<\/p>\n
Schnelle Antwort:<\/strong> A practical enzyme or food-ingredient decision starts with the process target, then checks activity, application window, sensory impact, and batch-to-batch consistency before scale-up.<\/p>\n <\/p>\n In diesem Beitrag werden die wichtigsten Methoden der Computerchemie vorgestellt, die in der industriellen Enzymforschung eingesetzt werden, insbesondere zur Steuerung des Enzym-Engineerings. Dazu geh\u00f6ren molekularmechanische Kraftfeld- und Molekulardynamiksimulationen, quantenmechanische und kombinierte quantenmechanische\/molekularmechanische Modellierung, elektrostatische Kontinuumsmodellierung und molekulares Docking. Diese Methoden werden im Text aus zwei Blickwinkeln zusammengefasst: erstens die grundlegenden Konzepte der Methoden selbst, die Ergebnisse der urspr\u00fcnglichen Berechnungen, die Bedingungen f\u00fcr die Anwendbarkeit und die Vor- und Nachteile; und zweitens die wertvollen Informationen, die aus den Berechnungen gewonnen werden, um das Design von Mutanten und Mutantenbibliotheken zu steuern.<\/p>\n Die industrielle Anwendung von Enzymen hat eine hundertj\u00e4hrige Geschichte, und die Enzymkatalyse wird aufgrund ihrer hohen Effizienz, hohen Spezifit\u00e4t und Selektivit\u00e4t sowie ihrer Umweltfreundlichkeit in verschiedenen Industriezweigen wie der Lebensmittelindustrie, der Landwirtschaft, der Medizin und der chemischen Industrie eingesetzt. [1-2].<\/sup> Da sich das industrielle Anwendungsumfeld weit von dem Umfeld unterscheidet, in dem Enzyme in der Natur leben, stimmen die Natur und die katalytische Funktion nat\u00fcrlicher Enzyme und ihr Anwendungsumfeld in der Regel nicht \u00fcberein oder sind nicht optimal. In diesem Fall ist es notwendig, die nat\u00fcrliche Aminos\u00e4uresequenz des Enzyms mit Hilfe des Enzym-Engineering zu ver\u00e4ndern, um seine Leistung zu verbessern [3].<\/sup> Die am h\u00e4ufigsten angewandte Enzym-Engineering-Strategie ist die Erstellung von Mutationsbibliotheken f\u00fcr das Screening, d. h. die gerichtete Evolution im Labor. [4].<\/sup> Eine der notwendigen Voraussetzungen f\u00fcr eine wirksame gerichtete Evolution ist, dass die Bibliothekskapazit\u00e4t (d. h. die Anzahl der in der Bibliothek enthaltenen Mutanten) der Mutantenbibliothek, die einem Screening unterzogen wird, im Verh\u00e4ltnis zum Anteil der potenziell n\u00fctzlichen Mutanten in der Bibliothek ausreichend gro\u00df ist. Die Gr\u00f6\u00dfe einer Mutantenbibliothek wird h\u00e4ufig durch die Screening-Methode, die verf\u00fcgbaren Ressourcen und andere objektive Bedingungen begrenzt. Die Schl\u00fcsselfrage ist, wie der Prozentsatz der wirksamen Mutanten in der Mutantenbibliothek erh\u00f6ht werden kann. Ein tiefes Verst\u00e4ndnis der Beziehung zwischen Enzymsequenz, Struktur und wichtigen Eigenschaften kann helfen, Mutations-Hotspots zu identifizieren, den Umfang der Mutation zu begrenzen und eine qualitativ hochwertige Mutantenbibliothek zu entwerfen. Methoden der computergest\u00fctzten Chemie sind ein wichtiges Mittel, um dieses Verst\u00e4ndnis zu erlangen. Es hat sich gezeigt, dass rechnergest\u00fctzte Proteinmutationsbibliotheken den Prozentsatz der effektiven Mutanten im Vergleich zu zuf\u00e4lligen Mutationsbibliotheken um mehrere Gr\u00f6\u00dfenordnungen erh\u00f6hen k\u00f6nnen [5].<\/sup> Bei einigen schwierigen Enzym- oder Protein-Engineering-Themen kann die erhebliche Verbesserung, die durch Berechnungen erzielt werden kann, ausreichen, um \u00fcber den endg\u00fcltigen Erfolg oder Misserfolg des Themas zu entscheiden, das nicht mehr auf die Verbesserung der Effizienz beschr\u00e4nkt ist. In der Tat haben Methoden der Computerchemie und Computerbiologie erfolgreich die Entwicklung k\u00fcnstlicher Enzyme von Grund auf erm\u00f6glicht, die \u00fcber katalytische Funktionen verf\u00fcgen, die nat\u00fcrliche Enzyme nicht besitzen. Da sich andere \u00dcbersichtsarbeiten in diesem Album mit Methoden f\u00fcr das automatisierte optimale Design von Aminos\u00e4uresequenzen befasst haben, konzentriert sich dieser Beitrag auf rechnergest\u00fctzte Methoden zur Simulation und Analyse von Enzymen mit einer gegebenen Aminos\u00e4uresequenz. Nat\u00fcrlich k\u00f6nnen Forscher diese Methoden nutzen, um Wildtyp und Mutanten getrennt zu untersuchen und dann die Ergebnisse zu vergleichen. 1<\/p>\n Molekulardynamische Simulation (MD) auf der Grundlage klassischer Molekularmechanik-Kraftfelder (MM)<\/p>\n 1.1<\/p>\n Einf\u00fchrung in die Methode<\/p>\n Wir betrachten vorerst nicht die chemischen Ver\u00e4nderungen, die bei der Enzymkatalyse auftreten, sondern nur die Prozesse der Konformations\u00e4nderungen des Enzyms sowie die Bildung und Dissoziation von nicht-kovalenten Komplexen zwischen dem Enzym und den Reaktanten (oder Produkten) aufgrund molekularer W\u00e4rmebewegungen. W\u00e4hrend dieser Vorg\u00e4nge \u00e4ndert sich der elektronische Zustand des Molek\u00fcls nicht (d. h. es werden keine kovalenten Bindungen gebrochen oder geschaffen), und es gilt das molekularmechanische Kraftfeldmodell. Das so genannte molekularmechanische Kraftfeld ist eine empirische mathematische Funktion, die die Abh\u00e4ngigkeit der potenziellen Energie eines molekularen Systems von der geometrischen Konfiguration (d. h. den r\u00e4umlichen Koordinaten aller Atome, aus denen das molekulare System besteht) ausdr\u00fcckt (Abb. 1A). Mit anderen Worten, wenn wir X<\/em><\/i> die Raumkoordinaten aller Atome darstellen und VMM<\/em><\/sup><\/i> (X<\/strong><\/em><\/i> ), um die potenzielle Energie des molekularen Kraftfelds darzustellen, \u00e4ndert sich die potenzielle Energie, wenn das Molek\u00fcl von einer Konformation in eine andere \u00fcbergeht X1<\/sub> zum anderen X2<\/sub>: Abb. 1<\/strong> Kraftfeld der Molekularmechanik (A) und<\/strong> Molekulardynamik-Simulation (B)<\/strong> 1.2<\/p>\n Anwendung auf die Enzymforschung<\/p>\n Die aus MD-Simulationen gewonnenen Informationen k\u00f6nnen auf verschiedene Weise zur Steuerung von \u00c4nderungen bei der Enzymtechnik verwendet werden [20].