Новые подходы к моделированию структурной динамики и взаимодействий белковых молекул тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Лузик Дмитрий Александрович

• Лузик Дмитрий Александрович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Лузик Дмитрий Александрович

Введение

Актуальность работы

Цели и задачи

Научная новизна и практическая значимость

Методология и методы исследования

Личный вклад автора

Структура и содержание диссертации

Степень достоверности и апробация результатов

Основные научные результаты

Положения, выносимые на защиту

Глава 1. Моделирование ковалентного связывания пептида с белком методом МД. Исследование конъюгации пептида Sos1-X' с N-терминальным доменом белка Grb2

1.1 Литературный обзор

1.1.1 Клиническое применение пептидов

1.1.2 Ковалентные пептидные ингибиторы: механизм и применение

1.1.3 Структурный дизайн ковалентных пептидных ингибиторов

1.2 Материалы и методы

1.2.1 Получение образцов

1.2.2 Эксперименты ЯМР

1.2.3 Гель-электрофорез

1.2.4 Тандемная масс-спектрометрия

1.2.5 Параметризация ненативных остатков для силового поля Amber ff14SB

1.2.6 Моделирование МД

1.2.7 Анализ траекторий МД и валидация моделей

1.3 Результаты и обсуждение

1.3.1 Экспериментальное исследование нековалентного связывания

Sos1-X' и Gr b2 N-SH3

1.3.2 Экспериментальное исследование ковалентного связывания

Sos1-X' и Gr b2 N-SH3

1.3.3 Исследование специфичности и механизма реакции

1.3.4 МД моделирование ковалентного связывания Grb2 N-SH3 и Sos1-X'

1.3.5 Оценка и валидация МД модели

1.3.6 Обсуждение

1.4 Заключение

Глава 2. Итеративное моделирование с помощью структурной диффузии (ИМСД): исследование путей перехода между фолдами в метаморфных белках с использованием

генеративной диффузионной модели БТСопГ

2.1 Литературный обзор

2.1.1 Метаморфные белки

2.1.2 Экспериментальные методы исследования метаморфных белков

2.1.3 Вычислительные методы исследования и предсказания метаморфных белков

2.2 Материалы и методы

2.2.1 Референсные структуры

2.2.2 Запуск встроенных алгоритмов ЦСо^

2.2.3 Алгоритм ИМСД

2.3 Результаты и обсуждение

2.3.1 Оценка способности к предсказанию множественных фолдов метаморфных белков

2.3.2 Моделирование изменения фолда ОЛ98 методом ИМСД

2.3.3 Моделирование изменения фолда БЛ1 У90Т методом ИМСД

2.3.4 Моделирование изменения фолда

изолированного ^аН-СТБ методом ИМСД

2.3.5 Моделирование изменения фолда метаморфных белков с помощью встроенных алгоритмов ШСо^

2.3.6 Обсуждение

2.4 Заключение

Выводы

Список сокращений и обозначений

Список литературы

Благодарности

Введение диссертации (часть автореферата) на тему «Новые подходы к моделированию структурной динамики и взаимодействий белковых молекул»

Введение Актуальность работы

Понимание особенностей структуры и динамики белков, особенно в контексте их взаимодействий, критически важно для изучения их функции и механизмов действия, а также для разработки лекарственных препаратов. Хотя экспериментальные методы структурной биологии и молекулярной биофизики (рентгеноструктурный анализ, ЯМР спектроскопия, криоэлектронная микроскопия, флуоресцентная микроскопия, спектроскопия кругового дихроизма и др.) являются важнейшим источником информации о биомолекулах, они часто не дают полного представления о структурных трансформациях биомолекул и, в особенности, о быстро протекающих структурных перестройках. В этой ситуации на помощь приходят разнообразные методы компьютерного моделирования, которые играют важную роль в таких областях исследовании как биохимия, биофизика и структурная биоинформатика.

Одним из наиболее значимых методов компьютерного моделирования белковых молекул является молекулярная динамика (МД), моделирующая движение атомов во времени в соответствии с законами классической механики. Применение алгоритмов МД позволяет получить детальную информацию о динамике белков и их взаимодействиях, а также даёт возможность исследовать влияние различных факторов на поведение белков (мутации, посттрансляционные модификации, редокс-потенциал, рН, концентрация ионов в растворе и т.д.). Все это помогает объяснять наблюдаемые в экспериментах эффекты и получать детализированную картину различных биомолекулярных процессов [1].

Метод классической МД показал высокую эффективность в исследовании процессов на малых временных промежутках (наносекунды, микросекунды). Однако многие биологически важные процессы (сворачивание/разворачивание белков, значительные конформационные перестройки, формирование ковалентных связей) характеризуются высокими энергетическими барьерами и происходят в масштабе времен (миллисекунды, секунды), на порядки превышающем времена, доступные для стандартного МД моделирования. На сегодняшний день для исследования таких процессов разработан ряд подходов, расширяющих возможности этого метода. К таковым, например, относятся ускоренная МД (аМО) [2] и метадинамика [3], использующие добавочный потенциал для выведения системы из энергетического минимума. Данные методы давно и успешно применяются для моделирования таких процессов как связывание белков, фолдинг и другие конформационные перестройки [4]. Достаточно эффективным вычислительным методом для моделирования структурных трансформаций на длительных промежутках времени является также МД с обменом репликами (ЯЕМО). В рамках этого подхода несколько копий (реплик) системы моделируются одновременно при различных температурах. Периодически реплики с

некоторой вероятностью обмениваются своими состояниями (конформациями), что позволяет системе переходить в более высокоэнергетические состояния при более высоких температурах и более эффективно исследовать конформационное пространство [5].

Кроме того, существует ряд гибридных методов, включающих в себя квантово-механические вычисления ^М/ММ) для химически активных участков белков, например, активных центров ферментов [6], или вычисления с использованием реактивных силовых полей (ЕК^Т) [7] для моделирования процессов разрыва и образования ковалентных связей [7, 8]. Несмотря на успехи в применении этих подходов, их использование требует больших вычислительных ресурсов и длительного времени моделирования. В последнее время набирает популярность использование силовых полей, созданных с использованием машинного обучения для предсказания динамики на длительных временных интервалах. Такой подход позволяет сократить время вычислений при моделирования различных процессов с высокими энергетическими барьерами. Например, недавно опубликованное силовое поле Л12ВМВ продемонстрировало способность эффективно исследовать конформационное пространство пептидов и белков, а также воспроизводить процессы их сворачивания и разворачивания за вполне разумное время [9].

Говоря о машинном обучении, нельзя не отметить такое революционное достижение последних лет как создание моделей на основе искусственного интеллекта для предсказания белковых структур, наиболее известными из которых являются AlphaFold [10] и RoseTTAFold [11]. Несмотря на то, что изначальным предназначением этих инструментов являлось предсказание статичных белковых структур, использование их в комбинации с методами кластеризации и рандомизации множественных выравниваний (AFCluster [ 12], ЛБ8ашр1е [13] и др.), а также генеративными диффузионными моделями (RFDiffusion [14], ЦБСопГ [15] и др.), позволяет получить представление о конформационных ансамблях белков вне зависимости от величины энергетического барьера между отдельными конформерами, и предсказывать малонаселенные структурные состояния, недоступные для исследования в рамках классической МД и с трудом наблюдаемые в экспериментах. Вместе с результатами стандартного МД моделирования, эта информация значительно дополняет экспериментальные данные и расширяет представления о сложных процессах, посредством которых реализуется биологическая функция белков.

Таким образом, можно заключить, что задача разработки новых алгоритмов для моделирования структурной динамики и взаимодействий белков, в том числе с привлечением технологий нового поколения, является актуальным и стремительно развивающимся направлением в области исследования структурной динамики и взаимодействии белков.

Цели и задачи

Представленная работа состоит из двух глав. Целью первой части работы была реализация алгоритма, позволяющего получать высококачественные модели белок-пептидных конъюгатов в рамках стандартного моделирования МД без воспроизведения химических деталей реакции, а также валидация результатов работы этого алгоритма на основе экспериментальных данных. В качестве модельной системы при разработке нашего протокола мы использовали комплекс N-терминального SH3 домена адаптерного белка Grb2 (Grb2 N-SH3) c пептидом, "вырезанным" из его нативного белкового лиганда Sosl и модифицированным добавлением реакционноспособной группы №-хлорацетиллизина (Sosl-X') [16]. Для достижения данной цели нами был поставлен ряд задач:

1) Оценить различные параметры взаимодействия, а также подтвердить специфичность реакции с остатком-мишенью c помощью методов 2D- и 3D-XMP, ВЭЖХ-МС/МС (LC-MS/S) и ДСН-ПААГ (SDS-PAGE).

2) На основе полученных экспериментальных данных для нековалентного и ковалентного комплексов Grb2 N-SH3 с пептидом Sosl-X' разработать процедуру для моделирования процесса образования ковалентной связи.

3) Показать достоверность полученной МД модели путем сравнения значений химических сдвигов сигналов ЯМР, рассчитанных из траекторий МД, со значениями, полученными нами в экспериментах для конъюгата Grb2 N-SH3 • Sos1-X'.

Целью второй части была разработка алгоритма для моделирования структурных переходов в метаморфных белках на основе недавно опубликованной генеративной диффузионной модели Uni-Fold Conformer (UFConf) [15]. Метаморфные белки представляют собой необычный класс белковых молекул, способных одновременно принимать две различные структурные формы (укладки). Существование подобных белков опровергает эмпирический принцип, известный под названием "догма Анфинсена". В рамках данной работы мы оценили предсказательную способность UFConf в отношении метаморфных белков, а также осуществили моделирование процесса метаморфного перехода в трех известных белках этого типа - GA98 [17], SA1 V90T [18] и C-концевом домене RfaH (RfaH-CTD) [19]. Для достижения данной цели нами был поставлен ряд задач:

1) Оценить способность UFConf предсказывать альтернативные укладки (фолды) метаморфных белков.

