Аннотация
Введение. Статья посвящена теоретическому предсказанию пространственной структуры белков с акцентом на особенности моделирования химических соединений, содержащих значительное количество аминокислотных остатков. Актуальность исследования обусловлена необходимостью разработки методов, позволяющих получать достоверные структурные модели без проведения сложных и ресурсоемких экспериментальных процедур. Это представляется значимым в условиях роста объема генетических данных и необходимости их интерпретации на уровне пространственной организации белковых молекул. Целью работы явился анализ возможностей применения кольцегранных моделей аминокислот для определения пространственной структуры белков, оценка их эффективности и применимости в задачах теоретического моделирования, биоинформатики и структурной химии. Материал и методы. Моделирование осуществляется с использованием кольцегранных моделей аминокислот, представляющих собой полиэдры, сформированные из колец, численно соответствующих количеству электронов на внешних оболочках атомов, входящих в соединение. Данные модели вводят ограничения на вариативность углов химических связей и возможные положения радикалов, что позволяет существенно сократить число допустимых конфигураций и упростить вычислительные процедуры. Для моделирования применяются алгоритмы, проверенные на ряде химических соединений, что обеспечивает определение пространственной структуры белков по нуклеотидной кодирующей последовательности (CDS), без использования дополнительных экспериментальных данных, включая рентгеноструктурный анализ и методы спектроскопии. Результаты. Показана возможность определения форм химических соединений с использованием кольцегранных моделей на примере аминокислот серин (C3H7NO3) и лейцин (C6H12NO2), а также стандартного структурного элемента белков – альфа-спирали. Полученные результаты демонстрируют согласованность предложенного подхода с базовыми представлениями о пространственной организации белковых молекул и подтверждают его применимость для анализа типовых структурных мотивов. Заключение. Использование кольцегранных моделей аминокислот позволяет ограничить пространство возможных структурных конфигураций, повысить предсказуемость моделирования и может рассматриваться как перспективный подход к теоретическому изучению белков, особенно при ограниченности экспериментальных данных.
Ключевые слова
Авторы и аффилиации
https://elibrary.ru/zrikgz
Д.Н. Кожевников(1), А.Ю. Кушелев(2)
1-ФГАОУ ВО «Государственный университет просвещения», Российская Федерация, 141014,
Московская обл., Мытищи, ул. В. Волошиной, д. 24; 2-Общественная лаборатория «Наномир»,
Российская Федерация, 141800, Московская обл., Дмитров, мкр. Аверьянова, д. 16, кв. 69
Литература
Jumper J., Evans R., Pritzel A., Green T., Figurnov M., Ronneberger O., Tunyasuvunakool K., Bates R., Žídek A., Potapenko A., Bridgland A., Meyer C., Kohl S.A.A., Ballard A.J., Cowie A., Romera-Paredes B., Nikolov S., Jain R., Adler J., Back T., Petersen S., Reiman D., Clancy E., Zielinski M., Steinegger M., Pacholska M., Berghammer T., Bodenstein S., Silver D., Vinyals O., Senior A.W., Kavukcuoglu K., Kohli P., Hassabis D. Highly accurate protein structure prediction with AlphaFold. Nature. 2021; 596 (7873): 583–9. DOI: 10.1038/s41586-021-03819-2
2. Varadi M., Anyango S., Deshpande M., Nair S., Natassia C., Yordanova G., Yuan D., Stroe O., Wood G., Laydon A., Žídek A., Green T., Tunyasuvunakool K., Petersen S., Jumper J., Clancy E., Green R., Vora A., Lutfi M., Figurnov M., Cowie A., Hobbs N., Kohli P., Kleywegt G., Birney E., Hassabis D., Velankar S. AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Res. 2022; 50 (D1): 439–44. DOI: 10.1093/nar/gkab1061