<\/sup> Durch den Vergleich von MD-Simulationen bei Raumtemperatur und bei hohen Temperaturen l\u00e4sst sich beispielsweise vorhersagen, welche Regionen des Enzymmolek\u00fcls wahrscheinlich die empfindlichste strukturelle Stabilit\u00e4t gegen\u00fcber der Umgebungstemperatur aufweisen. Die Einf\u00fchrung von Prolin-Punktmutationen, Disulfidbindungen usw. in diesen Regionen k\u00f6nnte die Hitzeresistenz des Enzyms m\u00f6glicherweise verbessern. [21-24].<\/sup> Eine weitere Strategie zur Verbesserung der Stabilit\u00e4t besteht darin, Mutanten zu entwickeln, die mehr Oberfl\u00e4chenwasserstoff- und Salzbindungen bilden. [25-26].<\/sup> Vor der experimentellen Validierung solcher Mutanten k\u00f6nnen Wildtyp und Mutanten parallel simuliert werden, um theoretisch abzusch\u00e4tzen, ob die Mutation die gew\u00fcnschte Wirkung erzielen kann [27-28].<\/sup> Neben der Temperatur kann MD auch dazu verwendet werden, die Auswirkungen von \u00c4nderungen des pH-Werts, der L\u00f6sungsmittel usw. auf die Proteinkonformation und ihre Stabilit\u00e4t zu analysieren. [29-30].<\/sup> 2<\/p>\n Quantenmechanik (QM) und kombinierte Modelle der Quantenmechanik\/Molekularmechanik (QM\/MM)<\/p>\n 2.1<\/p>\n Einf\u00fchrung in die Methode<\/p>\n F\u00fcr die Simulation chemischer Schritte in der Enzymkatalyse, wie z. B. das Entstehen und Aufbrechen kovalenter Bindungen, Elektronentransfer und Spr\u00fcnge zwischen verschiedenen elektronischen Zust\u00e4nden, werden quantenmechanische (QM) Modelle ben\u00f6tigt. Gegenw\u00e4rtig werden die in der computergest\u00fctzten Chemie verwendeten QM-Modelle in verschiedene Typen eingeteilt, wie z. B. ab initio ( von Anfang an<\/em><\/i> ), Dichtefunktionaltheorie (DFT) und halb-empirische Methoden [40].<\/sup> Unter ihnen sind halb-empirische Methoden die am wenigsten rechenaufw\u00e4ndigen. Allerdings handelt es sich dabei um Methoden, die nicht auf den ersten Prinzipien beruhen, und die Zuverl\u00e4ssigkeit der Berechnungsergebnisse h\u00e4ngt stark vom jeweiligen System und Problem ab. Sowohl die ab initio- als auch die DFT-Methoden sind First-Principle-Methoden und sind universell. Praktische DFT-Modelle k\u00f6nnen mehr empirische theoretische N\u00e4herungen enthalten als ab initio-Berechnungen, aber DFT kann Elektronenkorrelationsenergien mit sehr hoher Recheneffizienz behandeln. Dar\u00fcber hinaus sind bei vielen chemischen Reaktionsproblemen die Rechenfehler der besten DFT-Modelle f\u00fcr Schl\u00fcsselparameter wie die Energie\u00e4nderungen w\u00e4hrend des Reaktionsprozesses bereits so klein wie etwa 1 kcal\/mol, und die Ergebnisse reichen aus, um als Grundlage f\u00fcr die Bestimmung der chemischen Solidit\u00e4t eines bestimmten katalytischen Mechanismus oder Reaktionsweges verwendet zu werden. Abb. 2 <\/strong> Quantenmechanik (QM)\/Molekular<\/strong> Mechanik (MM)<\/strong> Modelle 2.2<\/p>\n Anwendung der Methode<\/p>\n Beide<\/sup> das QM-Modell [10] und<\/sup> das QM\/MM-Modell [41]<\/sup> wurden in gro\u00dfem Umfang f\u00fcr die theoretische Vorhersage und Pr\u00fcfung der chemischen Mechanismen von enzymkatalysierten Reaktionen verwendet. Ihre Ergebnisse k\u00f6nnen uns helfen zu erkennen, welche Schl\u00fcsselreste am chemischen Reaktionsprozess beteiligt sind, den geschwindigkeitsbegrenzenden Schritt der Reaktion zu finden, die Struktur von Reaktionszwischenprodukten und \u00dcbergangszust\u00e4nden zu modellieren, zu analysieren, wie sie mit der Enzymumgebung interagieren, usw. Im Vergleich zum QM-Cluster-Modell kann das QM\/MM-Modell die Enzymumgebung, in der sich die chemischen Reaktionszentren befinden, realistischer simulieren. QM\/MM wurde weithin verwendet, um den chemischen Mechanismus der Enzymkatalyse theoretisch vorherzusagen\/zu testen und um die m\u00f6glichen Auswirkungen der Aminos\u00e4urereste in der Umgebung auf den katalytischen Prozess zu analysieren und vorherzusagen. [46].<\/sup> Im Prinzip k\u00f6nnen diese Ergebnisse als Leitfaden f\u00fcr die Entwicklung von Mutationsbibliotheken mit dem Ziel dienen, die katalytische Aktivit\u00e4t zu erh\u00f6hen und die Spezifit\u00e4t oder Selektivit\u00e4t zu ver\u00e4ndern. Eine anspruchsvollere Studie w\u00fcrde darin bestehen, v\u00f6llig neue k\u00fcnstliche Enzyme zu erhalten, die auf dem Entwurf neuer aktiver Zentren von Grund auf auf der Grundlage von QM- oder QM\/MM-Strukturmodellen mit vorhergesagten \u00dcbergangszust\u00e4nden basieren [47].<\/sup><\/p>\n 3<\/p>\n Modellierung elektrostatischer Kontinuumsmedien<\/p>\n 3.1<\/p>\n Prinzip der Methode<\/p>\n Die Katalyse von Enzymen findet fast immer in einer bestimmten L\u00f6sungsumgebung statt. L\u00f6sungsmitteleffekte haben einen entscheidenden Einfluss auf die Enzymeigenschaften. Modelle zur Berechnung von L\u00f6sungsmitteleffekten bei chemischen Behandlungen lassen sich in zwei Kategorien einteilen: explizite L\u00f6sungsmittelmodelle, z. B. in molekularmechanischen Kraftfeldern oder QM-Modellen, bei denen jedes L\u00f6sungsmittelmolek\u00fcl und jedes darin enthaltene Atom explizit in das Modell einbezogen wird, und implizite L\u00f6sungsmittel- oder Kontinuumsmediummodelle [48], wobei<\/sup> Die L\u00f6sungsmittelmolek\u00fcle und -atome werden nicht in das Modell einbezogen, und f\u00fcr die Behandlung von L\u00f6sungsmitteleffekten werden die