2) Разработать процедуру для моделирования метаморфных переходов на основе генеративной диффузионной модели UFConf.

3) Показать достоверность получаемых с помощью нового алгоритма моделей путем сравнения их c экспериментальными данными, опубликованными ранее для исследуемых систем в литературе.

Научная новизна и практическая значимость

Предложенный в первой главе новый алгоритм моделирования позволяет получать высококачественные модели ковалентных комплексов белок-пептид на основе метода классического МД моделирования. Данный подход может быть применен не только для оценки структуры конъюгатов как таковой, но и, что не менее важно, его структурных и динамических свойств после образования связи в рамках единой траектории. Наш протокол может найти применение при решении таких биомедицинских задач, как разработка ковалентных пептидных и/или белковых лигандов, позволяя, в частности, оценить возможные конформационные изменения белка-мишени, происходящие в результате связывания.

Алгоритм итеративного моделирования с помощью структурной диффузии (ИМСД), разработанный в рамках второй части нашей работы, позволяет за сравнительно короткое время моделировать структурные переходы в метаморфных белках, сопровождающиеся изменением фолда. Метод ИМСД может найти применение как для исследования ранее описанных метаморфных белков, для которых оба структурных состояния известны, так и проверки гипотез относительно альтернативных состояний в тех случаях, когда структура экспериментально определена только одного из состояний белка. Наш подход также может быть полезен для целей de novo дизайна метаморфных белков в случаях, когда оба состояния представлены вычислительными моделями. Кроме того, в рамках данной работы, нами была впервые получена детальная модель структурного перехода в метаморфном белке SA1 V90T, которую можно рассматривать как теоретическое предсказание, ожидающее экспериментального подтверждения.

Методология и методы исследования

Детальное описание методов исследования, использованных в данной работе, приводится в разделах "Материалы и методы", которые содержаться обеих главах.

Белок Grb2 N-SH3, являвшийся объектом исследования в данной работе, был получен методом рекомбинантной экспрессии в бактериальных клетках E.coli в Лаборатории биомолекулярного ЯМР СПбГУ, а пептиды, полученные твердофазным химическим синтезом, были приобретены в коммерческой компании. В экспериментальной части работы были задействованы широко используемые биофизические и биохимические методы, такие как спектроскопия ЯМР, LC-MS/MS и SDS-PAGE. Интерпретация экспериментальных результатов

проводилась как с использованием соответствующего коммерческого ПО, разработанного изготовителями оборудования, так и сторонних программных пакетов, а также программ, специально написанных для соответствующих целей на языке Python. Запуск и анализ траекторий МД проводились с использованием программного пакета AMBER в комбинации с написанными в рамках работы алгоритмами.

Для моделирования метаморфных переходов с помощью алгоритма ИМСД использовалась специальная программа, написанная автором на языке Python. В основе алгоритма лежит генеративная диффузионная модель UFConf, созданная на основе платформы AlphaFold2. Валидация результатов работы с использованием данного подхода проводилась с помощью анализа соответствующих данных, опубликованных в научной литературе.

Личный вклад автора

Автор принимал активное участие на всех этапах получения и интерпретации результатов, представленных в данной работе. Образцы исследуемых белков были получены лично автором. Все ЯМР измерения и их интерпретация, а также анализ SDS-PAGE были выполнены лично автором. Измерения LC-MS/MS и интерпретация их результатов были выполнены М.И. Индейкиной и А.С. Кононихиным. Алгоритм МД моделирования образования ковалентных связей был реализован О.Н. Рогачевой на базе платформы, разработанной С.А. Измайловым. Траектории МД были записаны и проанализированы О.Н. Рогачевой. Валидация протокола моделирования проводилась О.Н. Рогачевой совместно с автором работы. Разработка алгоритма ИМСД и валидация полученных с его помощью результатов были выполнены лично автором. Все работы проводились под руководством Н.Р. Скрынникова.

Структура и содержание диссертации

Диссертация состоит из введения, двух глав и раздела с выводами работы. Каждая глава содержит литературный обзор, описание методов, раздел, посвященный результатам и их обсуждению, а также заключение. В главе 1 приводится описание разработанного нами протокола для моделирования процесса ковалентного связывания между пептидом, содержащим специальную реакционноспособную группу, и белком-мишенью. Новый протокол реализован на базе платформы для МД моделирования AMBER и продемонстрирован на примере частного случая конъюгации пептида Sos1-X' с N-терминальным SH3 доменом белка Grb2. Глава 2 посвящена разработке алгоритма ИМСД на основе генеративной диффузионной модели UFConf и его приложению для моделирования структурных переходов в метаморфных белках на примере трех известных систем: GA98, SA1 V90T и RfaH-CTD.

Работа изложена на 129 страницах и включает 37 рисунков. Библиографический список содержит 241 наименование.

Степень достоверности и апробация результатов

Результаты, изложенные в данной работе, были представлены на следующих российских и международных конференциях:

1. 4-я ежегодная конференция Института трансляционной биомедицины СПбГУ (ИТБМ СПбГУ) «Актуальные проблемы трансляционной биомедицины - 2018», Санкт-Петербург, Россия, 20-22 июля 2018 г.

2. International student conference "Science and Progress - 2018", Санкт-Петербург, Россия, 1214 ноября 2018 г.

3. 5-я ежегодная конференция Института трансляционной биомедицины СПбГУ (ИТБМ СПбГУ) «Актуальные проблемы трансляционной биомедицины - 2019», Санкт-Петербург, Россия, 25-27 июля 2019 г.

4. 44th FEBS Congress: From molecules to living systems, Краков, Польша, 6-11 июля 2019 г.

5. 49th FEBS Congress: Bridging continents to advance life sciences, Стамбул, Турция, 5-9 июля 2025 г.

Результаты работы также изложены в трех статьях, опубликованных в рецензируемых научных журналах, индексируемых в международных наукометрических базах Scopus и Web of Science:

1. Luzik D.A., Rogacheva O.N., Izmailov S.A., Indeykina M.I., Kononikhin A.S., Skrynnikov N.R. Molecular Dynamics model of peptide-protein conjugation: case study of covalent complex between Sos1 peptide and N-terminal SH3 domain from Grb2 // Scientific Reports. — 2019. — Т. 9. — № 1. — P. 20219. [20]

2. Bolgov A., Korban S., Luzik D., Zhemkov V., Kim M., Rogacheva O., Bezprozvanny I. Crystal structure of the SH3 domain of growth factor receptor-bound protein 2 // Acta Crystallographica Section F Structural Biology Communications. — 2020. — Т. 76. — № 6. — C. 263-270. [21]

3. Luzik D.A., Skrynnikov N.R. Iterative Modeling via Structural Diffusion (IMSD): Exploring Fold-Switching Pathways in Metamorphic Proteins Using AlphaFold2-Based Generative Diffusion Model UFConf // Proteins: Structure, Function, and Bioinformatics. — 2025 [22]

Основные научные результаты

1. Получено экспериментальное описание модельной системы - комплекса Grb2 ^БНЗ с пептидом Sos1, модифицированным добавлением реактивной группы №-хлорацетиллизина (Sos1-X'). Определены структурные характеристики нековалентного и ковалентного комплексов, подтверждены специфичность реакции конъюгации и ее механизм. [20, 21] (Личный вклад автора не менее 80%)

2. На основе экспериментального описания рассматриваемой системы разработан алгоритм, позволяющий моделировать процесс формирования ковалентных связей в комплексах белок-пептид в рамках траекторий стандартной молекулярной динамики (МД). Данный алгоритм не учитывает химических деталей реакции, однако позволяет исследовать конформационные изменения, сопровождающие процесс конъюгации. Новый алгоритм позволяет получать реалистичные модели ковалентных комплексов белок-пептид. Этот вывод был подтвержден путем сравнения полученной модели ковалентного комплекса ОгЬ2 К^НЗ • Sos1-X' с данными спектроскопии ЯМР и других экспериментов. [20] (Личный вклад автора не менее 50%)

3. Оценена способность генеративной диффузионной модели (ГДМ) UFConf воспроизводить альтернативные конформации метаморфных белков. Несмотря на то, что предсказательная способность данной ГДМ в отношении таких систем оказалась ограниченной, нам удалось обнаружить, что генерируемые ею конформационные ансамбли содержат структурные состояния, которые, предположительно, можно считать промежуточными при переходе метаморфного белка от одной укладки (фолда) к другой. [22]

4. На основе этих наблюдений разработан алгоритм итеративного моделирования посредством структурной диффузии (ИМСД), позволяющий реконструировать пути переходов между основным и альтернативным структурными состояниями метаморфных белков. С помощью данного алгоритма были получены детальные модели путей метаморфных переходов для белков ОЛ98, SA1 У90Т и RfaH-CTD. В случаях ОЛ98 и RfaH-CTD было показано, что полученные модели хорошо соответствуют экспериментальным данным, опубликованным в литературе. Применение алгоритма ИМСД к SA1 У90Т позволило получить первую детальную модель метаморфного перехода для этого белка, достоверность которой может быть подтверждена будущими экспериментальными исследованиями. [22]

Положения, выносимые на защиту

1. Разработан алгоритм, позволяющий моделировать процесс образования межмолекулярных ковалентных связей в комплексах белков с пептидами в рамках классической молекулярной динамики.

