Demianenko, I., Petrovskyi, A., & Levtun, I.
(2024).
Methods of computer modelling of the transcription factor of stress resistance WRKY2 in Triticum Aestivum: A comparative analysis.
Biological Systems: Theory and Innovation,
15(4),
34-50.
https://doi.org/10.31548/biologiya/4.2024.34
Біологічні системи: теорія та інновації
Методи комп'ютерного моделювання транскрипційного фактора стресостійкості WRKY2 у Triticum Aestivum: порівняльний аналіз
Ірина Демʼяненко, Антон Петровський, Ігор ЛевтунАнотація
Метою роботи було порівняння ефективності сучасних методів комп’ютерного моделювання для побудови тривимірної структури транскрипційного фактора TaWRKY2 із Triticum aestivum, який відіграє ключову роль у стресостійкості рослин. У дослідженні використано традиційні гомологічні підходи та методи, засновані на машинному навчанні, зокрема AlphaFold, RoseTTaFold, ESMFold та OmegaFold. Модель, отримана за допомогою AlphaFold2 (MMseqs2), виявилася найякіснішою за метриками Clashscore (99-й перцентиль), MolProbity Score та ERRAT. Комплекс з іонами цинку та ДНК, згенерований AlphaFold3, виявив кращі результати за Z-Score показником. Метод AlphaFold забезпечив біологічно релевантні структури з правильним розташуванням функціональних ділянок. ESMFold забезпечив швидке моделювання, однак продемонстрував відхилення у структурі, включаючи додаткові α-спіралі та нижчу якість за більшістю метрик. Модель RoseTTaFold мала витягнуту форму з більшим вмістом α-спіралей та потребувала додаткової верифікації функціональної активності. OmegaFold, хоча й забезпечив найкраще значення за QMEAN (0,4), поступився за іншими показниками. Додаткові інструменти, такі як Amber і Chimera, дозволили провести релаксацію структур та аналіз ключових характеристик, зокрема просторового розташування цинкових пальців (18,7 Å). Оцінка за метриками Verify 3D, ERRAT, Ramachandran Plot та іншими виявила переваги та недоліки кожного підходу. Висновки підтвердили переваги методів машинного навчання для моделювання білків із високою функціональною пластичністю. Зокрема, AlphaFold було визнано найефективнішим підходом для побудови моделей з високою точністю. Разом із цим, використання кількох методів дозволяє врахувати альтернативні конформації та взаємодії, що важливо для глибшого розуміння функціональних механізмів білка
Ключові слова
біоінформатика; тривимірна структура білка; методи машинного навчання; метрики оцінки моделей; цинкові пальці
ЦИТУВАТИ
Використані джерела
1. Abramson, J., et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493-500. doi: 10.1038/s41586-024-07487-w.
2. Amoah, J.N., Ko, C.S., Yoon, J.S., & Weon, S.Y. (2019). Effect of drought acclimation on oxidative stress and transcript expression in wheat (Triticum aestivum L.). Journal of Plant Interactions, 14(1), 492-505. doi: 10.1080/17429145.2019.1662098.
3. Baek, M., DiMaio, F., Anishchenko, I., Dauparas, J., Ovchinnikov, S., Lee, G.R., & Baker, D. (2021). Accurate prediction of protein structures and interactions using a three-track neural network. Science, 373(6557), 871-876. doi: 10.1126/science.abj8754.
4. Banerjee, S., Mukherjee, A., Khatun, M., Roy, P., Nandi, S., & Roy, S. (2023). Exploring the critical function and molecular mechanism of WRKY transcription factor family in regulating plant response under abiotic stress conditions. In T. Aftab (Ed.), New frontiers in plant-environment interactions: Innovative technologies and developments (pp. 121-142). Cham: Springer. doi: 10.1007/978-3-031-43729-8_6.
5. Blanc-Mathieu, R., Dumas, R., Turchi, L., Lucas, J., & Parcy, F. (2024). Plant-TFClass: A structural classification for plant transcription factors. Trends in Plant Science, 29(1), 40-51. doi: 10.1016/j.tplants.2023.06.023.
