available chemicals in order to select drug candidates.

Screen saver/Graphics: When I look at the screen saver image, what is my computer working on?

Your computer is working on a specific protein-protein interactions from the many proteins whose structures are known, with particular focus on those proteins that play a role in neuromuscular diseases. The database of information produced will help researchers design molecules to inhibit or enhance binding of particular macromolecules, hopefully leading to better treatments for muscular dystrophy and other neuromuscular diseases.

Screen saver/Graphics: Why are there two color molecules?

This is to represent the two different proteins that are being calculated for interactions. The positions they are in represent how they are being calculated against each other throughout the work unit.

Screen saver/Graphics: What does the Progress Bar represent?

The Progress Bar represents your computers progress on the specific work unit running on your computer.

Screen saver/Graphics: What do the Erelec and Etmin mean in the circle at the upper left of the graphics window?

The aim of the docking process is to find the best way to associate 2 proteins in order to form a protein-protein complex (and see whether these two proteins are likely to interact, should they ever meet in the "real world", i.e. in a biological system). The quality of the protein-protein interaction can be evaluated via an interaction energy Etmin (expressed in kcal/mol). Erelec is the electrostatic contribution of the interaction energy, which depends on the electric charges that are located all over the protein. The more negative the Etmin is, the stronger the protein-protein interaction.

Please see the following reference for more details on how the interaction energy between two protein is calculated : M. Zacharias, Protein-protein docking with a reduced protein model accounting for side-chain flexibility, Protein Science 12,1271 (2003) http://protsci.highwire.org/cgi/content/abstract/12/6/1271

Screen saver/Graphics: What do the two names in the bottom left circle represent?

These are the names of the two molecules that are rotating in the large circle on the screen saver. These two molecules are what your machine is currently calculating.

Screen saver/Graphics: What is UPMC?

UPMC stands for University Pierre et Marie Curie (http://www.upmc.fr). For more information about how UPMC is involved in this project, please click here.

Screen saver/Graphics: What does the number 2 behind the name Help Cure Muscular Dystrophy represent?

This indicates that we are currently running Phase 2 of he Help Cure Muscular Dystrophy project. For information about Phase 2, please click here.

Screen saver/Graphics: Who are the people pictured in the slideshow image in the World Community Grid client when Help Cure Muscular Dystrophy - Phase 2 is running?

From left to right:

* Yann Ponty - Postdoc at Laboratoire d'Informatique de Paris 6, CNRS-UPMC, Postdoc AFM/CNRS in 2008, Analysis of data from phase 1, interface between JET and MAXDo and criteria for protein partnership prediction
* Dr. Alessandra Carbone, Analytical Genomics, FRE3214 CNRS-UPMC, Universitй Pierre et Marie Curie, Paris
* Stefan Engelen - IR Genoscope, Evry, Postdoc AFM in 2006-2008, Prediction of protein binding sites and development of JET
* Sophie Sacquin-Mora, Laboratory of theoretical biochemistry, CNRS Laboratory UPR9080, "Institut de Biologie Physico-Chimique", Paris

Скриншот графического клиента

График производительности проекта:




Це повідомлення відредагував Rilian: Dec 11 2010, 14:10

[Rilian]

July 31, 2010

Hi to all! Thought to try to explain what we are doing right now before you take some vacation, like the scientists here. Hope it will help to feel that things are improving and that the project is very active from this side!! Actually, someone new will join the group on september, Anne Lopes. Anne is assistant professor in structural bioinformatics and has a background in physical-chemistry. She is very interested in working on the protein partnership problem with the numerical approach we developed and on the data analysis of the huge amount of information you are producing!

The state of the art here is the following.

In the paper [S. Sacquin-Mora, A. Carbone and R. Lavery (2008), Identification of protein interaction partners and protein-protein interaction sites, J. Mol. Biol. 382, p1276-1289] we developed a numerical method to detect protein partners. The method was presented and tested on a small quantity of known protein complexes. As you can imagine, as soon as the data from HCMD Phase 1 arrived (THANKS TO YOUR CONTRIBUTION!!) we retested the approach to verify whether we could confirm the results on a larger dataset. This is indeed the case, the method works, and we can distinguish protein partners within the about 150 proteins tested. We observed that the signal is much less sharp when we work with 150 proteins than with 12 proteins (like in the paper) though and that some extra work should be done to improve the numerical method. Remember that for HCMD Phase 2 we shall search for partners among about 2200 proteins.

At the moment, we have improved the formula introduced in the paper and we are developing an "intelligent" approach to arrive fast and surely to identify a small number of potential partners for any protein.

Let me give you an insight on the complexity underlying the problem. It has something to do with the understanding of protein population. This is an important point to assimilate, if you like to understand a bit more of our analysis. When we consider a protein, we do not just study one protein (that is, its geometry and its physico-chemical properties: this is already taken into account in the docking algorithm running on your computers and into JET, the program that allowed us to predict protein binding sites) but we rather study its behaviour with the population of proteins that are around it (in the cell; for the HCMD phase 2, population means the 2200 proteins analyzed in your computers). In other words, when we look at a protein we hope to get a signal on its partnership by looking at her way to interact with all other proteins in the population. This means that we hope to learn from bad interactions as well as from good interactions. The information that YOU are giving us provides to us some insight on what is bad and what is good! but this is not enough and we shall use also some extra observation on the interaction of the protein within a population.

Some proteins are slippery, meaning that they do not seem to glue to any partner. Some others are gluing, meaning that they do glue to essentially everybody. Then there are many other proteins (about a half) that seem to stick on the right place with some specificity. They are the easiest to study. When we use, in our calculations, contributions coming from the entire population, one should think that these contributions come, in principle, from slippery proteins, gluing proteins and many other proteins whose behaviour is less sharply characterizable. "Noise" might enter into the calculation and we wish to reduce it. Learning from the whole set of interactions of a protein, means to learn to which group the protein belongs to. Once this is determined, the numerical criteria that we developed could be adjusted to accurately predict a partner or a small set of potential partners, whenever possible. The understanding of the whole set of behaviours that we need to take into account to know how to correctly evaluate the data coming from WCG is our goal today.

There are a few other concerns that are present in our analysis, and they have something to do with :

1. the algorithmic aspects concerning the handling of large amount of information to be combined for the "learning" approach I mentioned above.

2. the fact that on HCMD phase 2 data analysis, we use JET predictions of protein interaction in our numerical criteria instead of actual real interfaces as done in the paper cited above. This implies a loss of precision that we should consider in our numerical evaluations of the interactions.

These informations should give you some insight on the complexity of the question we face today. Hope that everyone will be feeling that we are advancing, together, for a project that runs alive and hopefully will reserve exciting surprises to all. We expect it.

Have a good summer! Alessandra