Подходы In Silico для идентификации структуры белка семейства глюкогоновых

Введение: Интерес к функциональным белкам, получаемым из продуктов питания, возрос из-за их потенциального терапевтического эффекта при широком спектре заболеваний. Изучение биологической активности пищевых белков, обладающий антигипертензивными свойствами с помощью традиционных методов - дорогостоящий и трудоёмкий процесс. Поэтому компьютерные подходы, которые могут спрогнозировать образование биоактивных пептидов из источника животного происхождения, а также проанализировать взаимосвязь между структурой и функцией белка, приобрели новое значение в научной области. Использование протеомных методов анализа in silico, позволит решить проблему обеспечения населения достаточным количеством полноценного белка, путем обогащения продуктов функциональной направленности.

Цель: идентификация структуры и функциональных доменов низкомолекулярного белка из свиных желудков методом in silico с использованием UniProt и STRING, с целью оценки его антигипертензивного потенциала.

Материалы и методы: Белок массой ~10,7 кДа, выделенный из свиных желудков, был охарактеризован с использованием in silico подходов на базе UniProtKB (функциональная аннотация) и STRING (анализ PPI-сетей), с последующим структурным моделированием.

Результаты: Идентифицирован белок P01284, принадлежащий к семейству глюкогоновых, представленный 75 аминокислотами (массой 8,5 кДа), предполагаемо обладающий вазоактивной активностью на основе анализа функциональных доменов и белок-белковых взаимодействий.

Выводы: Результаты подтверждают целесообразность использования in silico анализа для прогнозирования биоактивности пищевых белков и обосновывают дальнейшие in vivo исследования P01284 как антигипертензивного агента нутрицевтического профиля.

1. Зайцева, Н.В., Землянова, М.А., & Пескова, Е.В. (2024). Прогноз вероятных негативных эффектов, инициированных трансформацией протеомного профиля плазмы крови человека при комбинированном воздействии химических веществ. Гигиена и санитария, 103(5), 407-415. https://doi.org/10.47470/0016-9900-2024-103-5-407-415.

2. Мезенова О. Я. (2023). Современная пищевая биотехнология: основные проблемы и вызовы // Вестник Международной академии холода, (1), 35–46. DOI: 10.17586/1606-4313-2023-22-1-35-46

3. Кольберг Н. А., Тихонова Н. В., Тихонов С. Л., Леонтьева С. А., & Сергеева И. Ю. (2022). Разработка технологии выделения и исследования иммунотропного действия бурсальных пептидов на мышах с экспериментальным иммунодефицитом. Техника и технология пищевых производств, (2), 296-309. DOI: https://doi.org/10.21603/2074-9414-2022-2-2364

4. Улитина Е.А., Валиева Ш.С., Тихонов С.Л., & Тихонова Н.В. (2024). Новый антимикробный пищевой пептид: характеристика, свойства и оценка эффективности, Аграрная наука, (4), 132-137. https://doi.org/10.32634/0869-8155-2024-381-4-132-137

5. Bellaver, E. H., & Kempka, A. P. (2023). Potential of milk-derived bioactive peptides as antidiabetic, antihypertensive, and xanthine oxidase inhibitors: a comprehensive bibliometric analysis and updated review. Amino Acids, 55(12), 1829–1855. https://doi.org/10.1007/s00726-023-03351-9

6. Boshchenko, A. A., Maslov, L. N., Mukhomedzyanov, A. V., Zhuravleva, O. A., Slidnevskaya, A. S., Naryzhnaya, N. V., Zinovieva, A. S., & Ilinykh, P. A. (2024). Peptides are cardioprotective drugs of the future: The receptor and signaling mechanisms of the cardioprotective effect of Glucagon-like Peptide-1 receptor agonists. International Journal of Molecular Sciences, 25(9), 4900. https://doi.org/10.3390/ijms25094900

7. Ishihara, T., Nakamura, S., Kaziro, Y., Takahashi, T., Takahashi, K., & Nagata, S. (1991). Molecular cloning and expression of a cDNA encoding the secretin receptor. The EMBO Journal, 10(7), 1635–1641. https://doi.org/10.1002/j.1460-2075.1991.tb07686.x

