КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ КАК ИНСТРУМЕНТ ИЗУЧЕНИЯ ЛИГАНДНОГО ПОТЕНЦИАЛА ЛАКТАТА

DOI: https://doi.org/10.29296/25877313-2020-04-02
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

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.