Abramson J., Balsiger N., Bates R., Bridgland A., Clancy E., Figurnov M., Green T., Hassabis D., Jumper J., Kohl S.A.A., Meyer C., Nair S., Potapenko A., Ronneberger O., Tunyasuvunakool K., Vinyals O., Žídek A. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature. 2024; 630 (8016): 493–500. DOI: 10.1038/s41586-024-07487-w
. Woods H., Leman J.K., Meiler J. Modeling membrane geometries implicitly in Rosetta. Protein Sci. 2024; 33 (3): e4908. DOI: 10.1002/pro.4908
. Harmalkar A., Bryant P., Coombe D., Deshmukh S., Meiler J., Noé F., Uddin M. Reliable protein-protein docking with AlphaFold, Rosetta, and replica exchange. eLife. 2025; 13: RP94029. DOI: 10.7554/eLife.94029
. Borges-Araújo L., Coelho R., Silva T., Gomes J., Oliveira H., Rocha M., Pereira P. Pragmatic Coarse-Graining of Proteins: Models and Applications. J. Chem Theory Comput. 2023; 19 (20): 7112–35. DOI: 10.1021/acs.jctc.3c00733
Uddin M., Coombe D. A Coarse-Grained Simulation Approach for Protein Molecular Conformation Dynamics. J. Phys Chem A. 2025; 129 (2): 607–22. DOI: 10.1021/acs.jpca.4c06977
Irbäck A., Nilsson M., Sandelin E., Larsson P. Folding lattice proteins confined on minimal grids using a quantum-inspired encoding. Phys Rev E. 2025; 112 (4–2): 045302. DOI: 10.1103/PhysRevE.112.045302
Niazi S.K. Critical assessment of AI-based protein structure prediction: Fundamental challenges and future directions in drug discovery. Comput Struct Biotechnol Rep. 2025; 2: 100064. DOI: 10.1016/j.csbr.2025.100064
Bryant P., Noé F. Structure prediction of alternative protein conformations. Nat Commun. 2024; 15 (1): 7328. DOI: 10.1038/s41467-024-51507-2
Wayment-Steele H.K., Ojoawo A., Otten R., Meiler J., Noé F., Jumper J., Clancy E., Green T. Predicting multiple conformations via sequence clustering and AlphaFold2. Nature. 2024; 625 (7996): 832–9. DOI: 10.1038/s41586-023-06832-9
. Rosenberg A.A., Marx A., Bronstein A.M. Codon-specific Ramachandran plots show amino acid backbone conformation depends on identity of the translated codon. Nat Commun. 2022; 13 (1): 2815. DOI: 10.1038/s41467-022-30390-9
Кушелев А.Ю. Определение вторичной структуры белка с использованием генетического кода. Медицина. Социология. Философия. Прикладные исследования. 2025; 1: 70–8. [Kushelev A.Y. Opredelenie vtorichnoy struktury belka s ispol’zovaniem geneticheskogo koda [Determination of protein secondary structure using the genetic code]. Meditsina. Sotsiologiya. Filosofiya. Prikladnye issledovaniya. 2025; 1: 70–8. Available from: https://medsociofil.ru/archive/?ELEMENT_ID=61275 (in Russian)].
Snelson K. Portrait of an atom. Exhibition booklet. Baltimore (MD): Maryland Science Center. 1981.
Bergman D.L. Spinning Charge Ring Model of Elementary Particles. Galilean Electrodynamics. 1991; 2 (2): 30–2.
Власов А.Д. Атом Шредингера. УФН. 1993; 163 (2): 97–103. [Vlasov A.D. Atom Shredingera [Schrödinger’s atom]. UFN. 1993; 163 (2): 97–103 (in Russian)].
. Lucas J. A physical model for atoms and nuclei. Galilean Electrodynamics. 1996; 7 (1): 3–12.
. Kozhevnikov D.N. Models of molecules with ring-shaped faces. Translated from Zhurnal Fizicheskoi Khimii. Russian J. Phys Chem. 1996; 70 (6): 1057–1059.
. Кожевников Д.Н., Кушелев А.Ю. Моделирование форм электронных поверхностей химических соединений с различными ковалентными связями в виде полиэдров из колец (кольцегранников). Медицина. Социология. Философия. Прикладные исследования. 2025; 2: 151–6. [Kozhevnikov D.N., Kushelev A.Y. Modeling electron surface shapes of chemical compounds with various covalent bonds as polyhedra of rings (ring-polyhedra). Meditsina. Sotsiologiya. Filosofiya. Prikladnye issledovaniya. 2025; 2: 151–6 (in Russian)].
. Taxawa tesnikishii (cellular organisms) UPI00255DB334 [Internet]. Available from: https://www.uniprot.org/uniparc?query=KAJ9625621. Accessed 15 Jul 2025.
. Gekko japonicus (cellular organisms) UPI00074FD5FA [Internet]. Available from: https://www.uniprot.org/uniparc?query=XP_015279638. Accessed 15 Jul 2025.