ИСТИНА

Протеазы представляют собой важный класс ферментов, участвующих в различных биохимических процессах. Они осуществляют тотальный протеолиз при реутилизации белков, участвуют в активации гормонов, ферментов желудочно-кишечного тракта, а также определяют ограниченный протеолиз в системе свертывания крови. Известно, что ряд ферментов обладает субстратной специфичностью - способностью катализировать превращения только одного определенного субстрата или же группы сходных по строению субстратов. При этом показано, что место расщепления определяется как субстратной специфичностью, так и расположением аминокислот активного центра фермента относительно гидролизуемого субстрата. Знание о субстратной специфичности фермента помогает определить его роль в физиологических процессах. Это в свою очередь играет ключевую роль в создании и разработке ингибиторов и различных препаратов, основанных на действии фермента. Таким образом, изучение субстратной специфичности различных классов ферментов становится актуальным и важным предметом для исследований. Однако определение субстратной специфичности экспериментальными методами является трудоемким и ресурсозатратным процессом, так как необходимо провести скрининг большого количества потенциальных пептидных субстратов. В данной работе, на примере сериновой протеазы - тромбина человека, мы предложили и протестировали вычислительный подход предсказания субстратной специфичности протеаз, основанный на методах молекулярного моделирования. Так как для многих протеаз отсутствуют рентгеноструктурные данные, или же получены структуры мутантных форм, или в ненантивных условиях, то первоочередная задача - получение ее релевантной к нативному состоянию структуры. На примере модельного хромогенного субстрата S2238 мы оптимизировали и валидировали параметры гомологичного моделирования, позволяющего получить близкую к нативному состоянию структуру фермента. Далее с помощью процедуры массивного параллельного моделирования молекулярного докинга три- и тетрапептидов и анализа пространственной специфичности мы смогли предсказать паттерн узнавания, cхожий с данными базы данных протеолитических событий MEROPS. Предложенный подход может быть применим к другим объектам, не имеющим данных о релевантной структуре, в частности для изучения и предсказания субстратной специфичности протеаз растений, данные о которых на данный момент весьма ограничены.