so genannten \"Solvent Mean Fields\" verwendet. Der Vorteil des expliziten L\u00f6sungsmittelmodells besteht darin, dass es in der Lage ist, L\u00f6sungsmittel und L\u00f6sungsmittel in einer vollst\u00e4ndig konsistenten Weise zu behandeln und spezifische Wechselwirkungen wie Wasserstoffbr\u00fcckenbindungen zwischen L\u00f6sungsmittel und L\u00f6sungsmittel, Salzbindungen usw. realistisch zu modellieren. Der Nachteil ist, dass die Anzahl der L\u00f6sungsmittelmolek\u00fcle gro\u00df und rechenintensiv ist. Au\u00dferdem tr\u00e4gt der stochastische Anstieg des L\u00f6sungsmittels erheblich zur Gesamtenergie des Systems bei, und es muss eine lange Mittelung der Simulationsproben durchgef\u00fchrt werden, um den Effekt des Anstiegs zu eliminieren. Das Modell des verborgenen L\u00f6sungsmittels stellt den Mittelungseffekt des L\u00f6sungsmittels dar, und der thermodynamische Anstieg und Abfall des L\u00f6sungsmittels wurde gemittelt. Abb. 3 <\/strong> Elektrostatisches Kontinuumsmodell (A)<\/strong> und Finite-Differenzen-Poisson-Boltzmann (FDPB) <\/strong> Methode (B)<\/strong> 3.2<\/p>\n Anwendung der Methode<\/p>\n Eine der wichtigsten Anwendungen des Kontinuumsmodells ist die Untersuchung des Protonierungszustands von geladenen Aminos\u00e4ureseitenkettengruppen in Enzymmolek\u00fclen. Die Software PROPKA sagt den pKa-Wert jeder dissoziierbaren Gruppe voraus, indem sie die PB-Gleichung l\u00f6st, um die elektrostatische freie Energie f\u00fcr verschiedene Protonierungszust\u00e4nde zu berechnen [50].<\/sup> Die Verteilung des elektrostatischen Oberfl\u00e4chenpotentials eines Enzymmolek\u00fcls ist ein wichtiger Faktor, der die Substratselektivit\u00e4t des Enzyms beeinflusst. Angesichts der r\u00e4umlichen Struktur und des Protonierungszustands eines Enzymmolek\u00fcls kann die Verteilung des elektrostatischen Oberfl\u00e4chenpotenzials eines Enzymmolek\u00fcls mit der FDPB-Methode berechnet werden, die auch die Auswirkungen von Mutationen in Aminos\u00e4ureresten oder \u00c4nderungen des pH-Werts der Umgebung, \u00c4nderungen der Ionenkonzentration usw. auf das elektrostatische Oberfl\u00e4chenpotenzial vorhersagt [14].<\/sup> 4<\/p>\n Andere Methoden<\/p>\n 4.1<\/p>\n Molekulares Docking<\/p>\n Docking bezieht sich auf den rechnerischen Prozess der Vorhersage der Struktur (und Affinit\u00e4t) eines Komplexes auf der Grundlage der Struktur eines Monomers. Das Andocken kleiner Molek\u00fcle an Proteine ist ein zentrales Instrument f\u00fcr das strukturbasierte virtuelle Screening von Arzneimitteln, f\u00fcr das mehrere Algorithmen entwickelt wurden [13].<\/sup> Diese Algorithmen und Modelle k\u00f6nnen auch auf das Docking von Substrat-Enzym-Komplexen angewendet werden. Das virtuelle Wirkstoffscreening erfordert die Ber\u00fccksichtigung einer gro\u00dfen Anzahl verschiedener kleiner Molek\u00fcle, und aus Gr\u00fcnden der Recheneffizienz werden die strukturellen Ver\u00e4nderungen des Rezeptors (oder nur der Seitenkette) bei den molekularen Docking-Berechnungen oft nicht ber\u00fccksichtigt. Im Gegensatz zum virtuellen Screening werden bei Substrat-Enzym-Docking-Studien oft nur ein oder mehrere verschiedene Substrate betrachtet, und die strukturellen Ver\u00e4nderungen im Enzym k\u00f6nnen im Prinzip vollst\u00e4ndiger ber\u00fccksichtigt werden. Der einfachste Weg, dies zu erreichen, ist die Gewinnung verschiedener Enzymstrukturen durch Konformations-Sampling-Methoden wie MD, die separat an das Substrat angedockt werden. Beim Substrat-Enzym-Docking ist es h\u00e4ufig auch m\u00f6glich, die relative r\u00e4umliche Anordnung der funktionellen Gruppen von Substrat und Katalysator zu nutzen, um die Docking-Ergebnisse zu \u00fcberpr\u00fcfen und zu bewerten.<\/p>\n 4.2<\/p>\n Vorhersage von Poren f\u00fcr kleine Molek\u00fcle auf der Grundlage der Geometrie<\/p>\n Zahlreiche experimentelle Studien haben gezeigt, dass einige Mutationen, die weit vom aktiven Zentrum entfernt sind, einen gro\u00dfen Einfluss auf die katalytische Leistung von Enzymen haben k\u00f6nnen. Einige dieser Stellen k\u00f6nnen durch Ver\u00e4nderung der Substratbindungs-\/Produktfreisetzungspore wirken, und die Porengr\u00f6\u00dfe, die physikochemischen Eigenschaften der R\u00fcckst\u00e4nde um die Pore usw. k\u00f6nnen die Substrat-\/Produktdurchgangsrate ver\u00e4ndern und die Substratselektivit\u00e4t beeintr\u00e4chtigen. Methoden zur Vorhersage von Poren k\u00f6nnen verwendet werden, um relevante hei\u00dfe Reste zu finden und eine Grundlage f\u00fcr den Entwurf gerichteter Evolutionsbibliotheken zu schaffen. Es gibt mehrere auf geometrischen Strukturen basierende Methoden zur Vorhersage von Proteinoberfl\u00e4chengruben, internen Hohlr\u00e4umen, Poren, die verschiedene Regionen verbinden, usw. [51-53].<\/sup> Diese Methoden verwenden statische r\u00e4umliche Strukturen als Eingaben und setzen meist geometrische und graphentheoretische Methoden ein, um die Vorhersage mit hoher Rechenleistung zu realisieren.<\/p>\n 4.3<\/p>\n Active Center Vergleichsmethoden<\/p>\n In der Protein-3D-Strukturdatenbank (PDB) ist derzeit eine gro\u00dfe Menge an 3D-Strukturdaten von Enzymen mit unterschiedlichen Strukturtypen und -familien gesammelt worden. Wenn wir verschiedene Enzyme vergleichen, werden wir feststellen, dass einige von ihnen einen hohen Grad an \u00c4hnlichkeit in den aktiven Zentren aufweisen (typische Beispiele sind die aktiven Zentren der katalytischen Triade, die von Serinproteasen geteilt werden), auch wenn die strukturellen Sequenzen insgesamt nicht \u00e4hnlich sind. Die Methode zum Vergleich der Struktur des aktiven Zentrums [54-55] k\u00f6nnen<\/sup> verwendet werden, um automatisch die aktiven Zentren anderer Enzyme zu finden, die dem aktiven Zentrum des aktuellen Enzyms \u00e4hnlich sind. Das Stapeln mehrerer \u00e4hnlicher aktiver Zentren im dreidimensionalen Raum und die Analyse der \u00c4hnlichkeiten und Unterschiede zwischen verschiedenen aktiven Zentren kann wertvolle Informationen f\u00fcr die Auswahl von Mutationsstellen liefern.