8. Ishihara, T., Shigemoto, R., Mori, K., Takahashi, K., & Nagata, S. (1992). Functional expression and tissue distribution of a novel receptor for vasoactive intestinal polypeptide. Neuron, 8(4), 811–819. https://doi.org/10.1016/0896-6273(92)90101-i

9. Cao, L., Coventry, B., Goreshnik, I., Huang, B., Sheffler, W., Park, J. S., Jude, K. M., Marković, I., Kadam, R. U., Verschueren, K. H. G., Verstraete, K., Walsh, S. T. R., Bennett, N., Phal, A., Yang, A., Kozodoy, L., DeWitt, M., Picton, L., Miller, L., Strauch, E. M., … Baker, D. (2022). Design of protein-binding proteins from the target structure alone. Nature, 605(7910), 551–560. https://doi.org/10.1038/s41586-022-04654-9

10. Chung, W. T., & Chung, K. C. (2023). The use of the E-value for sensitivity analysis. Journal of Clinical Epidemiology, 163, 92–94. https://doi.org/10.1016/j.jclinepi.2023.09.014

11. Elisha, C., Bhagwat, P., & Pillai, S. (2024). Emerging production techniques and potential health promoting properties of plant and animal protein-derived bioactive peptides. Critical Reviews in Food Science and Nutrition, 1–30. https://doi.org/10.1080/10408398.2024.2396067

12. Folador, E. L., Hassan, S. S., Lemke, N., Barh, D., Silva, A., Ferreira, R. S., & Azevedo, V. (2014). An improved interolog mapping-based computational prediction of protein-protein interactions with increased network coverage. Integrative Biology: Quantitative Biosciences from Nano to Macro, 6(11), 1080–1087. https://doi.org/10.1039/c4ib00136b

13. Jüppner, H., Abou-Samra, A. B., Freeman, M., Kong, X. F., Schipani, E., Richards, J., Kolakowski, L. F., Jr, Hock, J., Potts, J. T., Jr, & Kronenberg, H. M. (1991). A G protein-linked receptor for parathyroid hormone and parathyroid hormone-related peptide. Science, 254(5034), 1024–1026. https://doi.org/10.1126/science.1658941

14. Kynast, J. P., Schwägerl, F., & Höcker, B. (2022). ATLIGATOR: editing protein interactions with an atlas-based approach. Bioinformatics, 38(23), 5199–5205. https://doi.org/10.1093/bioinformatics/btac685

15. Kynast, J. P., & Höcker, B. (2023). Atligator web: A graphical user interface for analysis and design of protein-peptide interactions. Biodesign Research, 5, 0011. https://doi.org/10.34133/bdr.0011

16. Lafarga, T., O'Connor, P., & Hayes, M. (2014). Identification of novel dipeptidyl peptidase-IV and angiotensin-I-converting enzyme inhibitory peptides from meat proteins using in silico analysis. Peptides, 59, 53–62. https://doi.org/10.1016/j.peptides.2014.07.005

17. Lauder, L., Mahfoud, F., Azizi, M., Bhatt, D. L., Ewen, S., Kario, K., Parati, G., Rossignol, P., Schlaich, M. P., Teo, K. K., Townsend, R. R., Tsioufis, C., Weber, M. A., Weber, T., & Böhm, M. (2023). Hypertension management in patients with cardiovascular comorbidities. European Heart Journal, 44(23), 2066–2077. https://doi.org/10.1093/eurheartj/ehac395

18. Lin, H. Y., Harris, T. L., Flannery, M. S., Aruffo, A., Kaji, E. H., Gorn, A., Kolakowski, L. F., Jr, Lodish, H. F., & Goldring, S. R. (1991). Expression cloning of an adenylate cyclase-coupled calcitonin receptor. Science, 254(5034), 1022–1024. https://doi.org/10.1126/science.1658940

19. Li, R., Wu, T., Xu, X., Duan, X., & Wang, Y. (2025). Deep learning-based discovery of compounds for blood pressure lowering effects. Scientific Reports, 15(1), 54. https://doi.org/10.1038/s41598-024-83924-0

20. Li, H., Zou, L., Kowah, J. A. H., He, D., Liu, Z., Ding, X., Wen, H., Wang, L., Yuan, M., & Liu, X. (2023). A compact review of progress and prospects of deep learning in drug discovery. Journal of Molecular Modeling, 29(4), 117. https://doi.org/10.1007/s00894-023-05492-w

