
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于预测环肽渗透性的多溶剂构象集合
《Scientific Data》:Multi-solvent conformational ensembles for predicting cyclic peptide permeability
【字体: 大 中 小 】 时间:2026年08月06日 来源:Scientific Data 7.2
编辑推荐:
摘要环肽是一种极具潜力的治疗手段,有望用于干预癌症及其他疾病中复杂的细胞内蛋白-蛋白相互作用。然而,其临床应用往往受到较差膜渗透性的限制。尽管深度学习为预测渗透性提供了新方法,但现有模型仍依赖于二维分子表征,无法体现大环结构所具有的构象灵活性。现有的三维资源也缺乏对不同溶剂环境中
环肽是一种极具潜力的治疗手段,有望用于干预癌症及其他疾病中复杂的细胞内蛋白-蛋白相互作用。然而,其临床应用往往受到较差膜渗透性的限制。尽管深度学习为预测渗透性提供了新方法,但现有模型仍依赖于二维分子表征,无法体现大环结构所具有的构象灵活性。现有的三维资源也缺乏对不同溶剂环境中构象动态的物理模拟,而这对于判断膜渗透性至关重要。为填补这一空白,我们推出了CycPeptMPDB-4D,这是一个包含5,160种结构各异的环肽的原子级分子动力学轨迹的综合性数据集,这些环肽包括非天然结构、N-甲基化结构以及具有环状和套索状拓扑结构的D-残基。每种肽都在显式水环境和己烷环境中使用AMBER14SB力场进行了50纳秒的模拟,从而生成了水相和模拟膜环境中的构象集合。这些轨迹体现了环肽的“变色龙特性”,即在疏水环境中其构象灵活性和极性表面积显著降低。技术验证表明,模拟得到的构象集合与实验中的核磁共振数据高度吻合,其RMSD值在1.6埃以内。该数据集还提供了聚类后的构象集合、代表性结构以及脱溶剂自由能等专用描述参数。这一资源旨在助力开发能够整合三维或四维(基于轨迹或构象集合)信息的深度学习模型,从而更准确地预测环肽的膜渗透性。
生物通微信公众号