<\/p>\n 5<\/p>\n Zusammenfassung<\/p>\n Aus Gr\u00fcnden der \u00dcbersichtlichkeit haben wir die oben genannten Methoden in Kategorien eingeteilt. In der Praxis schlie\u00dfen sich die verschiedenen Arten von Methoden nicht gegenseitig aus. Sie k\u00f6nnen auf vielf\u00e4ltige Weise miteinander kombiniert werden, um die Fragen, die uns interessieren, besser zu beantworten. Bei Simulationen von Enzym-Substrat-Komplexen kann beispielsweise molekulares Docking verwendet werden, um die Ausgangskonformation der Simulation zu erhalten; die aus MD-Simulationen gewonnenen Konformationen k\u00f6nnen f\u00fcr Porenvorhersageanalysen, molekulares Docking, QM\/MM-Simulationen usw. verwendet werden.MM-Modelle, die die aus QM- oder QM\/MM-Modellen erhaltenen \u00dcbergangszust\u00e4nde einschreiben, k\u00f6nnen erstellt und f\u00fcr klassische MD-Langzeitsimulationen verwendet werden, um die Auswirkungen von Konformationsanstieg und -abfall auf chemische Prozesse zu analysieren, oder f\u00fcr die Simulation einer gro\u00dfen Anzahl von Mutanten, um ein virtuelles Screening von Mutanten auf der Grundlage von MD-Simulationen zu realisieren; der bereits erw\u00e4hnte MM\/PBSA-Ansatz ist eine Kombination aus MD- und Kontinuumsmedium-Modellierung usw. <\/p>\n In enzyme and food-processing projects, the most useful decision frame is usually application fit plus process stability: which ingredient performs under the intended pH, temperature, time, and substrate conditions without creating a downstream quality or compliance problem.<\/p>\n Why is a high-activity enzyme not automatically the best commercial choice?<\/strong> Should food and biotech ingredients be selected from data sheets alone?<\/strong> <\/p>\n The paper introduces the main computational chemistry methods used in industrial enzyme research, especially for guiding enzyme engineering, including molecular mechanics force-field and molecular dynamics simulations, quantum mechanics and combined<\/p>","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[108],"tags":[],"class_list":["post-7255","post","type-post","status-publish","format-standard","hentry","category-enzyme-news"],"yoast_head":"\n
\nDie Untersuchung von Proteinen, insbesondere von Enzymen, ist seit langem ein wichtiger Bereich der computergest\u00fctzten Chemieforschung. [6-8].<\/sup> Zu den wichtigsten Methoden geh\u00f6ren Molekulardynamiksimulationen (klassische MD) auf der Grundlage klassischer molekularmechanischer Kraftfelder [9],<\/sup> Quantenmechanik (QM) [10] und<\/sup> kombinierte quantenmechanische\/molekularmechanische (QM\/MM) Methoden [8,11-12],<\/sup> Vorhersage intermolekularer Komplexe, d. h. molekulares Docking (Docking) [13], und<\/sup> polarisierbares Kontinuumsmodell (PCM) zur Quantifizierung von elektrostatischen und L\u00f6sungsmitteleffekten [ 14].<\/sup> ) wie das Poisson-Boltzmann-Modell (PB) [14],<\/sup> und einige auf geometrischen Eigenschaften basierende Modelle. In diesem Beitrag geben wir einen \u00dcberblick \u00fcber jede dieser Methoden aus zwei Blickwinkeln: erstens \u00fcber die Methoden selbst, einschlie\u00dflich der Grundprinzipien, der urspr\u00fcnglichen Berechnungsergebnisse, der Bedingungen f\u00fcr die Anwendbarkeit und der (potenziellen) Vor- und Nachteile, usw.und zweitens dar\u00fcber, wie diese Methoden eingesetzt werden k\u00f6nnen, um ingenieurwissenschaftlich relevante Informationen zu erhalten, z. B. ein tieferes Verst\u00e4ndnis katalytisch relevanter Mechanismen, theoretische Vorhersagen oder Erkl\u00e4rungen f\u00fcr Ver\u00e4nderungen der Eigenschaften oder Funktionen verschiedener Mutanten im Vergleich zum Wildtyp, die das Design qualitativ hochwertiger Mutationsbibliotheken f\u00fcr die gerichtete Evolution oder das Design qualitativ hochwertiger Mutationsbibliotheken oder das Design von Mutationsbanken anleiten k\u00f6nnen.<\/p>\n
\n\u2206VMM<\/em><\/sup><\/i> = VMM<\/em><\/sup><\/i> ( X2<\/sub> ) – VMM<\/em><\/sup><\/i> ( X1<\/sub> ).
\nNach der thermodynamischen Theorie befinden sich die Atome eines Molek\u00fcls immer in thermischer Bewegung, d. h., X<\/em><\/i> \u00e4ndert sich st\u00e4ndig mit der Zeit; au\u00dferdem besteht die Probe bei experimentellen Beobachtungen immer aus einer gro\u00dfen Anzahl von Molek\u00fclen (mit Ausnahme von Einzelmolek\u00fclexperimenten), wobei sich verschiedene Molek\u00fcle in unterschiedlichen Konformationszust\u00e4nden befinden. Daher m\u00fcssen wir aus kinetischer Sicht die Konformations\u00e4nderungen im Laufe der Zeit und aus thermodynamischer Sicht die Wahrscheinlichkeitsverteilung von Molek\u00fclen mit unterschiedlichen Konformationen ber\u00fccksichtigen. Die Molekulardynamiksimulation (MD) ist das einfachste Modell zur Untersuchung dieser beiden Aspekte der Eigenschaften (Abb. 1B). Bei der MD-Simulation gehen wir von einer Anfangskonformation aus, berechnen die Kraft, die zu jedem Zeitpunkt auf jedes Atom wirkt, auf der Grundlage der aktuellen Konformation und der potenziellen Energiefunktion (die Kraft ist die negative Ableitung der potenziellen Energiefunktion in Bezug auf die Koordinaten der Atome), integrieren numerisch die Newtonschen Bewegungsgleichungen, um die Konformation zum n\u00e4chsten Zeitpunkt zu erhalten, und wiederholen den Prozess, um die Trajektorie der Konformationsentwicklung \u00fcber die Zeit zu erhalten.
