Überblick

Die Bindungsstellenvorhersage identifiziert Regionen auf einer Proteinoberfläche, die wahrscheinlich mit kleinen Molekülen, Substraten oder anderen Proteinen interagieren. Diese Stellen sind oft evolutionär konserviert, zeigen charakteristische geometrische und physikochemische Eigenschaften und sind häufig mit funktioneller Bedeutung verbunden. Die genaue Vorhersage von Bindungsstellen ist ein kritischer Schritt in der funktionellen Annotation neuartiger Proteine, im strukturbasierten Wirkstoffdesign und beim Verständnis molekularer Erkennungsmechanismen. Mit dem Wachstum vorhergesagter Proteinstrukturen ist die computergestützte Bindungsstellenvorhersage zu einem zunehmend essentiellen Werkzeug geworden.

Methoden

Geometrische Ansätze erkennen Hohlräume, Taschen oder Spalten auf der Proteinoberfläche mit Algorithmen wie CASTp, Fpocket und PASS. Evolutionäre Ansätze identifizieren konservierte Oberflächenbereiche, indem sie Sequenzkonservierung auf die dreidimensionale Struktur abbilden, unter der Annahme, dass funktionell wichtige Stellen langsamer evolutionieren. Methoden des maschinellen Lernens: einschließlich Zufallswälder, Support-Vektor-Maschinen und tiefe Convolutional Neural Networks, integrieren geometrische, physikochemische und evolutionäre Merkmale, um Bindungsstellenreste vorherzusagen. Template-basierte Methoden übertragen Bindungsstellenannotationen von bekannten Strukturen homologer Proteine.

Anwendungen

Die Bindungsstellenvorhersage dient zur Steuerung von molekularen Docking-Experimenten, indem sie die Suche auf relevante Regionen der Proteinoberfläche konzentriert. Sie erleichtert das rationale Design von Inhibitoren durch Identifizierung von Wirkstofftaschen und unterstützt Studien zu enzymatischen Katalysemechanismen durch Lokalisierung aktiver Zentrumsreste. Vorhersagen werden im chemischen Kontext der Aminosäuren, die die Tasche auskleiden, interpretiert und mit der Proteinstruktur in Beziehung gesetzt, um zu verstehen, wie die Architektur die Funktion bestimmt. Der Ansatz unterstützt auch Enzymkinetik-Studien, indem er aufzeigt, wie die Substratbindungsgeometrie die katalytische Effizienz beeinflusst.