21. Lin, K., Zhang, L. W., Han, X., Xin, L., Meng, Z. X., Gong, P. M., & Cheng, D. Y. (2018). Yak milk casein as potential precursor of angiotensin I-converting enzyme inhibitory peptides based on in silico proteolysis. Food Chemistry, 254, 340–347. https://doi.org/10.1016/j.foodchem.2018.02.051

22. Madival, S. D., Mishra, D. C., Sharma, A., Kumar, S., Maji, A. K., Budhlakoti, N., Sinha, D., & Rai, A. (2022). A deep clustering-based novel approach for binning of metagenomics data. Current genomics, 23(5), 353–368. https://doi.org/10.2174/1389202923666220928150100

23. Muangrod, P., Charoenchokpanich, W., Roytrakul, S., Rungsardthong, V., Charoenlappanit, S., Wonganu, B., Tabtimmai, L., Chamsodsai, P., Casanova, F., & Thumthanaruk, B. (2025). Bioactivity assessment of peptides derived from salted jellyfish (Rhopilema hispidum) byproducts. PloS One, 20(2), e0318781. https://doi.org/10.1371/journal.pone.0318781

24. Ramdani, S., & Haddiya, I. (2024). Updates in the management of hypertension. Annals of Medicine and Surgery, 86(6), 3514–3521. https://doi.org/10.1097/MS9.0000000000002052

25. Rubattu, S., & Gallo, G. (2022). The Natriuretic Peptides for Hypertension Treatment. High blood pressure & cardiovascular prevention: The official journal of the Italian Society of Hypertension, 29(1), 15–21. https://doi.org/10.1007/s40292-021-00483-5

26. Said, S. I., & Mutt, V. (1970). Polypeptide with broad biological activity: Isolation from small intestine. Science, 169(3951), 1217–1218. https://doi.org/10.1126/science.169.3951.1217

27. Shukla, P., Chopada, K., Sakure, A., & Hati, S. (2022). Current trends and applications of food-derived antihypertensive peptides for the management of cardiovascular disease. Protein and Peptide Letters, 29(5), 408–428. https://doi.org/10.2174/0929866529666220106100225

28. Suo, Q., Yue, Y., Wang, J., Wu, N., Geng, L., & Zhang, Q. (2022). Isolation, identification and in vivo antihypertensive effect of novel angiotensin I-converting enzyme (ACE) inhibitory peptides from Spirulina protein hydrolysate. Food & Function, 13(17), 9108–9118. https://doi.org/10.1039/d2fo01207c

29. Varadi, M., Bertoni, D., Magana, P., Paramval, U., Pidruchna, I., Radhakrishnan, M., Tsenkov, M., Nair, S., Mirdita, M., Yeo, J., Kovalevskiy, O., Tunyasuvunakool, K., Laydon, A., Žídek, A., Tomlinson, H., Hariharan, D., Abrahamson, J., Green, T., Jumper, J., Birney, E.,Velankar, S. (2024). AlphaFold Protein Structure Database in 2024: Providing structure coverage for over 214 million protein sequences. Nucleic Acids Research, 52(D1), D368–D375. https://doi.org/10.1093/nar/gkad1011

30. Volzhenin, K., Bittner, L., & Carbone, A. (2024). SENSE-PPI reconstructs interactomes within, across, and between species at the genome scale. iScience, 27(7), 110371. https://doi.org/10.1016/j.isci.2024.110371

31. Wu, K., Jiang, H., Hicks, D. R., Liu, C., Muratspahić, E., Ramelot, T. A., Liu, Y., McNally, K., Kenny, S., Mihut, A., Gaur, A., Coventry, B., Chen, W., Bera, A. K., Kang, A., Gerben, S., Lamb, M. Y., Murray, A., Li, X., Kennedy, M. A., Baker, D. (2025). Design of intrinsically disordered region binding proteins. bioRxiv: the preprint server for biology, 2024.07.15.603480. https://doi.org/10.1101/2024.07.15.603480

32. Zheng, S. L., Luo, Q. B., Suo, S. K., Zhao, Y. Q., Chi, C. F., & Wang, B. (2022). Preparation, identification, molecular docking study and protective function on HUVECs of novel ACE inhibitory peptides from protein hydrolysate of skipjack tuna muscle. Marine Drugs, 20(3), 176. https://doi.org/10.3390/md20030176