2. Сравнение полученной таким способом структурной модели ковалентного комплекса ОгЬ2 К-БЫЗ • Бов1-Х' с данными спектроскопии ЯМР подтвердило высокое качество модели.

3. Разработан алгоритм итеративного моделирования посредством структурной диффузии (ИМСД) на основе генеративной диффузионной модели ЦБСоп^ предназначенный для предсказания путей структурных переходов в метаморфных белках.

4. Показано хорошее соответствие путей структурных переходов, предсказанных методом ИМСД, для метаморфных белков ОЛ98 и ШаЫ-СТБ, с опубликованными ранее в литературе экспериментальными данными, что свидетельствует о достоверности получаемых моделей.

Глава 1. Моделирование ковалентного связывания пептида с белком методом МД. Исследование конъюгации пептида Sos1-X' с N-терминальным доменом белка Grb2

1.1 Литературный обзор

1.1.1 Клиническое применение пептидов

История медицинского применения пептидных препаратов началась в 1920-е годы с началом использованием инсулина для терапии сахарного диабета [23]. Уже в первой половине XX этот и другие пептидные гормоны, выделяемые из природных источников, прочно вошли в медицинскую практику и использовались для лечения различных заболеваний. В начале 1950-х годов развитие методов химического синтеза и определения аминокислотной последовательности сделало возможным получение синтетических пептидных гормонов, таких как вазопрессин, окситоцин и соматостатин, за что Винсент де Виньо был удостоен Нобелевской премии по химии в 1955 году [24]. Разработка технологии твердофазного синтеза пептидов (ТПС) в 1963 году, отмеченная Нобелевской премией по химии 1984 года, и последующие успехи в области их получения рекомбинантным способом в 1980-е годы привели к резкому увеличению количество препаратов этого типа на рынке лекарственных средств [25, 26]. Сегодня ускорению темпов развития этой области биомедицины значительно способствуют появление в последние десятилетия новых методов химического синтеза, подходов к рекомбинантной экспрессии белков и пептидов, дисплейных технологий, поиска новых естественных источников биологически активных пептидов, в частности ядов и токсинов различных видов животных и растений (т.н. веномика), а также развитие методологии их in silico дизайна [24-30].

Говоря о пептидных лекарственных средствах, нельзя также не упомянуть обширный класс циклических пептидов с антимикробными свойствами. Начиная с 1939 года, когда из культуры Bacillus brevis был выделен пептид грамицидин, обладающий ярко выраженной бактерицидной и бактериостатической активностью, было предложено множество подобных препаратов [31]. По состоянию на 2023 год насчитывалось 60 одобренных лекарств на основе пептидов (Ванкомицин, Даптомицин и др.), еще 400 находилось на стадии клинических испытаний, а число публикаций, касающихся этой тематики постоянно растет [32,33].

Таким образом, можно заключить, что за последние 100 лет лекарственные средства на основе пептидов показали высокую эффективность в клинической практике. Многие препараты этого типа, такие как Грамицидин, Инсулин, различные агонисты глюкагонподобного рецептора, Окситоцин, Госерелин и некоторые другие являются известными примерами терапевтического применения соединений этого класса, которые широко и успешно используются в современной

медицине [24-28,34]. Схематически история медицинского применения пептидных препаратов проиллюстрирована на рисунке 1.

Рисунок 1. Схематичное представление истории изобретения пептидных препаратов и методов их разработки (адаптировано с изменениями из обзора [24])

В сравнении с малыми молекулами и антителами пептидные препараты имеют ряд неоспоримых преимуществ, таких как низкая токсичность и относительно низкая стоимость производства [25]. Тем не менее, пептидная терапия не получила особенно широкого распространения в силу таких ее ограничений, как низкая оральная биодоступность пептидов, и их высокая чувствительность к протеолитическому расщеплению в плазме крови. Кроме того, фактически набор белков-мишеней для пептидных препаратов ограничен белками-рецепторами, расположенными на поверхности клеток, а также секретируемыми белками, в силу ограниченной способности пептидов проникать через клеточные мембраны [35]. Проблема селективной доставки пептидов в цитозоль клетки остается нерешенной, несмотря на многочисленные попытки решить эту проблему с помощью упаковки пептидов в липосомы и использования специальных аминокислотных последовательностей, предположительно увеличивающих способность пептидов к прямому прохождению через мембраны, таких как олигоаргининовые тэги, ТЛТ-тэги и некоторые другие [36-38]. По этим причинам наиболее успешными из препаратов этого типа являются аналоги пептидных гормонов или их модифицированные версии, специфически взаимодействующие с соответствующими поверхностными рецепторами, такие как гозерелин (Золадекс), вазопрессин (десмопрессин), семаглутид (Оземпик) и многие другие

[34,39]. Терапевтические пептиды, являющиеся аналогами естественных гормонов, либо фрагментами естественных белковых лигандов, имитирующими их, могут играть роль как антагонистов различных рецепторов, ингибируя их (дегареликс, октреотид), так и быть их агонистами (десмопрессин, эксенатид, Оземпик, и др.), что значительно расширяет границы медицинского применения препаратов данного типа [34].

Кроме прямого терапевтического действия, пептиды потенциально могут быть использованы и для других целей медицинской практики, благодаря широким возможностям для введения различных модификаций. Так, на основе синтетического пептидного аналога соматостатина октреотида был разработан и впервые внедрен в клиническую практику препарат Октреоскан, полученный путем добавления к пептидной основе хелатной группы ДТПА в комплексе с изотопом 1111п, который широко используется для радиодиагностики онкологии и некоторых других болезней, маркером которых является высокая экспрессия рецептора-мишени [40]. Развитие данной стратегии стало темой для множества исследований, связанных с разработкой пептидов для радиодиагностики, радиотерапии онкологических заболеваний, а также препаратов комбинированного действия [41 -44]. За последние годы на фармацевтический рынок вышел ряд препаратов такого типа, например, 64Си оксодотреотид (Детектнет) и 68Оа гозетотид (Иллучикс), которые успешно используются в современной диагностике онкологических заболеваний методом позитрон-эмиссионной томографии [44]. Похожим образом пептиды можно использовать для флуоресцентной визуализации опухолевых очагов, заменив группу, содержащую радиоизотоп, на флуоресцентную метку, а также для селективной доставки лекарств, таких как доксорубицин в опухолевые клетки. Некоторые из этих пептидов уже сегодня находятся на различных стадиях клинических испытаний [45,46].

Таким образом, с учетом всех возможностей применения пептидов в медицине, проблема создания пептидных препаратов с сохранением всех преимущества этого типа лекарств и минимизацией недостатков остается актуальной и по сей день. Успехи современной химической науки позволяют использовать широкое разнообразие модификаций пептидов, потенциально позволяющих преодолевать описанные выше ограничения. Такие модификации, как правило, направлены на препятствование распознаванию терапевтических пептидов протеазами в плазме крови и увеличение их биодоступности. В числе этих модификаций использование неприродных аминокислот, изменение хиральности и порядка последовательности пептидов, конъюгация с полимерами, введение т.н. химических "скрепок", и циклизация [47-49]. Яркими примерами модифицированных пептидов, вышедших на рынок, являются тирзепатид (введение ненативных остатков, липидирование), воклоспорин (введение ненативных остатков и Б-аминокислот, N алкилирование), сетмеланотид (введение Б-остатков, циклизация). Эти и другие препараты

используются в современной терапии таких заболеваний как диабет II типа, множественная миелома, нефрит и рак простаты [50].

Одним из перспективных направлений в этой области является также введение в состав пептида реакционноспособных групп, способных к формированию ковалентных связей с заранее определенным остатком мишени и образованию конъюгатов терапевтического лиганда с белком-мишенью. Данная глава диссертации посвящена именно этому классу модифицированных пептидов, поэтому далее мы сфокусируемся на нем.

Список литературы диссертационного исследования кандидат наук Лузик Дмитрий Александрович, 2026 год

Список литературы

1. Padhi A.K., Janezic M., Zhang K.Y.J. Molecular dynamics simulations: Principles, methods, and applications in protein conformational dynamics // Advances in Protein Molecular and Structural Biology Methods. — Elsevier, 2022. — Molecular dynamics simulations. — P. 439-454.

2. Hamelberg D., Mongan J., McCammon J.A. Accelerated molecular dynamics: A promising and efficient simulation method for biomolecules // The Journal of Chemical Physics. — 2004. — Vol. 120. — Accelerated molecular dynamics. — No. 24. — P. 11919-11929.

3. Pfaendtner J. Metadynamics to Enhance Sampling in Biomolecular Simulations // Biomolecular Simulations : Methods in Molecular Biology/ eds. M. Bonomi, C. Camilloni. — New York, NY: Springer New York, 2019. — Vol. 2022. — P. 179-200.

4. Laio A., Parrinello M. Escaping free-energy minima // Proceedings of the National Academy of Sciences. — 2002. — Vol. 99. — No. 20. — P. 12562-12566.

5. Qi R., Wei G., Ma B., Nussinov R. Replica Exchange Molecular Dynamics: A Practical Application Protocol with Solutions to Common Problems and a Peptide Aggregation and Self-Assembly Example // Peptide Self-Assembly : Methods in Molecular Biology/ ред. B.L. Nilsson, T.M. Doran. — New York, NY: Springer New York, 2018. — Т. 1777. — Replica Exchange Molecular Dynamics. — C. 101-119.

6. Brunk E., Rothlisberger U. Mixed Quantum Mechanical/Molecular Mechanical Molecular Dynamics Simulations of Biological Systems in Ground and Electronically Excited States // Chemical Reviews. — 2015. — Vol. 115. — No. 12. — P. 6217-6263.

