Белковая инженерия — это процесс разработки полезных или ценных белков . Это молодая дисциплина, в которой проводится много исследований для понимания фолдинга белков и признания принципов дизайна белков . Это также рынок товаров и услуг, стоимость которого к 2017 году оценивается в 168 миллиардов долларов [1] .
Существуют две основные стратегии белковой инженерии: рациональный дизайн белков и направленная эволюция . Эти методы не исключают друг друга; исследователи часто применяют оба. В будущем более детальное знание структуры и функции белка , а также достижения в высокопроизводительном скрининге могут значительно расширить возможности белковой инженерии. В конце концов, даже неестественные аминокислоты могут быть включены с помощью новых методов, таких как расширенный генетический код , которые позволяют кодировать новые аминокислоты в генетическом коде.
При рациональном дизайне белка ученый использует подробные знания о структуре и функции белка, чтобы внести желаемые изменения. В общем, это имеет то преимущество, что оно недорогое и технически простое, поскольку методы сайт-направленного мутагенеза хорошо разработаны. Однако его основным недостатком является то, что подробные структурные данные о белке часто недоступны, и, даже если они доступны, может быть очень сложно предсказать эффекты различных мутаций, поскольку структурная информация чаще всего дает статическую картину структуры белка. Однако такие программы, как Folding@home и Foldit , использовали методы краудсорсинга , чтобы получить представление о мотивах сворачивания белков. [2]
Алгоритмы вычислительного дизайна белка стремятся идентифицировать новые аминокислотные последовательности, которые имеют низкую энергию при сворачивании в заранее заданную целевую структуру. В то время как пространство последовательностей-конформаций, которое необходимо найти, велико, наиболее сложным требованием для вычислительного дизайна белков является быстрая, но точная функция энергии, которая может отличать оптимальные последовательности от подобных субоптимальных.
Без структурной информации о белке анализ последовательности часто полезен для выяснения информации о белке. Эти методы включают выравнивание последовательностей белков-мишеней с последовательностями других родственных белков. Это выравнивание может показать, какие аминокислоты являются консервативными между видами и важны для функции белка. Эти анализы могут помочь идентифицировать аминокислоты «горячих точек», которые могут служить мишенями для мутаций. Множественное выравнивание последовательностей использует базы данных, такие как PREFAB, SABMARK, OXBENCH, IRMBASE и BALIBASE, для сопоставления последовательностей целевого белка с известными последовательностями. Несколько методов выравнивания последовательностей перечислены ниже. [3] [ нужна страница ]
Этот метод начинается с попарного выравнивания последовательностей с использованием методов k-tuple или Needleman-Wunsch . Эти методы вычисляют матрицу, которая отображает попарное сходство между парами последовательностей. Затем оценки сходства преобразуются в оценки расстояния, которые используются для создания направляющего дерева с использованием метода соединения соседей. Затем это направляющее дерево используется для получения множественного выравнивания последовательностей. [3] [ нужна страница ]