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]

UPDATES for the project

December 21, 2011

Hi to all, with Sophie and Richard we have written up an account of the docking analysis of the 168 protein complexes of the Mintseris dataset tested in phase 1. The paper is under review right now and will give you the link as soon as it is published.

The analysis of the dataset of 168 protein complexes is not finished yet! In fact, we try to improve the signals for the detection of partnership. There are two main points that one needs to keep in mind. In phase 2 we do not know the real partners and we had to use predictions of interaction sites to run MaXDO. This was because the search space on a protein surface could not be exhaustively explored, even with the help of WCG. it would be far too big! This means that we need to understant on a pool of proteins that we know (that is the 168 protein complexes) how the predictions of protein interaction sites will impact partners predictions. This is what we carefully investigate right now. It takes time! There are a number of intermediate results that you might like to know about:

1. the analysis realized in [Sacquin-Mora et al. 2008] on 12 complexes, has been scaled to 168 complexes, and it highlighted a predictive protein-protein interaction power of AUC=0.84 (see Figure A below) when using knowledge on real interaction surfaces and when exploring the whole protein surface. It is important to stress that this successful scaling of the analysis in [Sacquin-Mora et al. 2008] to 168 proteins was not an obvious guess! Why successful? The AUC is a probability measure used to evaluate the accuracy of the test. Values vary from 0 to 1, where 1 represents a perfect test and 0.5 represents a worthless test. Roughly speaking, one can think of the following ranking:
.90-1 = excellent, .80-.90 = good, .70-.80 = fair, .60-.70 = poor, .50-.60 = fail.

2. We also observed that amongst the 168 protein complexes several had the tendency to bind to nearly all other proteins and others showed very few strong interactions. Both these families of proteins negatively contribute to partnership prediction, and, when eliminated, enable the predictive power to be increased to an AUC=0.98 (see Figure B).

3. When experimental information on interaction surfaces is replaced with data from JET [Engelen 2009] (the tool for conservation analysis developed within our consortium) the predictive power only decreases slightly, with an AUC=0.82. This suggests that coupling protein interface predictions with docking is a very promising approach.

4. Nevertheless improvements are still required, since when JET predictions are used to delimit the docking area, as well as to compute the numerical index that discriminates partners, the predictive power falls at an AUC=0.59. This implies that better interaction patch detection has to be developed. However, we note that a subgroup of 20 complexes was identified where JET predictions already yielded very good predictions (AUC=0.97; Figure C below), suggesting that generating subgroups by categorizing protein interaction proclivities could improve performance.

5. Lastly, we systematically analyzed complexes in terms of the functional classes of the interacting proteins. The complexes could be grouped into: Enzyme-Inhibitors (46 proteins), Antigen-Antibody (20), Antigen-Antibody Bound (24), Others (78), and also as, Rigid Body (126), Medium (26) and Difficult (16). Interactions within certain classes, such as Enzyme-Inhibitors, were clearly easier to predict suggesting that such classifications should be considered in partnership prediction.

Figure. Matrices of pairwise interaction indexes for different subsets of proteins. High interaction scores (between 0.7 and 1, blue and black in the color scale) indicate a high probability of interaction. Proteins are ordered in the matrix such that true interacting partners lie on the diagonal. A: full dataset of 168 protein complexes. Interaction scores were computed using knowledge of the experimental interfaces (AUC=0.84). B: subset of 44 protein complexes leading to an AUC=0.98. Interaction scores were computed using knowledge on experimental interfaces. C: subset of 20 proteine complexes leading to an AUC=0.97. Interaction scores were computed using interfaces predicted by JET.

At the moment we work on coevolution between protein interfaces and on improving JET interaction predictions. With both advancements we count improving identification of new partners, and increase the AUC above. We have done a lot of work already on this. A new approach to coevolution analysis, treating especially conserved sites like protein interfaces, has been recently developed at the lab. More on this soon.

Merry Christmas and a Happy New Year to all!

Alessandra