7. Senftle T.P., Hong S., Islam M.M., Kylasa S.B., Zheng Y., Shin Y.K., Junkermeier C., EngelHerbert R., Janik M.J., Aktulga H.M., Verstraelen T., Grama A., Van Duin AC T. The ReaxFF reactive force-field: development, applications and future directions // npj Computational Materials. — 2016. — Vol. 2. — The ReaxFF reactive force-field. — No. 1. — P. 15011.

8. Wang W., Li Z., Ding C., Lu B., Yu J., Zhang H. Study on Reaction Sites of Active Structures in Coal Based on the ReaxFF Reactive Force Field // ACS Omega. — 2022. — Vol. 7. — No. 49. — P. 45265-45276.

9. Wang T., He X., Li M., Li Y., Bi R., Wang Y., Cheng C., Shen X., Meng J., Zhang H., Liu H., Wang Z., Li S., Shao B., Liu T.-Y. Ab initio characterization of protein molecular dynamics with AI2BMD // Nature. — 2024. — Vol. 635. — No. 8040. — P. 1019-1027.

10. Jumper J., Evans R., Pritzel A., Green T., Figurnov M., Ronneberger O., Tunyasuvunakool K., Bates R., Zidek A., Potapenko A., Bridgland A., Meyer C., Kohl S.A.A., Ballard A.J., Cowie A., Romera-Paredes B., Nikolov S., Jain R., Adler J., Back T., Petersen S., Reiman D., Clancy E., Zielinski M., Steinegger M., Pacholska M., Berghammer T., Bodenstein S., Silver D., Vinyals

O., Senior A.W., Kavukcuoglu K., Kohli P., Hassabis D. Highly accurate protein structure prediction with AlphaFold // Nature. — 2021. — Vol. 596. — No. 7873. — P. 583-589.

11. Baek M., DiMaio F., Anishchenko I., Dauparas J., Ovchinnikov S., Lee G.R., Wang J., Cong Q., Kinch L.N., Schaeffer R.D., Millán C., Park H., Adams C., Glassman C.R., DeGiovanni A., Pereira J.H., Rodrigues A.V., Van Dijk A.A., Ebrecht A.C., Opperman D.J., Sagmeister T., Buhlheller C., Pavkov-Keller T., Rathinaswamy M.K., Dalwadi U., Yip C.K., Burke J.E., Garcia K.C., Grishin N.V., Adams P.D., Read R.J., Baker D. Accurate prediction of protein structures and interactions using a three-track neural network // Science. — 2021. — Vol. 373. — No. 6557. — P. 871-876.

12. Wayment-Steele H.K., Ojoawo A., Otten R., Apitz J.M., Pitsawong W., Hömberger M., Ovchinnikov S., Colwell L., Kern D. Predicting multiple conformations via sequence clustering and AlphaFold2 // Nature. — 2024. — Vol. 625. — No. 7996. — P. 832-839.

13. Kalakoti Y., Wallner B. AFsample2 predicts multiple conformations and ensembles with AlphaFold2 // Communications Biology. — 2025. — Vol. 8. — No. 1. — P. 373.

14. Watson J.L., Juergens D., Bennett N.R., Trippe B.L., Yim J., Eisenach H.E., Ahern W., Borst A.J., Ragotte R.J., Milles L.F., Wicky B.I.M., Hanikel N., Pellock S.J., Courbet A., Sheffler W., Wang J., Venkatesh P., Sappington I., Torres S.V., Lauko A., De Bortoli V., Mathieu E., Ovchinnikov S., Barzilay R., Jaakkola T.S., DiMaio F., Baek M., Baker D. De novo design of protein structure and function with RFdiffusion // Nature. — 2023. — Vol. 620. — No. 7976.

— P. 1089-1100.

15. Fan J., Li Z., Alcaide E., Ke G., Huang H., E W. Accurate Conformation Sampling via Protein Structural Diffusion // Journal of Chemical Information and Modeling. — 2024. — Vol. 64.

— No. 22. — P. 8414-8426.

16. Yu Y., Nie Y., Feng Q., Qu J., Wang R., Bian L., Xia J. Targeted Covalent Inhibition of Grb2-Sos1 Interaction through Proximity-Induced Conjugation in Breast Cancer Cells // Molecular Pharmaceutics. — 2017. — Vol. 14. — No. 5. — P. 1548-1557.

17. Alexander P.A., He Y., Chen Y., Orban J., Bryan P.N. A minimal sequence code for switching protein structure and function // Proceedings of the National Academy of Sciences. — 2009. — Vol. 106. — No. 50. — P. 21149-21154.

18. Chen Y., He Y., Ruan B., Choi E.J., Chen Y., Motabar D., Solomon T., Simmerman R., Kauffman T., Gallagher D.T., Orban J., Bryan P.N. Rules for designing protein fold switches and their implications for the folding code. — 2021.

19. Artsimovitch I., Ramírez-Sarmiento C.A. Metamorphic proteins under a computational microscope: Lessons from a fold-switching RfaH protein // Computational and Structural

Biotechnology Journal. — 2022. — Vol. 20. — Metamorphic proteins under a computational microscope. — P. 5824-5837.

20. Luzik D.A., Rogacheva O.N., Izmailov S.A., Indeykina M.I., Kononikhin A.S., Skrynnikov N.R. Molecular Dynamics model of peptide-protein conjugation: case study of covalent complex between Sosl peptide and N-terminal SH3 domain from Grb2 // Scientific Reports. — 2019.

— T. 9. — № 1. — P. 20219.

21. Bolgov A., Korban S., Luzik D., Zhemkov V., Kim M., Rogacheva O., Bezprozvanny I. Crystal structure of the SH3 domain of growth factor receptor-bound protein 2 // Acta Crystallographica Section F Structural Biology Communications. — 2020. — T. 76. — № 6. — C. 263-270.

22. Luzik D.A., Skrynnikov N.R. Iterative Modeling via Structural Diffusion (IMSD): Exploring Fold-Switching Pathways in Metamorphic Proteins Using AlphaFold2-Based Generative Diffusion Model UFConf // Proteins: Structure, Function, and Bioinformatics. — 2025

23. Lau J.L., Dunn M.K. Therapeutic peptides: Historical perspectives, current development trends, and future directions // Bioorganic & Medicinal Chemistry. — 2018. — Vol 26. — Therapeutic peptides. — No. 10. — P. 2700-2707.

24. Muttenthaler M., King G.F., Adams D.J., Alewood P.F. Trends in peptide drug discovery // Nature Reviews Drug Discovery. — 2021. — Vol. 20. — No. 4. — P. 309-325.

25. Khalily M.P., Soydan M. Peptide-based diagnostic and therapeutic agents: Where we are and where we are heading? // Chemical Biology & Drug Design. — 2023. — Vol. 101. — Peptide-based diagnostic and therapeutic agents. — No. 3. — P. 772-793.

26. Sharma K., Sharma K.K., Sharma A., Jain R. Peptide-based drug discovery: Current status and recent advances // Drug Discovery Today. — 2023. — Vol. 28. — Peptide-based drug discovery. — No. 2. — P. 103464.

27. Craik D.J., Fairlie D.P., Liras S., Price D. The Future of Peptide-based Drugs // Chemical Biology & Drug Design. — 2013. — Vol. 81. — No. 1. — P. 136-147.

28. Huang Y., Liu T. Therapeutic applications of genetic code expansion // Synthetic and Systems Biotechnology. — 2018. — Vol. 3. — No. 3. — P. 150-158.

29. Taylor R.D., Rey-Carrizo M., Passioura T., Suga H. Identification of nonstandard macrocyclic peptide ligands through display screening // Drug Discovery Today: Technologies. — 2017. — Vol. 26. — P. 17-23.

30. Vetter I., Davis J.L., Rash L.D., Anangi R., Mobli M., Alewood P.F., Lewis R.J., King G.F. Venomics: a new paradigm for natural products-based drug discovery // Amino Acids. — 2011.

— Vol. 40. — Venomics. — No. 1. — P. 15-28.

31. George B., Pooja S., Suchithra T.V., Sebastian D. Historical developments of antimicrobial peptide research // Antimicrobial Peptides. — Elsevier, 2023. — P. 1-16.

32. Luo X., Chen H., Song Y., Qin Z., Xu L., He N., Tan Y., Dessie W. Advancements, challenges and future perspectives on peptide-based drugs: Focus on antimicrobial peptides // European Journal of Pharmaceutical Sciences. — 2023. — Vol. 181. — Advancements, challenges and future perspectives on peptide-based drugs. — P. 106363.

33. Botelho Sampaio De Oliveira K., Lopes Leite M., Albuquerque Cunha V., Brito Da Cunha N., Luiz Franco O. Challenges and advances in antimicrobial peptide development // Drug Discovery Today. — 2023. — Vol. 28. — No. 8. — P. 103629.

34. Goldenberg R.M., Steen O. Semaglutide: Review and Place in Therapy for Adults With Type 2 Diabetes // Canadian Journal of Diabetes. — 2019. — Vol. 43. — Semaglutide. — No. 2.

— P. 136-145.

35. Recio C., Maione F., Iqbal A.J., Mascolo N., De Feo V. The Potential Therapeutic Application of Peptides and Peptidomimetics in Cardiovascular Disease // Frontiers in Pharmacology. — 2017. — T. 7.

36. Wu H.-C., Chang D.-K. Peptide-Mediated Liposomal Drug Delivery System Targeting Tumor Blood Vessels in Anticancer Therapy // Journal of Oncology. — 2010. — Vol. 2010. — P. 18.

37. Swaminathan J., Ehrhardt C. Liposomal delivery of proteins and peptides // Expert Opinion on Drug Delivery. — 2012. — Vol. 9. — No. 12. — P. 1489-1503.