\nDazwischen k\u00f6nnen spezielle Algorithmen verwendet werden, um die Auswirkungen von Umweltfaktoren (z. B. Temperatur, Druck usw.) auf die Molekularbewegung zu simulieren. Nach dem thermodynamischen Prinzip ist die Wahrscheinlichkeitsverteilung der Konformation desselben Molek\u00fcls zu verschiedenen Zeitpunkten und der Konformation verschiedener Molek\u00fcle im thermodynamischen Gleichgewichtszustand gleich, wenn das Zeitintervall lang genug ist (d. h. die Zeitmittelung entspricht der Systemmittelung). Wenn die MD-Simulation \u00fcber einen ausreichend langen Zeitraum durchgef\u00fchrt wird, kann die aus der Simulation gewonnene Menge an Konformationen daher als Stichprobe f\u00fcr die Verteilung der Molek\u00fclkonformationen in einem bestimmten thermodynamischen Gleichgewichtszustand verwendet werden. Auf der Grundlage dieses Prinzips k\u00f6nnen wir beliebige beobachtbare Eigenschaften eines Systems in seinem thermodynamischen Gleichgewichtszustand auf der Grundlage der durch MD erhaltenen Zeittrajektorien analysieren.
\nMD ist ein leistungsf\u00e4higes Berechnungsinstrument zur umfassenden Analyse des kinetischen Ver\u00e4nderungsprozesses von Konformations\u00e4nderungen und wichtiger mikroskopischer quanten-thermodynamischer Verteilungen bei atomarer Aufl\u00f6sung, was besonders wichtig f\u00fcr die Aufkl\u00e4rung der Konstruktionsprinzipien und Arbeitsmechanismen komplexer biomakromolekularer Maschinen wie Enzyme ist. Da die derzeitigen experimentellen Methoden zur makromolekularen Strukturanalyse nur r\u00e4umlich-zeitlich gemittelte statische Strukturen liefern k\u00f6nnen, haben MD-Simulationen eine unersetzliche Funktion in der einschl\u00e4gigen Forschung. Unter dieser Pr\u00e4misse befindet sich das MD-Werkzeug selbst noch in einem Prozess der kontinuierlichen Verbesserung und Verfeinerung. Aus methodischer Sicht ergeben sich die wichtigsten Einschr\u00e4nkungen der MD aus zwei Aspekten: erstens aus der Genauigkeit des molekularen Kraftfeldmodells und zweitens aus der begrenzten Simulationszeit, die eine vollst\u00e4ndige Erfassung des Konformationsraums erschwert. Was das erste Problem betrifft, so wurde das molekulare Kraftfeld in den letzten Jahren stark verbessert, und die Genauigkeit der thermodynamischen Beschreibung des Konformationsgleichgewichts biologischer Makromolek\u00fcle, insbesondere von Proteinsystemen, wurde erh\u00f6ht, so dass eine Vielzahl von Proteinmolek\u00fclen vom Prozess der Kopffaltung bis zur nat\u00fcrlichen Struktur erfolgreich simuliert werden konnte. [15-16].<\/sup> Was die Simulationszeit anbelangt, so ist es dank der Entwicklung von Computerhardware und -software heute m\u00f6glich, Simulationen in der Gr\u00f6\u00dfenordnung von Mikrosekunden f\u00fcr Systeme \u00fcblicher Gr\u00f6\u00dfe (z. B. Enzymmolek\u00fcle mit Hunderten von Resten in w\u00e4ssriger L\u00f6sung) mit herk\u00f6mmlicher Computerhardware (z. B. den von der Gruppe verwendeten Multi-Core-Servern) durchzuf\u00fchren. Auf dieser Zeitskala k\u00f6nnen Prozesse wie das \u00d6ffnen und Schlie\u00dfen von Strukturdom\u00e4nen oder Ringregionen beobachtet werden. Wenn mehr Rechenressourcen zur Verf\u00fcgung stehen, k\u00f6nnen auch direkte Simulationen von Prozessen wie der Substratbindung\/-dissoziation durchgef\u00fchrt werden. Zur Untersuchung von Prozessen auf Zeitskalen, die \u00fcber die Reichweite der Simulation hinausgehen (z. B. gro\u00dfe funktionelle Ver\u00e4nderungen allosterischer Proteine usw.), k\u00f6nnen erweiterte Sampling-Methoden eingesetzt werden [17],<\/sup> vorausgesetzt, der Nutzer verf\u00fcgt \u00fcber ein vertieftes Verst\u00e4ndnis der MD-Theorie.
\nDerzeit decken die meisten MD-Simulationsanwendungen Zeitskalen von Nanosekunden bis zu Mikrosekunden ab, und die Abtastung des Konformationsraums ist meist auf die Umgebung der Ausgangsstruktur beschr\u00e4nkt (bei Proteinen mit einer Dom\u00e4ne ist dies in der Regel der strukturelle Anstieg und Abfall der RMS-Verschiebung im Bereich von 3-4 \u00c5). Damit die Simulationsergebnisse aussagekr\u00e4ftig sind, ist es daher notwendig, eine vern\u00fcnftige Ausgangsstruktur als Eingabe f\u00fcr die MD zu verwenden. In den meisten F\u00e4llen werden experimentell bestimmte Kristallstrukturen oder Strukturen, die auf der vergleichenden Modellierung homologer Proteine beruhen, als Ausgangsstrukturen f\u00fcr die MD verwendet. Bei der Simulation von Enzym-Substrat-Komplexen ist es oft notwendig, die Ausgangsstruktur des Komplexes auf der Grundlage der Struktur des leeren Enzyms oder des Enzyms im Komplex mit anderen Molek\u00fclen zu modellieren, entweder durch molekulares Docking oder indem andere kleine Molek\u00fcle (z. B. Inhibitoren) in der Kristallstruktur direkt durch das Substrat ersetzt werden. MD-Simulationen erfordern auch die Erstellung eines molekularen Kraftfeldes, das alle chemischen Einheiten des Systems abbildet. Wenn das zu simulierende System ein kleines Molek\u00fcl als Substrat enth\u00e4lt, ist es h\u00e4ufig der Fall, dass das im MD-Softwarepaket enthaltene molekulare Standardkraftfeld das kleine Molek\u00fcl als Substrat nicht abdeckt. In diesem Fall kann eine Software verwendet werden, die automatisch Kraftfelder f\u00fcr kleine Molek\u00fcle erzeugen kann [18-19].<\/sup> Die Kraftfelddateien sollten manuell \u00fcberpr\u00fcft und f\u00fcr kurze Simulationsversuche verwendet werden, bevor die automatisch generierten Kraftfelder f\u00fcr lange MD-Simulationen verwendet werden.<\/p>\n
\nAbb. 1 Molekularmechanisches Kraftfeld (A) und Molekulardynamiksimulation (B)<\/p>\n