6. Chen, X., Li, C., Wang, H., & Guo, Z. (2019). WRKY transcription factors: Evolution, binding, and action. Phytopathology Research, 1, article number 13. doi: 10.1186/s42483-019-0022-x.
7. DeepMind. (2024). AlphaFold has revealed millions of intricate 3D protein structures, and is helping scientists understand how life’s molecules interact. Retrieved from https://deepmind.google/technologies/alphafold/.
8. Dinusha, C.M.M. (2019). The evolution of reproductive development in angiosperms (Doctoral thesis, University of California, Riverside, USA)
9. Du, Z., Su, H., Wang, W., Ye, L., Wei, H., Peng, Z., & Yang, J. (2021). The trRosetta server for fast and accurate protein structure prediction. Nature Protocols, 16, 5634-5651. doi: 10.1038/s41596-021-00628-9.
10. Hassan, S., Lethin, J., Blomberg, R., Mousavi, H., & Aronsson, H. (2019). In silico based screening of WRKY genes for identifying functional genes regulated by WRKY under salt stress. Computational Biology and Chemistry, 83, article number 107131. doi: 10.1016/j.compbiolchem.2019.107131.
11. He, X., Li, J.-J., Chen, Y., Yang, J.-Q., & Chen, X.-Y. (2019). Genome-wide analysis of the WRKY gene family and its response to abiotic stress in buckwheat (Fagopyrum tataricum). Open Life Sciences, 14(1), 80-96. doi: 10.1515/biol-2019-0010.
12. Hekkelman, M.L., de Vries, I., Joosten, R.P., & Perrakis, A. (2023). AlphaFill: Enriching AlphaFold models with ligands and cofactors. Nature Methods, 20, 205-213. doi: 10.1038/s41592-022-01685-y.
13. Li, N., Liu, T., Guo, F., Yang, J., Shi, Y., Wang, S., & Sun, D. (2022). Identification of long non-coding RNA-microRNA-mRNA regulatory modules and their potential roles in drought stress response in wheat (Triticum aestivum L.). Frontiers in Plant Science, 13, article number 1011064. doi: 10.3389/fpls.2022.1011064.
14. Li, S., Khoso, M.A., Xu, H., Zhang, C., Liu, Z., Wagan, S., Dinislam, K., & Liu, L. (2024). WRKY transcription factors (TFs) as key regulators of plant resilience to environmental stresses: Current perspective. Agronomy, 14(10), article number 2421. doi: 10.3390/agronomy14102421.
15. Lin, Z., Akin, H., Rao, R., Hie, B., Zhu, Z., Lu, W., & Rives, A. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. Science, 379(6637), 1123-1130. doi: 10.1126/science.ade2574.
16. Long, L., Gu, L., Wang, S., Cai, H., Wu, J., Wang, J., & Yang, M. (2023). Progress in the understanding of WRKY transcription factors in woody plants. International Journal of Biological Macromolecules, 242(Part 1), article number 124379. doi: 10.1016/j.ijbiomac.2023.124379.
17. Lu, C.H., Chen, C.C., Yu, C.S., Liu, Y.Y., Liu, J.J., Wei, S.T., & Lin, Y.F. (2022). MIB2: Metal ion-binding site prediction and modeling server. Bioinformatics, 38(18), 4428-4429. doi: 10.1093/bioinformatics/btac534.
18. National Center for Biotechnology Information (NCBI). (2024). Protein database. Retrieved from https://www.ncbi.nlm.nih.gov/protein/.
19. Pandey, B., Grover, A., & Sharma, P. (2018). Molecular dynamics simulations revealed structural differences among WRKY domain-DNA interaction in barley (Hordeum vulgare). BMC Genomics, 19, article number 132. doi: 10.1186/s12864-018-4506-3.