38. Patel S.G., Sayers E.J., He L., Narayan R., Williams T.L., Mills E.M., Allemann R.K., Luk L.Y.P., Jones A.T., Tsai Y.-H. Cell-penetrating peptide sequence and modification dependent uptake and subcellular distribution of green florescent protein in different cell lines // Scientific Reports. — 2019. — Vol. 9. — No. 1. — P. 6298.

39. Castillo B., Dasgupta A., Klein K., Tint H., Wahed A. Pharmacologic agents in transfusion medicine // Transfusion Medicine for Pathologists. — Elsevier, 2018. — P. 177-193.

40. Chatalic K.L.S., Kwekkeboom D.J., De Jong M. Radiopeptides for Imaging and Therapy: A Radiant Future // Journal of Nuclear Medicine. — 2015. — Vol. 56. — Radiopeptides for Imaging and Therapy. — No. 12. — P. 1809-1812.

41. Brand C., Abdel-Atti D., Zhang Y., Carlin S., Clardy S.M., Keliher E.J., Weber W.A., Lewis J.S., Reiner T. In Vivo Imaging of GLP-1R with a Targeted Bimodal PET/Fluorescence Imaging Agent // Bioconjugate Chemistry. — 2014. — Vol. 25. — No. 7. — P. 1323-1330.

42. Kuil J., Velders A.H., Van Leeuwen F.W.B. Multimodal Tumor-Targeting Peptides Functionalized with Both a Radio- and a Fluorescent Label // Bioconjugate Chemistry. — 2010.

— Vol. 21. — No. 10. — P. 1709-1719.

43. Dumont R.A., Tamma M., Braun F., Borkowski S., Reubi J.C., Maecke H., Weber W.A., Mansi R. Targeted Radiotherapy of Prostate Cancer with a Gastrin-Releasing Peptide Receptor

Antagonist Is Effective as Monotherapy and in Combination with Rapamycin // Journal of Nuclear Medicine. — 2013. — Vol. 54. — No. 5. — P. 762-769.

44. Vallabhajosula S. Design of Radiolabeled Peptide Radiopharmaceuticals // Molecular Imaging and Targeted Therapy. — Cham: Springer International Publishing, 2023. — P. 577-607.

45. Staderini M., Megia-Fernandez A., Dhaliwal K., Bradley M. Peptides for optical medical imaging and steps towards therapy // Bioorganic & Medicinal Chemistry. — 2018. — Vol. 26. — No. 10. — P. 2816-2826.

46. Soudy R., Byeon N., Raghuwanshi Y., Ahmed S., Lavasanifar A., Kaur K. Engineered Peptides for Applications in Cancer-Targeted Drug Delivery and Tumor Detection // Mini-Reviews in Medicinal Chemistry. — 2017. — Vol. 17. — No. 18.

47. Lee A.C.-L., Harris J.L., Khanna K.K., Hong J.-H. A Comprehensive Review on Current Advances in Peptide Drug Development and Design // International Journal of Molecular Sciences. — 2019. — Vol. 20. — No. 10. — P. 2383.

48. Cardoso M.H., Cändido E.S., Oshiro K.G.N., Rezende S.B., Franco O.L. Peptides containing d -amino acids and retro-inverso peptides // Peptide Applications in Biomedicine, Biotechnology and Bioengineering. — Elsevier, 2018. — P. 131-155.

49. Moiola M., Memeo M.G., Quadrelli P. Stapled Peptides—A Useful Improvement for Peptide-Based Drugs // Molecules. — 2019. — Vol. 24. — No. 20. — P. 3654.

50. Fetse J., Kandel S., Mamani U.-F., Cheng K. Recent advances in the development of therapeutic peptides // Trends in Pharmacological Sciences. — 2023. — Vol. 44. — No. 7. — P. 425441.

51. Ruddraraju K.V., Zhang Z.-Y. Covalent inhibition of protein tyrosine phosphatases // Molecular BioSystems. — 2017. — Vol. 13. — No. 7. — P. 1257-1279.

52. Stebbins J.L., Santelli E., Feng Y., De S.K., Purves A., Motamedchaboki K., Wu B., Ronai Z.A., Liddington R.C., Pellecchia M. Structure-Based Design of Covalent Siah Inhibitors // Chemistry & Biology. — 2013. — Vol. 20. — No. 8. — P. 973-982.

53. Huhn A.J., Guerra R.M., Harvey E.P., Bird G.H., Walensky L.D. Selective Covalent Targeting of Anti-Apoptotic BFL-1 by Cysteine-Reactive Stapled Peptide Inhibitors // Cell Chemical Biology. — 2016. — Vol. 23. — No. 9. — P. 1123-1134.

54. Harvey E.P., Seo H.-S., Guerra R.M., Bird G.H., Dhe-Paganon S., Walensky L.D. Crystal Structures of Anti-apoptotic BFL-1 and Its Complex with a Covalent Stapled Peptide Inhibitor // Structure. — 2018. — Vol. 26. — No. 1. — P. 153-160.e4.

55. Barile E., Marconi G.D., De S.K., Baggio C., Gambini L., Salem A.F., Kashyap M.K., Castro J.E., Kipps T.J., Pellecchia M. hBfl-1/hNOXA Interaction Studies Provide New Insights on the

Role of Bfl-1 in Cancer Cell Resistance and for the Design of Novel Anticancer Agents // ACS Chemical Biology. — 2017. — Vol. 12. — No. 2. — P. 444-455.

56. Hatcher J.M., Du G., Fontân L., Us I., Qiao Q., Chennamadhavuni S., Shao J., Wu H., Melnick A., Gray N.S., Scott D.A. Peptide-based covalent inhibitors ofMALT1 paracaspase // Bioorganic & Medicinal Chemistry Letters. — 2019. — Vol. 29. — No. 11. — P. 1336-1339.

57. Gambini L., Baggio C., Udompholkul P., Jossart J., Salem A.F., Perry J.J.P., Pellecchia M. Covalent Inhibitors of Protein-Protein Interactions Targeting Lysine, Tyrosine, or Histidine Residues // Journal of Medicinal Chemistry. — 2019. — Vol. 62. — No. 11. — P. 56165627.

58. Marquez B.V., Beck H.E., Aweda T.A., Phinney B., Holsclaw C., Jewell W., Tran D., Day J.J., Peiris M.N., Nwosu C., Lebrilla C., Meares C.F. Enhancing Peptide Ligand Binding to Vascular Endothelial Growth Factor by Covalent Bond Formation // Bioconjugate Chemistry. — 2012.

— Vol. 23. — No. 5. — P. 1080-1089.

59. André C., Veillard F., Wolff P., Lobstein A.-M., Compain G., Monsarrat C., Reichhart J.-M., Noûs C., Burnouf D.Y., Guichard G., Wagner J.E. Antibacterial activity of a dual peptide targeting the Escherichia coli sliding clamp and the ribosome // RSC Chemical Biology. — 2020. — Vol. 1. — No. 3. — P. 137-147.

60. Compain G., Monsarrat C., Blagojevic J., Brillet K., Dumas P., Hammann P., Kuhn L., Martiel I., Engilberge S., Oliéric V., Wolff P., Burnouf D.Y., Wagner J., Guichard G. Peptide-Based Covalent Inhibitors Bearing Mild Electrophiles to Target a Conserved His Residue of the Bacterial Sliding Clamp // JACS Au. — 2024. — Vol. 4. — No. 2. — P. 432-440.

61. AssefaD., Pawson A.J., McArdle C.A., Millar R.P., Flanagan C.A., Roeske R., Davidson J.S. A new photoreactive antagonist cross-links to the N-terminal domain of the gonadotropin-releasing hormone receptor // Molecular and Cellular Endocrinology. — 1999. — Vol. 156. — No. 12. — P. 179-188.

62. Ma N., Hu J., Zhang Z.-M., Liu W., Huang M., Fan Y., Yin X., Wang J., Ding K., Ye W., Li Z. 2 H -Azirine-Based Reagents for Chemoselective Bioconjugation at Carboxyl Residues Inside Live Cells // Journal of the American Chemical Society. — 2020. — Vol. 142. — No. 13. — P. 6051-6059.

63. Li S., Zhang P., Xu F., Hu S., Liu J., Tan Y., Tu Z., Sun H., Zhang Z.-M., He Q.-Y., Sun P., Ding K., Li Z. Ynamide Electrophile for the Profiling of Ligandable Carboxyl Residues in Live Cells and the Development of New Covalent Inhibitors // Journal of Medicinal Chemistry. — 2022.

— Vol. 65. — No. 15. — P. 10408-10418.

64. Beck P., Dubiella C., Groll M. Covalent and noncovalent reversible proteasome inhibition // bchm. — 2012. — Vol. 393. — No. 10. — P. 1101-1120.

65. Stille J.K., Tjutrins J., Wang G., Venegas F.A., Hennecker C., Rueda A.M., Sharon I., Blaine N., Miron C.E., Pinus S., Labarre A., Plescia J., Burai Patrascu M., Zhang X., Wahba A.S., Vlaho D., Huot M.J., Schmeing T.M., Mittermaier A.K., Moitessier N. Design, synthesis and in vitro evaluation of novel SARS-CoV-2 3CLpro covalent inhibitors // European Journal of Medicinal Chemistry. — 2022. — Vol. 229. — P. 114046.

66. De Cesco S., Kurian J., Dufresne C., Mittermaier A.K., Moitessier N. Covalent inhibitors design and discovery // European Journal of Medicinal Chemistry. — 2017. — Vol. 138. — P. 96114.