\nZus\u00e4tzlich zur Stabilit\u00e4t wurde MD zur Vorhersage von Hotspot-Resten eingesetzt, die das Potenzial haben, die Konformationsdynamik im Zusammenhang mit der Substratbindung\/Produktfreisetzung erheblich zu beeinflussen, und die eine Grundlage f\u00fcr die Entwicklung von Mutationen oder Mutantenbibliotheken bilden, die die Substratselektivit\u00e4t, Reaktionsselektivit\u00e4t, Produktfreisetzungsrate usw. ver\u00e4ndern k\u00f6nnen. [31-32].<\/sup> Eine M\u00f6glichkeit, die Substrat-\/Reaktionsselektivit\u00e4t mit MD zu untersuchen, besteht darin, die Simulationsergebnisse von Enzym-Substrat-Komplexen mit unterschiedlichen (urspr\u00fcnglichen) Strukturen zu vergleichen und Substrat- oder Strukturzust\u00e4nde mit h\u00f6herer Affinit\u00e4t (oder h\u00f6herer Reaktivit\u00e4t) vorherzusagen. Eine strenge quantitative Methode zur Berechnung der Affinit\u00e4t (oder Reaktivit\u00e4t) ist die Berechnung der freien Energie [33-34].<\/sup> Da die Berechnung der freien Energie sehr rechenintensiv ist, verwenden die meisten derzeitigen Anwendungen qualitative Methoden f\u00fcr die Vorhersage: Die qualitative Unterscheidung der relativen Affinit\u00e4t kann auf der Stabilit\u00e4t der Struktur der Komplexe aus kleinen Molek\u00fclen und Makromolek\u00fclen, der durchschnittlichen intermolekularen Wechselwirkungsenergie usw. beruhen, w\u00e4hrend die qualitative Unterscheidung der Reaktivit\u00e4t auf der relativen geometrischen Konfigurationsverteilung der katalytischen und reaktiven funktionellen Gruppen usw. beruht. [35].<\/sup> Die Ergebnisse einer solchen qualitativen Unterscheidung k\u00f6nnen als Grundlage f\u00fcr den Entwurf von Bibliotheken mit gerichteten evolution\u00e4ren Sequenzen verwendet werden. Dar\u00fcber hinaus k\u00f6nnen MD-Simulationen auch zur Analyse von Hotspot-Resten rund um die Substratbindungs-\/Produktdissoziationspore verwendet werden [36-37].<\/sup> Bei dieser Art von Anwendung geht es um die Simulation von Dissoziationspfaden f\u00fcr die Dissoziation kleiner Molek\u00fcle von Proteinen, und wenn es Schwierigkeiten mit unzureichenden Simulationszeitskalen gibt, k\u00f6nnen diese durch verbesserte Sampling-Techniken \u00fcberwunden werden [38-39].<\/sup><\/p>\n
\nAusgehend von der geometrischen Konfiguration eines Molek\u00fcls kann seine Energie mit Hilfe der QM berechnet werden. Das QM-Modell wird h\u00e4ufiger f\u00fcr die Optimierung von Molek\u00fclgeometrien verwendet, d. h. um eine lokal stabile Struktur (mit einer niedrigeren Energie als die benachbarten Strukturen) nach sukzessiven \u00c4nderungen einer Ausgangskonfiguration zu finden oder um die Wege mit der niedrigsten Energie zu finden, die die Reaktanten mit den Produkten verbinden, sowie die \u00dcbergangszust\u00e4nde entlang dieser Wege. Diese Berechnungen sind rechenintensiv, da verschiedene geometrische Konfigurationen ber\u00fccksichtigt und verglichen werden m\u00fcssen und in der Regel Dutzende bis Tausende von Einzelpunktberechnungen durchgef\u00fchrt werden m\u00fcssen. Eine g\u00e4ngige Strategie zur Einsparung von Rechenaufwand besteht darin, zun\u00e4chst ein breites Spektrum von Reaktionspfaden mit Hilfe effizienter QM-Modelle mit begrenzter Genauigkeit zu optimieren und dann die Konfigurationsoptimierung mit Hilfe von Modellen h\u00f6herer Genauigkeit in der N\u00e4he der gesuchten Konfiguration\/des gesuchten Pfads mit der niedrigsten Energie zu vervollst\u00e4ndigen oder Einzelpunktberechnungen durchzuf\u00fchren.
\nDerzeit ist die Anwendung von QM-Methoden des ersten Prinzips auf das gesamte Enzymmolek\u00fcl rechenintensiv, im Wesentlichen auf Ein-Punkt-Berechnungen beschr\u00e4nkt und noch nicht praktikabel. Das QM\/MM-Modell (Abb. 2) wird in der Regel f\u00fcr gro\u00dfe Molek\u00fcle verwendet. [11].<\/sup> In diesem Modell wird das molekulare System in mindestens zwei Teile aufgeteilt: Der Teil, der direkt an der chemischen Reaktion beteiligt ist, wird mit dem QM-Modell behandelt, der Rest mit der Molekularmechanik (MM). Es gibt verschiedene Strategien f\u00fcr den Umgang mit QM-MM-Grenzen und Wechselwirkungen [41].<\/sup> Bei QM\/MM-Modellen nach den ersten Grunds\u00e4tzen sind QM-Berechnungen weitaus kostspieliger als MM-Berechnungen. Daher werden f\u00fcr die QM-Region meist Methoden zur Konformationsoptimierung verwendet, um ihre Geometrie vorherzusagen oder zu simulieren, und f\u00fcr den MM-Teil k\u00f6nnen Molekulardynamiksimulationen verwendet werden. [42].<\/sup> Dies bedeutet, dass die Berechnungsergebnisse empfindlicher auf die Anfangsstruktur des QM-Bereichs des Systems reagieren k\u00f6nnen. In diesem Fall sind Berechnungen mit verschiedenen Anfangsstrukturmodellen erforderlich, um zuverl\u00e4ssige Ergebnisse zu erhalten. Wenn halb-empirische Methoden [43] oder<\/sup> empirische Valenzbindungstheorien [44-45]<\/sup> werden f\u00fcr den QM-Teil verwendet ,<\/sup> kann es m\u00f6glich sein, den Konformationsraum umfassender zu erforschen und die Auswirkungen der Ausgangsstruktur durch l\u00e4ngere QM\/MM-MD-Probenahmen zu verringern.<\/p>\n
\nAbb. 2 Quantenmechanisches (QM)\/molekularmechanisches (MM) Modell.<\/p>\n
\nDer Einfachheit halber trennen wir in der Regel den Effekt des unpolaren L\u00f6sungsmittels (hydrophober Effekt) vom Effekt des polaren L\u00f6sungsmittels im Modell des verborgenen L\u00f6sungsmittels. Die Erfahrung hat gezeigt, dass die freie Solvatationsenergie eines unpolaren gel\u00f6sten Stoffes proportional zu seiner vom L\u00f6sungsmittel zug\u00e4nglichen Oberfl\u00e4che (SASA) ist. Daher wird f\u00fcr diese Komponente h\u00e4ufig das SASA-Solvatationsmodell verwendet. Zu den Parametern dieses Modells geh\u00f6ren die Atomradien, die zur Berechnung der SASA erforderlich sind, der Radius des L\u00f6sungsmittelmolek\u00fcls (1,4 \u00c5 f\u00fcr Wassermolek\u00fcle) und eine Proportionalit\u00e4tskonstante f\u00fcr die freie Solvatationsenergie proportional zur SASA. Diese Parameter werden im Allgemeinen durch Anpassung der experimentellen Werte der freien Solvatationsenergie kleiner Molek\u00fcle bestimmt.
