Publikationsserver der Universitätsbibliothek Marburg

Titel: Knowledge-based Optimization of Protein-Ligand-Complex Geometries
Autor: Spitzmüller, Andreas
Weitere Beteiligte: Klebe, Gerhard (Prof. Dr.)
Erscheinungsjahr: 2011
URI: https://archiv.ub.uni-marburg.de/diss/z2011/0458
URN: urn:nbn:de:hebis:04-z2011-04581
DOI: https://doi.org/10.17192/z2011.0458
DDC: Naturwissenschaften
Titel(trans.): Wissensbasierte Optimierung der Geometrien von Protein-Ligand Komplexen

Dokument

Schlagwörter:
Wissensbasiertes System, Drug Design, Arzneimitteldesign, Optimierung, Optimization, Docking, Protein-Ligand Docking, Knowledge-based System, Scoring, Scoring, Protein-Ligand Komplex

Summary:
The aim of this work was to develop a tool to optimize insilico generated protein-ligand complexes according to DrugScore (DS) potentials. DS is typically used to rescore ligand geometries that were generated by docking. Thus, these poses are optimized according to the scoring function used by the selected docking algorithm. Applying DS to such a geometry does not necessarily guarantee reliable and relevant scoring. Considering the steepness of the DS potentials, even small variations in the atomic positions can lead to large differences in the resulting scores. Thus, a local optimization with respect to DS is strongly recommended in this case. In 2009, O’Boyle et al. stated, that a local optimization is always constrained to the energy well on the potential surface in which the original pose resides. So there may be even deeper wells nearby which are not considered in the local optimization but would be equally valid. The new tool MiniMuDS, developed in this thesis, should account for this problem. On the other hand, MiniMuDS is not intended to perform a global optimization since this would, at the end, result in a new docking algorithm. Instead, the new algorithm is supposed to stay close to the pose generated by the original docking engine and simply adapts it to the DS function, a task typically addressed by local search methods. MiniMuDS was to combine these two tasks by avoiding a strictly local optimization without extending to a fully global search at the same time. Therefore, a strategy was implemented, that contains elements of a global optimization, but is still restricted to a local part of the search space. Simply speaking, the applied algorithm can overcome small hills on the potential surface, but only if the following valley is deeper than the current one. Thus, major energetic barriers between basically different conformations will not be passed. In the validation of MiniMuDS several important properties were shown: 1. The optima of the applied energy model correspond impressively well to the experimentally determined native states of the evaluated complexes. This was shown by the optimization of the original crystal structures, which resulted in an average rmsd of about 0.5Å, a value much smaller than the one observed in case of in-silico generated geometries. This deviation has to be seen in light of the positional accuracy estimated for experimental structure determination. The observed deviations virtually fall into the same range. 2. The aim of conserving the given binding modes was achieved. The presented method allows for modifications up to 2Å rmsd compared to the input geometry. Remarkably, not even 5% of the optimized docking poses fully exploited this available space. On average a modified geometry shows an rmsd of about 1Å to the input structure. 3. MiniMuDS improves a given docking solution by about 0.1Å on average. The best performance was observed for well docked poses between 1 and 2Å rmsd which could be improved by up to 0.3Å on average. 4. It was shown that an optimization exceeding the restrictions of a strictly local search can improve the resulting ranking. Up to 4.7% better success rates at a 2Å cutoff and an improvement of up to 9.3% at the 1Å level were received when comparing MiniMuDS to a local optimization. 5. Taking into account not only the top ranked solution but the whole ranking, it was shown that MiniMuDS strongly improves the discrimination between near-native and misplaced poses. Geometries with lower rmsd values to the crystal structure are more likely to be placed within the first positions of the ranking. 6. The inclusion of additional flexible components into the optimization is easy to manage while results can strongly benefit. This was shown using the example of protein side chain flexibility and binding relevant water molecules. 7. Considering computational efforts, it was shown that it is sufficient to only subject the 10 top-ranked docking solutions to an optimization. This consistently yielded slightly better ranking results for all applied protocols compared to an optimization of all generated docking solutions. At 80% less computational effort, up to 4.7% higher success rates at 2Å and 2.1% higher once at a 1Å cutoff were recorded. Especially the last aspect confirms that it is advisable to focus only on those docking poses that were already ranked high by another scoring function. This way, only poses that score well with respect to two different scoring functions are considered, taking thereby advantage of some kind of consensus effect. In light of these findings, the usage of at least a local optimization has to be strongly recommend before applying DS for rescoring purposes. Beyond that, the application of a more sophisticated search strategy like the one implemented in MiniMuDS is suggested. In particular, when dealing with small, lead-like structures, the presented method showed to substantially improve the results.