67. Martin R.L., Heifetz A., Bodkin M.J., Townsend-Nicholson A. High-Throughput Structure-Based Drug Design (HT-SBDD) Using Drug Docking, Fragment Molecular Orbital Calculations, and Molecular Dynamic Techniques // High Performance Computing for Drug Discovery and Biomedicine : Methods in Molecular Biology/ ed. A. Heifetz. — New York, NY: Springer US, 2024. — Vol. 2716. — P. 293-306.

68. Farhadi T., Hashemian S.M. Computer-aided design of amino acid-based therapeutics: a review // Drug Design, Development and Therapy. — 2018. — Vol. Volume 12. — Computer-aided design of amino acid-based therapeutics. — P. 1239-1254.

69. Maveyraud L., Mourey L. Protein X-ray Crystallography and Drug Discovery // Molecules. — 2020. — Vol. 25. — No. 5. — P. 1030.

70. Azinas S., Carroni M. Cryo-EM uniqueness in structure determination of macromolecular complexes: A selected structural anthology // Current Opinion in Structural Biology. — 2023.

— Vol. 81. — Cryo-EM uniqueness in structure determination of macromolecular complexes.

— P.102621.

71. Cavanagh J., Fairbrother W.J., Palmer A.G., Rance M., Skelton N.J. CLASSICAL NMR SPECTROSCOPY // Protein NMR Spectroscopy. — Elsevier, 2007. — P. 1-28.

72. Wang H., Xiong R., Lai L. Rational drug design targeting intrinsically disordered proteins // WIREs Computational Molecular Science. — 2023. — Vol. 13. — No. 6. — P. e1685.

73. Staneva I., Wallin S. Binding Free Energy Landscape of Domain-Peptide Interactions // PLoS Computational Biology. — 2011. — Vol. 7. — No. 8. — P. e1002131.

74. Ahmad M., Gu W., Helms V. Mechanism of Fast Peptide Recognition by SH3 Domains // Angewandte Chemie International Edition. — 2008. — Vol. 47. — No. 40. — P. 76267630.

75. Donsky E., Wolfson H.J. PepCrawler: a fast RRT-based algorithm for high-resolution refinement and binding affinity estimation of peptide inhibitors // Bioinformatics. — 2011. — Vol. 27. — PepCrawler. — No. 20. — P. 2836-2842.

76. Raveh B., London N., Zimmerman L., Schueler-Furman O. Rosetta FlexPepDock ab-initio: Simultaneous Folding, Docking and Refinement of Peptides onto Their Receptors // PLoS ONE.

— 2011. — Vol. 6. — Rosetta FlexPepDock ab-initio. — No. 4. — P. e18934.

77. Trellet M., Melquiond A.S.J., Bonvin A.M.J.J. A Unified Conformational Selection and Induced Fit Approach to Protein-Peptide Docking // PLoS ONE. — 2013. — Vol. 8. — No. 3. — P. e58769.

78. Improta R., Vitagliano L., Esposito L. Bond distances in polypeptide backbones depend on the local conformation // Acta Crystallographica Section D Biological Crystallography. — 2015.

— T. 71. — № 6. — C. 1272-1283.

79. Cao L., Coventry B., Goreshnik I., Huang B., Sheffler W., Park J.S., Jude K.M., Markovic 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., DeBouver N.D., Pires A., Bera A.K., Halabiya S., Hammerson B., Yang W., Bernard S., Stewart L., Wilson I.A., Ruohola-Baker H., Schlessinger J., Lee S., Savvides S.N., Garcia K.C., Baker D. Design of protein-binding proteins from the target structure alone // Nature. — 2022. — Vol. 605. — No. 7910. — P. 551-560.

80. Abramson J., Adler J., Dunger J., Evans R., Green T., Pritzel A., Ronneberger O., Willmore L., Ballard A.J., Bambrick J., Bodenstein S.W., Evans D.A., Hung C.-C., O'Neill M., Reiman D., Tunyasuvunakool K., Wu Z., Zemgulyte A., Arvaniti E., Beattie C., Bertolli O., Bridgland A., Cherepanov A., Congreve M., Cowen-Rivers A.I., Cowie A., Figurnov M., Fuchs F.B., Gladman H., Jain R., Khan Y.A., Low C.M.R., Perlin K., Potapenko A., Savy P., Singh S., Stecula A., Thillaisundaram A., Tong C., Yakneen S., Zhong E.D., Zielinski M., Zídek A., Bapst V., Kohli P., Jaderberg M., Hassabis D., Jumper J.M. Accurate structure prediction of biomolecular interactions with AlphaFold 3 // Nature. — 2024.

81. Chandra K., Das P., Mamidi S., Hurevich M., Iosub-Amir A., Metanis N., Reches M., Friedler A. Covalent Inhibition of HIV-1 Integrase by N -Succinimidyl Peptides // ChemMedChem. — 2016. — Vol. 11. — No. 18. — P. 1987-1994.

82. Rabdano S.O., Izmailov S.A., Luzik D.A., Groves A., Podkorytov I.S., Skrynnikov N.R. Onset of disorder and protein aggregation due to oxidation-induced intermolecular disulfide bonds: case study of RRM2 domain from TDP-43 // Scientific Reports. — 2017. — Vol. 7. — Onset of disorder and protein aggregation due to oxidation-induced intermolecular disulfide bonds. — No. 1. — P. 11161.

83. Draper S.R.E., Lawrence P.B., Billings W.M., Xiao Q., Brown N.P., Bécar N.A., Matheson D.J., Stephens A.R., Price J.L. Polyethylene Glycol Based Changes to ß-Sheet Protein Conformational

and Proteolytic Stability Depend on Conjugation Strategy and Location // Bioconjugate Chemistry. — 2017. — Vol. 28. — No. 10. — P. 2507-2513.

84. Morimoto D., Walinda E., Fukada H., Sugase K., Shirakawa M. Ubiquitylation Directly Induces Fold Destabilization of Proteins // Scientific Reports. — 2016. — Vol. 6. — No. 1. — P. 39453.

85. Berraud-Pache R., Garcia-Iriepa C., Navizet I. Modeling Chemical Reactions by QM/MM Calculations: The Case of the Tautomerization in Fireflies Bioluminescent Systems // Frontiers in Chemistry. — 2018. — T. 6. — Modeling Chemical Reactions by QM/MM Calculations.

— C. 116.

86. Sousa S.F., Ribeiro A.J.M., Neves R.P.P., Bras N.F., Cerqueira N.M.F.S.A., Fernandes P.A., Ramos M.J. Application of quantum mechanics/molecular mechanics methods in the study of enzymatic reaction mechanisms // WIREs Computational Molecular Science. — 2017. — Vol. 7. — No. 2. — P. e1281.

87. Da Costa C.H.S., Bonatto V., Dos Santos A.M., Lameira J., Leitao A., Montanari C.A. Evaluating QM/MM Free Energy Surfaces for Ranking Cysteine Protease Covalent Inhibitors // Journal of Chemical Information and Modeling. — 2020. — Vol. 60. — No. 2. — P. 880889.

88. Marti S., Arafet K., Lodola A., Mulholland A.J., Swiderek K., Moliner V. Impact of Warhead Modulations on the Covalent Inhibition of SARS-CoV-2 M pro Explored by QM/MM Simulations // ACS Catalysis. — 2022. — Vol. 12. — No. 1. — P. 698-708.

89. Awoonor-Williams E., Abu-Saleh A.A.-A.A. Covalent and noncovalent binding free energy calculations for peptidomimetic inhibitors of SARS-CoV-2 main protease // Physical Chemistry Chemical Physics. — 2021. — Vol. 23. — No. 11. — P. 6746-6757.

90. Van Der Kamp M.W., Begum J. QM / MM fo r Structure-Based Drug Design: Techniques and Applications // Computational Drug Discovery/ eds. V. Poongavanam, V. Ramaswamy. — Wiley, 2024. — <span style="font-variant. — P. 119-156.

91. Danielsson J., Meuwly M. Atomistic Simulation of Adiabatic Reactive Processes Based on Multi-State Potential Energy Surfaces // Journal of Chemical Theory and Computation. — 2008.

— Vol. 4. — No. 7. — P. 1083-1093.

92. Kumalo H., Bhakat S., Soliman M. Theory and Applications of Covalent Docking in Drug Discovery: Merits and Pitfalls // Molecules. — 2015. — Vol. 20. — Theory and Applications of Covalent Docking in Drug Discovery. — No. 2. — P. 1984-2000.

93. Schanda P., Van Melckebeke H., Brutscher B. Speeding Up Three-Dimensional Protein NMR Experiments to a Few Minutes // Journal of the American Chemical Society. — 2006. — Vol. 128. — No. 28. — P. 9042-9043.

94. Sobott F., Watt S.J., Smith J., Edelmann M.J., Kramer H.B., Kessler B.M. Comparison of CID versus ETD based MS/MS fragmentation for the analysis of protein ubiquitination // Journal of the American Society for Mass Spectrometry. — 2009. — Vol. 20. — No. 9. — P. 16521659.

95. Wittekind M., Mapelli C., Lee V., Goldfarb V., Friedrichs M.S., Meyers C.A., Mueller L. Solution structure of the Grb2 N-terminal SH3 domain complexed with a ten-residue peptide derived from SOS: direct refinement against NOEs, J-couplings and 1H and 13C chemical shifts // Journal of Molecular Biology. — 1997. — Vol. 267. — Solution structure of the Grb2 N-terminal SH3 domain complexed with a ten-residue peptide derived from SOS. — No. 4. — P. 933-952.

96. Sattler M. Heteronuclear multidimensional NMR experiments for the structure determination of proteins in solution employing pulsed field gradients // Progress in Nuclear Magnetic Resonance Spectroscopy. — 1999. — Vol. 34. — No. 2. — P. 93-158.