\nDie am h\u00e4ufigsten verwendeten Modelle zur Ber\u00fccksichtigung von Effekten polarer L\u00f6sungsmittel behandeln den Bereich, der vom L\u00f6sungsmittel eingenommen wird, als ein kontinuierliches Medium mit einer spezifischen Dielektrizit\u00e4tskonstante (78,4 f\u00fcr Wasser) und den Bereich des gel\u00f6sten Stoffes als ein Medium mit einer niedrigen Dielektrizit\u00e4tskonstante (\u00fcblicherweise 2-8) oder ein Vakuum (Dielektrizit\u00e4tskonstante von 1) (Abb. 3A). Das kontinuierliche Medium wird durch das elektrostatische Feld polarisiert, das durch die Ladungsverteilung im Bereich des gel\u00f6sten Stoffes erzeugt wird, und die daraus resultierende polarisierte Ladungsverteilung erzeugt wiederum ein elektrostatisches Feld im Bereich des gel\u00f6sten Stoffes, das auf die Ladung des gel\u00f6sten Stoffes wirkt. Das elektrische Feld, das durch die polarisierten Ladungen erzeugt wird, wird als Reaktionsfeld bezeichnet. Daher wird das elektrostatische Modell des kontinuierlichen Mediums auch als Reaktionsfeldmodell bezeichnet. Im Modell des kontinuierlichen Mediums ohne freie Ionen im L\u00f6sungsmittelbereich erf\u00fcllt die Beziehung zwischen dem elektrostatischen Raumpotential und der Raumladungsverteilung die Poisson-Gleichung. In einer L\u00f6sungsumgebung, die freie Ionen enth\u00e4lt, wird die r\u00e4umliche Verteilung der Ionen durch das r\u00e4umliche elektrostatische Potenzial beeinflusst. Unter Ber\u00fccksichtigung dieses Faktors erf\u00fcllt die Beziehung zwischen dem r\u00e4umlichen elektrostatischen Potenzial und der r\u00e4umlichen Ladungsverteilung die Poisson-Boltzmann-Gleichung (PB-Gleichung), eine partielle Differentialgleichung, die die Beziehung zwischen der Verteilung des elektrostatischen Potenzials und der Verteilung der Ladung und des Dielektrikums im dreidimensionalen Raum beschreibt und numerisch gel\u00f6st werden kann. Die g\u00e4ngigste numerische Methode zur L\u00f6sung der PB-Gleichung f\u00fcr makromolekulare Systeme wie Enzyme ist die Finite-Differenzen-Methode (FD), die allgemein als FDPB-Modell bezeichnet wird (Abbildung 3B). [14].<\/sup> Mit FDPB ist es m\u00f6glich, das elektrostatische Potenzial in drei Dimensionen auf der Grundlage der Raumladungsverteilung des gel\u00f6sten Stoffes zu berechnen, was wiederum die Berechnung anderer Eigenschaften wie der elektrostatischen freien Energie erm\u00f6glicht. In QM-Berechnungen f\u00fcr kleine Molek\u00fclsysteme wird das Reaktionsfeld h\u00e4ufig durch das elektrische Feld ersetzt, das durch die Oberfl\u00e4chenladungsverteilung auf der Molek\u00fcloberfl\u00e4che erzeugt wird, und das entsprechende Modell wird als Modell des polarisierbaren kontinuierlichen Mediums (PCM) bezeichnet.
\nDas am h\u00e4ufigsten verwendete Modell zur Ber\u00fccksichtigung von polaren L\u00f6sungsmitteleffekten behandelt den vom L\u00f6sungsmittel eingenommenen Bereich als kontinuierliches Medium mit einer spezifischen Dielektrizit\u00e4tskonstante (78,4 f\u00fcr Wasser), w\u00e4hrend der gel\u00f6ste Bereich so behandelt wird, als ob er von einem Medium mit einer niedrigen Dielektrizit\u00e4tskonstante (\u00fcblicherweise 2-8) oder einem Vakuum (Dielektrizit\u00e4tskonstante von 1) eingenommen w\u00fcrde (Abb. 3A). Das kontinuierliche Medium wird durch das elektrostatische Feld polarisiert, das durch die Ladungsverteilung in der gel\u00f6sten Region erzeugt wird, und die daraus resultierende polarisierte Ladungsverteilung erzeugt wiederum ein elektrostatisches Feld in der gel\u00f6sten Region, das auf die gel\u00f6ste Ladung wirkt. Das elektrische Feld, das durch die polarisierten Ladungen erzeugt wird, wird als Reaktionsfeld bezeichnet. Daher wird das elektrostatische Modell des kontinuierlichen Mediums auch als Reaktionsfeldmodell bezeichnet. Im Modell des kontinuierlichen Mediums ohne freie Ionen im L\u00f6sungsmittelbereich erf\u00fcllt die Beziehung zwischen dem elektrostatischen Raumpotential und der Raumladungsverteilung die Poisson-Gleichung. In einer L\u00f6sungsumgebung, die freie Ionen enth\u00e4lt, wird die r\u00e4umliche Verteilung der Ionen durch das r\u00e4umliche elektrostatische Potenzial beeinflusst. Unter Ber\u00fccksichtigung dieses Faktors erf\u00fcllt die Beziehung zwischen dem r\u00e4umlichen elektrostatischen Potential und der r\u00e4umlichen Ladungsverteilung die Poisson-Boltzmann-Gleichung (PB-Gleichung), eine partielle Differentialgleichung, die die Beziehung zwischen der Verteilung des elektrostatischen Potentials und der Verteilung der Ladung und des Dielektrikums im dreidimensionalen Raum beschreibt und numerisch gel\u00f6st werden kann. Die g\u00e4ngigste numerische Methode zur L\u00f6sung der PB-Gleichung f\u00fcr makromolekulare Systeme wie Enzyme ist die Finite-Differenzen-Methode (FD), die allgemein als FDPB-Modell bezeichnet wird (Abbildung 3B). [14].<\/sup> Mit FDPB ist es m\u00f6glich, das elektrostatische Potenzial in drei Dimensionen auf der Grundlage der Raumladungsverteilung des gel\u00f6sten Stoffes zu berechnen, was wiederum die Berechnung anderer Eigenschaften wie der elektrostatischen freien Energie erm\u00f6glicht. Bei QM-Berechnungen kleiner molekularer Systeme wird das Reaktionsfeld h\u00e4ufig durch das elektrische Feld ersetzt, das durch die Oberfl\u00e4chenladungsverteilung auf der Oberfl\u00e4che des Molek\u00fcls erzeugt wird, und das entsprechende Modell wird als Modell des polarisierbaren kontinuierlichen Mediums (PCM) bezeichnet.<\/p>\n
\nAbb. 3 Elektrostatisches Kontinuumsmodell (A) und Finite-Differenzen-Poisson-Boltzmann (FDPB)-Methode (B).<\/p>\n
\nBei der Untersuchung der chemischen Schritte der Enzymkatalyse mit dem QM-Cluster-Modell ist es oft notwendig, das PCM-Modell zu verwenden, um den elektrostatischen Einfluss der Umgebung auf die Reaktionszone zu simulieren. Wenn der Reaktionsprozess signifikante \u00c4nderungen in der Ladungsverteilung beinhaltet, sind die Ergebnisse von Vakuum-QM-Berechnungen ohne die Verwendung eines kontinuierlichen Mediums nicht sinnvoll und k\u00f6nnen sogar zu falschen qualitativen Schlussfolgerungen f\u00fchren. Im QM\/MM-Modell ist das Reaktionszentrum im Allgemeinen von l\u00f6slichen Molek\u00fclen umgeben, die nach dem MM-Modell behandelt werden, und es besteht im Allgemeinen keine Notwendigkeit, das Reaktionsfeld eines kontinuierlichen Mediums zu ber\u00fccksichtigen. Wenn sich jedoch die Nettoladung des Systems vor und nach der Reaktion \u00e4ndert (z. B. bei Redoxpotenzialberechnungen), muss wahrscheinlich der Beitrag der L\u00f6sungsumgebung au\u00dferhalb der Systemgrenze zur freien Energie der Reaktion ber\u00fccksichtigt werden, und in diesem Fall k\u00f6nnen die QM\/MM-Ergebnisse mit dem Kontinuumsmediummodell korrigiert werden.