Zusammenfassung:
Ziel dieser Arbeit war die Entwicklung eines Programms zur Optimierung in-silico generierter Protein-Ligand Komplexe auf Grund von DrugScore (DS) Potentialen. Die Funktion DS wird typischerweise für die Nachbewertung von Ligandgeometrien genutzt, die durch Docking erzeugt wurden. Daher sind diese Geometrien zunächst für die intern verwendete Scoringfunktion des gewählten Docking Algorithmus optimiert. Wird DS auf eine solche Geometrie angewandt, ist nicht automatisch eine aussagekräftige Bewertung garantiert. Bedenkt man die Steilheit der DS Potentiale, so können bereits kleine Abweichungen der Atompositionen zu großen Unterschieden in der Bewertung führen. Daher wird eine lokale Optimierung in diesem Fall ausdrücklich empfohlen. 2009 führten O’Boyle et al. aus, dass eine lokale Optimierung grundsätzlich auf das Tal der Potentialoberfläche beschränkt ist, in dem sich die Ausgangspose befindet. Es könnte aber tiefere Täler in der Nähe geben, die bei einer lokalen Optimierung nicht berücksichtigt werden, obwohl sie ebenso zulässige Lösungen darstellen. Das in dieser Arbeit entwickelte Programm MiniMuDS soll diesem Problem gerecht werden. Andererseits soll keine globale Optimierung durchgeführt werden, da dies zu einem neuen Docking Algorithmus führen würde. Stattdessen soll MiniMuDS nahe an der ursprünglich erzeugten Pose bleiben und diese nur an die DS Funktion anpassen. Um beide Anforderungen zu erfüllen, wurde eine Suchstrategie implementiert, die Elemente einer globalen Suche enthält, sich aber dennoch auf einen abgegrenzten Teil des vollständigen Suchraums beschränkt. Einfach ausgedrückt kann der Algorithmus kleine Hürden auf der Potentialoberfläche überwinden, jedoch nur wenn sich direkt dahinter auch ein tieferes Tal befindet. Größere energetische Barrieren zwischen grundsätzlich unterschiedlichen Konformationen können so nicht passiert werden. Durch die Validierung von MiniMuDS konnten verschiedene wichtige Eigenschaften gezeigt werden: 1. Die Optima der angewandten Zielfunktion stimmen beeindruckend genau mit experimentell bestimmten Komplexstrukturen überein. Dies wurde durch die Optimierung von original Kristallstrukturen gezeigt, die in einer mittleren Abweichung von etwa 0,5Å resultierten. Dies sind deutlich kleinere Abweichungen als im Fall von in-silico generierten Geometrien. Darüber hinaus fallen diese Abweichungen etwa in den Bereich der geschätzten Genauigkeit experimenteller Strukturaufklärung. 2. Das Ziel den vorgegebenen Bindemodus beizubehalten wurde erreicht. MiniMuDS erlaubt Modifikationen bis zu 2Å rmsd gegenüber der Ausgangspose. Bemerkenswerterweise nutzten nicht einmal 5% der optimierten Docking Lösungen diesen Raum aus. Sie zeigten durchschnittliche Abweichungen von etwa 1Å auf. 3. Bezogen auf den rmsd zur Kristallstruktur verbessert MiniMuDS eine gegebene Konformation um etwa 0,1 Å. Die besten Ergebnisse wurden für bereits gut gedockte Posen mit einem ursprünglichen rmsd zwischen 1 und 2Å beobachtet, die im Mittel um bis zu 0,3Å verbessert wurden. 4. Es wurde gezeigt, dass durch die Überwindung der Einschränkungen einer rein lokalen Suche die erzielte Rangliste verbessert wurde. Im Vergleich zu einer lokalen Optimierung wurden bis zu 4,7% bessere Erfolgsraten bei der Erkennung nativ-ähnlicher Posen unter 2Å rmsd auf Rang 1 erzielt. Für Posen unter 1Å lag die Verbesserung bei 9,3 %. 5. Betrachtet man nicht nur die bestbewertete Lösung, sonder die gesamte Rangliste, so wurde gezeigt, dass MiniMuDS die Trennung zwischen nativ-nahen und falsch platzierten Posen deutlich verbessert. Geometrien mit niedrigen rmsd Werten tauchen häufiger auf den vorderen Positionen der Rangliste auf. 6. Die Berücksichtigung zusätzlicher flexibler Komponenten in der Optimierung ist mit MiniMuDS leicht zu bewältigen, wodurch die erzielten Ergebnisse deutlich verbessert werden können. Dies wurde am Beispiel von flexiblen Protein Seitenketten und an der Bindung beteiligter Wasser Moleküle gezeigt. 7. Es wurde gezeigt, dass es ausreichend ist, die zehn besten Lösungen eines Docking Experiments zu Optimieren. Dadurch wurden durchgängig etwas bessere Ergebnisse erzielt als bei der Optimierung aller fünfzig erzeugten Lösungen. Bei 80% geringerem Rechenaufwand wurden so bis zu 4,7% bessere Erfolgsraten erzielt. Besonders der letzte Punkt bestätigt, dass es empfehlenswert ist, sich auf solche Posen zu konzentrieren, die bereits von einer anderen Scoringfunktion gut bewertet wurden. So kann zusätzlich von einem Konsensus Effekt profitiert werden. Mit Blick auf die erzielten Ergebnisse muss die Anwendung zumindest einer lokalen Optimierung dringend Empfohlen werden, bevor DS für Nachbewertungen herangezogen wird. Allerdings wird die Verwendung einer darüber hinausgehenden Suchstrategie wie sie in MiniMuDS implementiert wurde nahe gelegt. Insbesondere bei kleineren Leitstrukturen verbesserte die vorgestellte Methode die Nachbewertungsergebnisse deutlich.


* Das Dokument ist im Internet frei zugänglich - Hinweise zu den Nutzungsrechten