97. Waudby C.A., Ramos A., Cabrita L.D., Christodoulou J. Two-Dimensional NMR Lineshape Analysis // Scientific Reports. — 2016. — Vol. 6. — No. 1. — P. 24826.

98. Delaglio F., Grzesiek S., Vuister GeertenW., Zhu G., Pfeifer J., Bax A. NMRPipe: A multidimensional spectral processing system based on UNIX pipes // Journal of Biomolecular NMR. — 1995. — Vol. 6. — NMRPipe. — No. 3.

99. Becke A.D. Density-functional thermochemistry. III. The role of exact exchange // The Journal of Chemical Physics. — 1993. — Vol. 98. — No. 7. — P. 5648-5652.

100. Stephens P.J., Devlin F.J., Chabalowski C.F., Frisch M.J. Ab Initio Calculation of Vibrational Absorption and Circular Dichroism Spectra Using Density Functional Force Fields // The Journal of Physical Chemistry. — 1994. — Vol. 98. — No. 45. — P. 11623-11627.

101. Hehre W.J., Ditchfield R., Pople J.A. Self—Consistent Molecular Orbital Methods. XII. Further Extensions of Gaussian—Type Basis Sets for Use in Molecular Orbital Studies of Organic Molecules // The Journal of Chemical Physics. — 1972. — Vol. 56. — No. 5. — P. 2257-2261.

102. Arnold W.D., Sanders L.K., McMahon M.T., Volkov A.V., Wu G., Coppens P., Wilson S.R., Godbout N., Oldfield E. Experimental, Hartree-Fock, and Density Functional Theory Investigations of the Charge Density, Dipole Moment, Electrostatic Potential, and Electric Field Gradients in l -Asparagine Monohydrate // Journal of the American Chemical Society. — 2000. — Vol. 122. — Experimental, Hartree-Fock, and Density Functional Theory Investigations of the Charge Density, Dipole Moment, Electrostatic Potential, and Electric Field Gradients in <span style="font-variant. — No. 19. — P. 4708-4717.

103. Momany F.A. Determination of partial atomic charges from ab initio molecular electrostatic potentials. Application to formamide, methanol, and formic acid // The Journal of Physical Chemistry. — 1978. — Vol. 82. — No. 5. — P. 592-601.

104. Cornell W.D., Cieplak P., Bayly C.I., Kollman P A. Application of RESP charges to calculate conformational energies, hydrogen bond energies, and free energies of solvation // Journal of the American Chemical Society. — 1993. — Vol. 115. — No. 21. — P. 96209631.

105. Wang J., Wolf R.M., Caldwell J.W., Kollman P.A., Case D A. Development and testing of a general amber force field // Journal of Computational Chemistry. — 2004. — Vol. 25. — No. 9. — P. 1157-1174.

106. Bas D.C., Rogers D.M., Jensen J.H. Very fast prediction and rationalization of pKa values for protein-ligand complexes // Proteins: Structure, Function, and Bioinformatics. — 2008. — Vol. 73. — No. 3. — P. 765-783.

107. Maier J.A., Martinez C., Kasavajhala K., Wickstrom L., Hauser K.E., Simmerling C. ff14SB: Improving the Accuracy of Protein Side Chain and Backbone Parameters from ff99SB // Journal of Chemical Theory and Computation. — 2015. — Vol. 11. — ff14SB. — No. 8.

— P. 3696-3713.

108. Roe D R., Cheatham T.E. PTRAJ and CPPTRAJ: Software for Processing and Analysis of Molecular Dynamics Trajectory Data // Journal of Chemical Theory and Computation. — 2013. — Vol. 9. — PTRAJ and CPPTRAJ. — No. 7. — P. 3084-3095.

109. Shen Y., Bax A. SPARTA+: a modest improvement in empirical NMR chemical shift prediction by means of an artificial neural network // Journal of Biomolecular NMR. — 2010.

— Vol. 48. — SPARTA+. — No. 1. — P. 13-22.

110. Lowenstein E.J., Daly R.J., Batzer A.G., Li W., Margolis B., Lammers R., Ullrich A., Skolnik E.Y., Bar-Sagi D., Schlessinger J. The SH2 and SH3 domain-containing protein GRB2 links receptor tyrosine kinases to ras signaling // Cell. — 1992. — Vol. 70. — No. 3. — P. 431-442.

111. Batzer A.G., Rotin D., Urena J.M., Skolnik E.Y., Schlessinger J. Hierarchy of binding sites for Grb2 and Shc on the epidermal growth factor receptor. // Molecular and Cellular Biology. — 1994. — Vol. 14. — No. 8. — P. 5192-5201.

112. Boriack-Sjodin P.A., Margarit S.M., Bar-Sagi D., Kuriyan J. The structural basis of the activation of Ras by Sos // Nature. — 1998. — Vol. 394. — No. 6691. — P. 337-343.

113. Cussac D., Frech M., Chardin P. Binding of the Grb2 SH2 domain to phosphotyrosine motifs does not change the affinity of its SH3 domains for Sos proline-rich motifs. // The EMBO Journal. — 1994. — Vol. 13. — No. 17. — P. 4011-4021.

114. Goudreau N., Cornille F., Duchesne M., Parker F., Tocque B., Garbay C., Roques B.P. NMR structure of the N-terminal SH3 domain of GRB2 and its complex with a proline-rich peptide from Sos // Nature Structural & Molecular Biology. — 1994. — Vol. 1. — No. 12.

— P. 898-907.

115. Cussac D., Vidal M., Leprince C., Liu W., Cornille F., Tiraboschi G., Roques B.P., Garbay C. A Sos-derived peptidimer blocks the Ras signaling pathway by binding both Grb2 SH3 domains and displays antiproliferative activity // The FASEB Journal. — 1999. — Vol. 13. — No. 1. — P. 31-39.

116. Nguyen J.T., Turck C.W., Cohen F.E., Zuckermann R.N., Lim W.A. Exploiting the Basis of Proline Recognition by SH3 and WW Domains: Design of N-Substituted Inhibitors // Science.

— 1998. — Vol. 282. — Exploiting the Basis of Proline Recognition by SH3 and WW Domains. — No. 5396. — P. 2088-2092.

117. Gril B., Vidal M., Assayag F., Poupon M., Liu W., Garbay C. Grb2-SH3 ligand inhibits the growth of HER2 + cancer cells and has antitumor effects in human cancer xenografts alone and in combination with docetaxel // International Journal of Cancer. — 2007. — Vol. 121.

— No. 2. — P. 407-415.

118. Vidal M., Goudreau N., Cornille F., Cussac D., Gincel E., Garbay C. Molecular and cellular analysis of Grb2 SH3 domain mutants: interaction with Sos and dynamin 1 1Edited by A. R. Fersht // Journal of Molecular Biology. — 1999. — Vol. 290. — Molecular and cellular analysis of Grb2 SH3 domain mutants. — No. 3. — P. 717-730.

119. Xue Y., Yuwen T., Zhu F., Skrynnikov N.R. Role of Electrostatic Interactions in Binding of Peptides and Intrinsically Disordered Proteins to Their Folded Targets. 1. NMR and MD Characterization of the Complex between the c-Crk N-SH3 Domain and the Peptide Sos // Biochemistry. — 2014. — Vol. 53. — No. 41. — P. 6473-6495.

120. Wang C., Pawley N.H., Nicholson L.K. The role of backbone motions in ligand binding to the c-Src SH3 domain // Journal of Molecular Biology. — 2001. — Vol. 313. — No. 4.

— P. 873-887.

121. Martin-Sierra F.M., Candel A.M., Casares S., Filimonov V.V., Mart Inez J.C., Conejero-Lara F. A binding event converted into a folding event // FEBS Letters. — 2003. — Vol. 553.

— No. 3. — P. 328-332.

122. Williamson M.P. Using chemical shift perturbation to characterize ligand binding // Progress in Nuclear Magnetic Resonance Spectroscopy. — 2013. — Vol. 73. — P. 1-16.

123. Wales T.E., Engen J.R. Partial Unfolding of Diverse SH3 Domains on a Wide Timescale // Journal of Molecular Biology. — 2006. — Vol. 357. — No. 5. — P. 1592-1604.

124. Klont F., Bras L., Wolters J.C., Ongay S., Bischoff R., Halmos G.B., Horvatovich P. Assessment of Sample Preparation Bias in Mass Spectrometry-Based Proteomics // Analytical Chemistry. — 2018. — Vol. 90. — No. 8. — P. 5405-5413.

125. Hains P.G., Robinson P.J. The Impact of Commonly Used Alkylating Agents on Artifactual Peptide Modification // Journal of Proteome Research. — 2017. — Vol. 16. — No. 9. — P. 3443-3447.

126. Lindley H. A study of the kinetics of the reaction between thiol compounds and chloroacetamide // Biochemical Journal. — 1960. — Vol. 74. — No. 3. — P. 577-584.

127. Wu X., Knudsen B., Feller S.M., Zheng J., Sali A., Cowburn D., Hanafusa H., Kuriyan J. Structural basis for the specific interaction of lysine-containing proline-rich peptides with the N-terminal SH3 domain of c-Crk // Structure. — 1995. — Vol. 3. — No. 2. — P. 215-226.

128. Forbus T.R., Martin J.C. Quest for an observable model for the SN2 transition state. Pentavalent pentacoordinate carbon // Journal of the American Chemical Society. — 1979. — Vol. 101. — No. 17. — P. 5057-5059.