20. Ranjan, P., Yadav, A., Behera, A.K., Singh, D.K., Singh, P., & Singh, G.P. (2024). Structural, functional and evolutionary analysis of wheat WRKY45 protein: A combined bioinformatics and MD simulation approach. Cereal Research Communications, 52, 489-499. doi: 10.1007/s42976-023-00399-x.
21. Rodríguez-Lumbreras, L.A., Jiménez-García, B., Giménez-Santamarina, S., & Fernández-Recio, J. (2022). pyDockDNA: A new web server for energy-based protein-DNA docking and scoring. Frontiers in Molecular Biosciences, 9, article number 988996. doi: 10.3389/fmolb.2022.988996.
22. Shukla, R., & Tripathi, T. (2020). Molecular dynamics simulation of protein and protein-ligand complexes. In D.B. Singh (Ed.), Computer-aided drug design (pp. 133-161). Singapore: Springer. doi: 10.1007/978-981-15-6815-2_7.
23. Singh, A., Sharma, A.K., Singh, N.K., Sonah, H., Deshmukh, R., & Sharma, T.R. (2019). Understanding the effect of structural diversity in WRKY transcription factors on DNA binding efficiency through molecular dynamics simulation. Biology, 8(4), article number 83. doi: 10.3390/biology8040083.
24. Steinegger, M., & Söding, J. (2017). MMseqs2 enables sensitive protein sequence searching for the analysis of massive data sets. Nature Biotechnology, 35(11), 1026-1028. doi: 10.1038/nbt.3988.
25. Theisen, F.F., Prestel, A., Elkjær, S., Leurs, Y.H., Morffy, N., Strader, L.C., & Skriver, K. (2024). Molecular switching in transcription through splicing and proline-isomerization regulates stress responses in plants. Nature Communications, 15, article number 592. doi: 10.1038/s41467-024-44859-2.
26. Tian, J., Zhang, J., & Francis, F. (2023). Large-scale identification and characterization analysis of VQ family genes in plants, especially gymnosperms. International Journal of Molecular Sciences, 24(19), article number 14968. doi: 10.3390/ijms241914968.
27. Tripathi, A., Mondal, R., Lahiri, T., Chaurasiya, D., & Pal, M.K. (2023). TemPred: A novel protein template search engine to improve protein structure prediction. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 20(3), 2112-2121 doi: 10.1109/TCBB.2022.3233846.
28. Upadhyay, D., Budhlakoti, N., Kumari, J., Chaudhary, N., Padaria, J.C., Sareen, S., & Kumar, S. (2024). In-silico characterization of drought stress related WRKY2 transcription factor in wheat crop (Triticum aestivum L.): Study of its physico-chemical properties and structural dynamics. Genetic Resources and Crop Evolution, 71, 1481-1492. doi: 10.1007/s10722-023-01706-5.
29. Wani, S.H., Tripathi, P., Zaid, A., Challa, G.S., Kumar, A., Kumar, V., & Bhatt, M. (2018). Transcriptional regulation of osmotic stress tolerance in wheat (Triticum aestivum L.). Plant Molecular Biology, 97, 469-487. doi: 10.1007/s11103-018-0761-6.
30. Wu, R., Ding, F., Wang, R., Shen, R., Zhang, X., Luo, S., Su, C., Wu, Z., Xie, Q., Berger, B., Ma, J., & Peng, J. (2022). High-resolution de novo structure prediction from primary sequence. doi: 10.1101/2022.07.21.500999.
31. Yang, Z., Zeng, X., Zhao, Y., & Chen, R. (2023). AlphaFold2 and its applications in the fields of biology and medicine. Signal Transduction and Targeted Therapy, 8, article number 115. doi: 10.1038/s41392-023-01381-z.
32. Zaheer, M., Rehman, S.U., Khan, S.H., Shahid, S., Rasheed, A., Naz, R., & Sajjad, M. (2021). Genome-wide identification and transcriptional profiling of new cobra-like genes in bread wheat (Triticum Aestivum). doi: 10.21203/rs.3.rs-796690/v1.