Нажмите на эту строку чтобы перейти к Новостям сайта "Русский врач"

Перейти
на сайт
журнала
"Врач"
Перейти на сайт журнала "Медицинская сестра"
Перейти на сайт журнала "Фармация"
Перейти на сайт журнала "Молекулярная медицина"
Перейти на сайт журнала "Вопросы биологической, медицинской и фармацевтической химии"
Журнал включен в российские и международные библиотечные и реферативные базы данных

ВАК (Россия)
РИНЦ (Россия)
Эко-Вектор (Россия)

КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ КАК ИНСТРУМЕНТ ИЗУЧЕНИЯ ЛИГАНДНОГО ПОТЕНЦИАЛА ЛАКТАТА

DOI: https://doi.org/10.29296/25877313-2020-04-02
Скачать статью в PDF
Номер журнала: 
4
Год издания: 
2020

В.И. Кузьмичева аспирант, кафедра фундаментальной и клинической биохимии с лабораторной диагностикой, Самарский государственный медицинский университет E-mail: bio-sam@yandex.ru Ф.Н. Гильмиярова засл. деятель науки РФ, д.м.н., профессор, кафедра фундаментальной и клинической биохимии с лабораторной диагностикой, Самарский государственный медицинский университет Е.В.Авдеева д.фарм.н., профессор, кафедра фармакогнозии с ботаникой и основами фитотерапии, Самарский государственный медицинский университет

Актуальность. Изучение взаимодействий между белками и малыми молекулами является актуальным направлением современной фундамен-тальной науки. Расширение знаний в этой области во многом связано с появлением возможностей моделирования биологической активности со-единений in silico. Цель исследования  определить потенциальных белковых партнеров взаимодействия для лактата с применением компьютерной среды STITCH 5.0. Методы. Для прогнозирования белковых партнеров лактата использована программа STITCH (http://stitch.embl.de/). Данная программа строит прогноз в отношении возможного взаимодействия с белками с помощью математического алгоритма, основанном на расчете константы ингиби-рования, используя при этом информацию, находящуюся в открытых библиотеках химических структур. Содержит 430 000 химических соедине-ний, 9 600 000 белков, 2031 модельный организм. Выбрано графическое отображение полученных результатов в зависимости от аффинитета связи, со степенью вероятности Pa > 0,5. Результаты. Выявлено 367 потенциальных белковых партнеров лактата. Предсказана возможность интермедиата взаимодействовать с мито-хондриальным переносчиком пирувата, аквапоринами, влиять на передачу гормонального сигнала и нервного импульса, оказывать нейпротек-торное действие. Выводы. Полученные данные свидетельствуют об обширной неметаболической роли лактата в регуляции различных биологических процес-сов, что определяет новые подходы к формированию экспериментальных моделей для подтверждения прогнозируемых эффектов.
Ключевые слова: 
лактат
in silico
STITCH
компьютерное моделирование
взаимодействие белок-метаболит
Для цитирования: 
Кузьмичева В.И., Гильмиярова Ф.Н., Авдеева Е.В. КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ КАК ИНСТРУМЕНТ ИЗУЧЕНИЯ ЛИГАНДНОГО ПОТЕНЦИАЛА ЛАКТАТА . Вопросы биологической, медицинской и фармацевтической химии, 2020; (4): -https://doi.org/10.29296/25877313-2020-04-02

It appears your Web browser is not configured to display PDF files. Download adobe Acrobat или click here to download the PDF file.

Список литературы: 
  1. Kim E.S. The Future of Molecular Medicine: Biomarkers, BATTLEs, and Big Data. Am. Soc. Clin. Oncol. Educ. Book. 2015:22-27. doi:10.14694/EdBookAM.2015.35.22.
  2. Kuhn M., von Mering C., Campillos M., Jensen L.J., Bork P. STITCH: interaction networks of chemicals and proteins. Nucleic. Acids Res. 2008;36 (Database issue):D684–D688. doi:10.1093/nar/gkm795.
  3. Kuhn M., Szklarczyk D., Pletscher-Frankild S., von Mering C., Jensen L.J., Bork P. STITCH 4: integration of protein-chemical interactions with user data. Nuceic Acids Res. 2014; 42(Database issue):D401–D407. doi:10.1093/nar/gkt1207.
  4. Brooks G.A. The Science and Translation of Lactate Shuttle Theory. Cell Metab. 2018; 27(4):757-785. doi: 10.1016/j.cmet.2018.03.008.
  5. Taher M., Leen W.G., Wevers R.A., Willemsen M.A. Lactate and its many faces. Eur. J. Paediatr. Neurol. 2016; 20(1):3-10. doi: 10.1016/j.ejpn.2015.09.008. Epub. 2015. Oct. 9.
  6. Rawat D., Chhonker S.K., Naik R.A., Mehrotra A., Trigun S.K., Koiri R.K. Lactate as a signaling molecule: Journey from dead end product of glycolysis to tumor survival. Front Biosci (Landmark Ed). 2019; 24:366-381.
  7. Szklarczyk D., Santos A., von Mering C., Jensen L.J., Bork P., Kuhn M. STITCH 5: augmenting protein-chemical interaction networks with tissue and affinity data. Nucleic. Acids. Res. 2016; 44(D1):D380–D384. doi:10.1093/nar/gkv1277.
  8. Гильмиярова Ф.Н., Колотьева Н.А., Рыскина Е.А., Радомская В.М., Гусякова О.А., Потехина В.И., Горбачева И.В. Структурно-регуляторный потенциал лактата. Современные проблемы науки и образования. 2016; 2:1-10.
  9. Поройков В.В., Филимонов Д.А., Глориозова Т.А., Лагунин А.А., Дружиловский Д.С., Степанчикова А.В. Компьютерное предсказание биологической активности химических веществ: виртуальная хемогеномика. Информацион-ный вестник ВОГиС. 2009; 13(1):137-143.
  10. Гильмиярова Ф.Н., Колотьева Н.А., Потехина В.И., Баишева Г.М., Рыскина Е.А. Роль лактата в межмолекулярной регуляции взаимодействия белковых структур. Медицинский альманах. 2017; (2):99-101. https://doi.org/10.21145/2499-9954-2017-2-99-101.
  11. Tang F., Lane S., Korsak A., Paton J., Gourine A., Kasparov S., Teschemacher A.G. Lactate-mediated glia-neuronal signaling in the mammalian brain. Nature Commun. 2014; 5:3284 DOI:10.1038/ncomms4284.
  12. Di Liegro C.M., Schiera G., Proia P., Di Liegro I. Physical Activity and Brain Health. Genes (Basel). 2019; 10(9):720. doi:10.3390/genes10090720.