\nMM\/PBSA ist eine Methode, die ein Gleichgewicht zwischen Effizienz und Genauigkeit herstellt, und kann zur Analyse der Affinit\u00e4t von Protein-Protein- und Protein-Kleinmolek\u00fcl-Komplexen verwendet werden. [49].<\/sup> Um die Fehlerausl\u00f6schung zu erreichen, werden \u00fcblicherweise explizite Molekulardynamiksimulationen der Komplexe durchgef\u00fchrt, um eine Sammlung von Konformationen zu erhalten; f\u00fcr jede Komplexkonformation wird die MM\/PBSA-Energie des Komplexes als Ganzes bzw. jedes Monomers, aus dem der Komplex besteht, berechnet; und die freie Bindungsenergie wird durch Verwendung des Durchschnitts der Differenz zwischen der MM\/PBSA-Energie des Ganzen und derjenigen der Monomere f\u00fcr die gesamte Konformation angen\u00e4hert. Diese Methode kann verwendet werden, um Hotspot-Reste zu analysieren, die die Substrataffinit\u00e4t beeinflussen, und sie kann auch verwendet werden, um \u00c4nderungen der Substratselektivit\u00e4t in Mutanten vorherzusagen.<\/p>\n
\nDie Untersuchung von Biomolek\u00fclsystemen wie Proteinen mit Methoden der computergest\u00fctzten Chemie hat eine mehr als 40-j\u00e4hrige Geschichte. Diese Methoden werden in der industriellen Enzymforschung in immer gr\u00f6\u00dferem Umfang eingesetzt und gleichzeitig st\u00e4ndig weiterentwickelt. Chinas Forschungsteams im Bereich der computergest\u00fctzten Chemie und des industriellen Enzym-Engineerings werden immer gr\u00f6\u00dfer und ihre Forschungskapazit\u00e4ten verbessern sich rasch. Die Anwendung der computergest\u00fctzten Chemie im Enzym-Engineering wird in dem Ma\u00dfe erweitert und vertieft werden, wie sich die beiden Disziplinen immer st\u00e4rker miteinander verbinden. Protein-Engineering, gerichtete Evolution und andere Techniken haben einen gro\u00dfen Einfluss auf die industrielle Enzymforschung gehabt. Es wird erwartet, dass die k\u00fcnftige Entwicklung von Berechnungsmethoden, insbesondere der Durchbruch neuer Enzymdesignmethoden, der industriellen Enzymforschung im Zeitalter der synthetischen Biologie neue technologische Durchbr\u00fcche bescheren wird.<\/p>\nHow buyers usually evaluate enzyme and food-processing ingredients<\/h2>\n
\n
Empfohlene Produktreferenzen<\/h3>\n
\n
H\u00e4ufig gestellte Fragen f\u00fcr K\u00e4ufer und Formulierer<\/h3>\n
Because the best enzyme is the one that performs reliably under the actual process conditions and gives the desired downstream result without creating new issues.<\/p>\n
It is usually safer to pair the specification review with a pilot or application test because real substrates and process windows can change the result a lot.<\/p>\nKontaktieren Sie uns jetzt!<\/b><\/strong><\/h2>\n
Wenn Sie einen Preis ben\u00f6tigen, tragen Sie bitte Ihre Kontaktdaten in das unten stehende Formular ein. Wir werden uns in der Regel innerhalb von 24 Stunden mit Ihnen in Verbindung setzen. Sie k\u00f6nnen mir auch mailen\u00a0info@longchangchemical.com<\/a><\/span>\u00a0w\u00e4hrend der Gesch\u00e4ftszeiten ( 8:30 bis 18:00 Uhr UTC+8 Mo.~Sa. ) oder nutzen Sie den Live-Chat auf der Website, um eine schnelle Antwort zu erhalten.<\/b><\/strong><\/h4>\n
\n\n
\n Verbindung Glucoamylase<\/span><\/a><\/td>\n 9032-08-0<\/td>\n<\/tr>\n \n Pullulanase<\/span><\/a><\/td>\n 9075-68-7<\/td>\n<\/tr>\n \n Xylanase<\/span><\/a><\/td>\n 37278-89-0<\/td>\n<\/tr>\n \n Cellulase<\/span><\/a><\/td>\n 9012-54-8<\/td>\n<\/tr>\n \n Naringinase<\/span><\/a><\/td>\n 9068-31-9<\/td>\n<\/tr>\n \n \u03b2-Amylase<\/span><\/a><\/td>\n 9000-91-3<\/td>\n<\/tr>\n \n Glukose-Oxidase<\/span><\/a><\/td>\n 9001-37-0<\/td>\n<\/tr>\n \n alpha-Amylase<\/td>\n 9000-90-2<\/td>\n<\/tr>\n \n Pektinase<\/span><\/a><\/td>\n 9032-75-1<\/td>\n<\/tr>\n \n Peroxidase<\/td>\n 9003-99-0<\/td>\n<\/tr>\n \n Lipase<\/span><\/a><\/td>\n 9001-62-1<\/td>\n<\/tr>\n \n Katalase<\/span><\/a><\/td>\n 9001-05-2<\/td>\n<\/tr>\n \n TANNASE<\/span><\/a><\/td>\n 9025-71-2<\/td>\n<\/tr>\n \n Elastase<\/span><\/a><\/td>\n 39445-21-1<\/td>\n<\/tr>\n \n Urease<\/span><\/a><\/td>\n 9002-13-5<\/td>\n<\/tr>\n \n DEXTRANASE<\/span><\/a><\/td>\n 9025-70-1<\/td>\n<\/tr>\n \n L-Milch-Dehydrogenase<\/span><\/a><\/td>\n 9001-60-9<\/td>\n<\/tr>\n \n Dehydrogenase Malat<\/span><\/a><\/td>\n 9001-64-3<\/td>\n<\/tr>\n \n Cholesterin-Oxidase<\/span><\/a><\/td>\n 9028-76-6<\/td>\n<\/tr>\n<\/tbody>\n<\/table>","protected":false},"excerpt":{"rendered":"