129. Spronk C.A.E.M., Nabuurs S.B., Krieger E., Vriend G., Vuister G.W. Validation of protein structures derived by NMR spectroscopy // Progress in Nuclear Magnetic Resonance Spectroscopy. — 2004. — Vol. 45. — No. 3-4. — P. 315-337.

130. Koes D.R., Vries J.K. Evaluating amber force fields using computed NMR chemical shifts: KOES and VRIES // Proteins: Structure, Function, and Bioinformatics. — 2017. — Vol. 85. — Evaluating amber force fields using computed NMR chemical shifts. — No. 10. — P. 1944-1956.

131. Vila J.A., Villegas M.E., Baldoni H.A., Scheraga H.A. Predicting 13Ca chemical shifts for validation of protein structures // Journal of Biomolecular NMR. — 2007. — Vol. 38. — No. 3. — P. 221-235.

132. Sahakyan A.B., Vranken W.F., Cavalli A., Vendruscolo M. Using Side-Chain Aromatic Proton Chemical Shifts for a Quantitative Analysis of Protein Structures // Angewandte Chemie International Edition. — 2011. — Vol. 50. — No. 41. — P. 9620-9623.

133. Spera S., Bax A. Empirical correlation between protein backbone conformation and C.alpha. and C.beta. 13C nuclear magnetic resonance chemical shifts // Journal of the American Chemical Society. — 1991. — Vol. 113. — No. 14. — P. 5490-5492.

134. Brünger A.T. Free R value: Cross-validation in crystallography // Methods in Enzymology. — Elsevier, 1997. — Vol. 277. — Free R value. — P. 366-396.

135. Vijay-kumar S., Bugg C.E., Cook W.J. Structure of ubiquitin refined at 1.8 Ä resolution // Journal of Molecular Biology. — 1987. — Vol. 194. — No. 3. — P. 531-544.

136. Li D.-W., Bruschweiler R. PPM: a side-chain and backbone chemical shift predictor for the assessment of protein conformational ensembles // Journal of Biomolecular NMR. — 2012.

— Vol. 54. — PPM. — No. 3. — P. 257-265.

137. Maltsev A.S., Grishaev A., Roche J., Zasloff M., Bax A. Improved Cross Validation of a Static Ubiquitin Structure Derived from High Precision Residual Dipolar Couplings Measured in a Drug-Based Liquid Crystalline Phase // Journal of the American Chemical Society. — 2014.

— Vol. 136. — No. 10. — P. 3752-3755.

138. Warshel A., Weiss R.M. An empirical valence bond approach for comparing reactions in solutions and in enzymes // Journal of the American Chemical Society. — 1980. — Vol. 102.

— No. 20. — P. 6218-6226.

139. Nutt D.R., Meuwly M. Studying Reactive Processes with Classical Dynamics: Rebinding Dynamics in MbNO // Biophysical Journal. — 2006. — Vol. 90. — Studying Reactive Processes with Classical Dynamics. — No. 4. — P. 1191-1201.

140. Smith K.D., Stoliarov S.I., Nyden M.R., Westmoreland P R. RMDff: A smoothly transitioning, forcefield-based representation of kinetics for reactive molecular dynamics simulations // Molecular Simulation. — 2007. — Vol. 33. — RMDff. — No. 4-5. — P. 361368.

141. Paci E., Karplus M. Forced unfolding of fibronectin type 3 modules: an analysis by biased molecular dynamics simulations // Journal of Molecular Biology. — 1999. — Vol. 288. — Forced unfolding of fibronectin type 3 modules. — No. 3. — P. 441-459.

142. Foulkes D.M., Byrne D.P., Yeung W., Shrestha S., Bailey F.P., Ferries S., Eyers C.E., Keeshan K., Wells C., Drewry D.H., Zuercher W.J., Kannan N., Eyers P.A. Covalent inhibitors of EGFR family protein kinases induce degradation of human Tribbles 2 (TRIB2) pseudokinase in cancer cells // Science Signaling. — 2018. — Vol. 11. — No. 549. — P. eaat7951.

143. Kendrew J.C., Bodo G., Dintzis H.M., Parrish R.G., Wyckoff H., Phillips D C. A Three-Dimensional Model of the Myoglobin Molecule Obtained by X-Ray Analysis // Nature. — 1958. — Vol. 181. — No. 4610. — P. 662-666.

144. Dunker A.K., Lawson J.D., Brown C.J., Williams R.M., Romero P., Oh J.S., Oldfield C.J., Campen A.M., Ratliff C.M., Hipps K.W., Ausio J., Nissen M.S., Reeves R., Kang C., Kissinger C.R., Bailey R.W., Griswold M.D., Chiu W., Garner E.C., Obradovic Z. Intrinsically disordered protein // Journal of Molecular Graphics and Modelling. — 2001. — Vol. 19. — No. 1. — P. 26-59.

145. Kuloglu E.S., McCaslin D.R., Markley J.L., Volkman B.F. Structural Rearrangement of Human Lymphotactin, a C Chemokine, under Physiological Solution Conditions // Journal of Biological Chemistry. — 2002. — Vol. 277. — No. 20. — P. 17863-17870.

146. Madhurima K., Nandi B., Sekhar A. Metamorphic proteins: the Janus proteins of structural biology // Open Biology. — 2021. — Vol. 11. — Metamorphic proteins. — No. 4.

— P. 210012.

147. Murzin A G. Metamorphic Proteins // Science. — 2008. — Vol. 320. — No. 5884.

— P. 1725-1726.

148. Dishman A.F., Volkman B.F. Unfolding the Mysteries of Protein Metamorphosis // ACS Chemical Biology. — 2018. — Vol. 13. — No. 6. — P. 1438-1446.

149. Chang Y.-G., Cohen S.E., Phong C., Myers W.K., Kim Y.-I., Tseng R., Lin J., Zhang L., Boyd J.S., Lee Y., Kang S., Lee D., Li S., Britt R.D., Rust M.J., Golden S.S., LiWang A. A protein fold switch joins the circadian oscillator to clock output in cyanobacteria // Science. — 2015. — Vol. 349. — No. 6245. — P. 324-328.

150. Porter L.L. Predictable fold switching by the SARS-CoV -2 protein ORF9b // Protein Science. — 2021. — Vol. 30. — Predictable fold switching by the <span style="font-variant.

— No. 8. — P. 1723-1729.

151. Chen N., Das M., LiWang A., Wang L.-P. Sequence-based Prediction of Metamorphic Behavior in Proteins. — Cold Spring Harbor Laboratory, 2020.

152. Dishman A.F., Volkman B.F. Design and discovery of metamorphic proteins // Current Opinion in Structural Biology. — 2022. — Vol. 74. — P. 102380.

153. Dishman A.F., Volkman B.F. Metamorphic protein folding as evolutionary adaptation // Trends in Biochemical Sciences. — 2023. — Vol. 48. — No. 8. — P. 665-672.

154. Huart A.-S., Hupp T. Evolution of Conformational Disorder & Diversity of the P53 Interactome // BioDiscovery. — 2013. — № 8. — C. 5.

155. Hadzi S., Lah J. The free energy folding penalty accompanying binding of intrinsically disordered a-helical motifs // Protein Science. — 2022. — Vol. 31. — No. 7. — P. e4370.

156. Arai M. Unified understanding of folding and binding mechanisms of globular and intrinsically disordered proteins // Biophysical Reviews. — 2018. — Vol. 10. — No. 2. — P. 163-181.

157. Giri R., Morrone A., Toto A., Brunori M., Gianni S. Structure of the transition state for the binding of c-Myb and KIX highlights an unexpected order for a disordered system // Proceedings of the National Academy of Sciences. — 2013. — Vol. 110. — No. 37. — P. 14942-14947.

158. Kulkarni P., Porter L., Chou T.-F., Chong S., Chiti F., Schafer J.W., Mohanty A., Ramisetty S., Onuchic J.N., Tuite M., Uversky V.N., Weninger K.R., Koonin E.V., Orban J., Salgia R. Evolving concepts of the protein universe // iScience. — 2025. — Vol. 28. — No. 3.

— P.112012.

159. Das M., Chen N., LiWang A., Wang L. Identification and characterization of metamorphic proteins: Current and future perspectives // Biopolymers. — 2021. — Vol. 112.

— Identification and characterization of metamorphic proteins. — No. 10. — P. e23473.

160. Burmann B.M., Knauer S.H., Sevostyanova A., Schweimer K., Mooney R.A., Landick R., Artsimovitch I., Rösch P. An a Helix to ß Barrel Domain Switch Transforms the Transcription Factor RfaH into a Translation Factor // Cell. — 2012. — Vol. 150. — No. 2.

— P. 291-303.

161. Porter L.L., Looger L.L. Extant fold-switching proteins are widespread // Proceedings of the National Academy of Sciences. — 2018. — Vol. 115. — No. 23. — P. 5968-5973.

162. Dishman A.F., Tyler R.C., Fox J.C., Kleist A.B., Prehoda K.E., Babu M.M., Peterson F.C., Volkman B.F. Evolution of fold switching in a metamorphic protein // Science. — 2021.

— Vol. 371. — No. 6524. — P. 86-90.

163. Schafer J.W., Porter L.L. Evolutionary selection of proteins with two folds // Nature Communications. — 2023. — Vol. 14. — No. 1. — P. 5478.

164. Tuinstra R.L., Peterson F.C., Kutlesa S., Elgin E.S., Kron M.A., Volkman B.F. Interconversion between two unrelated protein folds in the lymphotactin native state // Proceedings of the National Academy of Sciences. — 2008. — Vol. 105. — No. 13. — P. 5057-5062.

165. Porter L.L., Kim A.K., Rimal S., Looger L.L., Majumdar A., Mensh B.D., Starich M.R., Strub M.-P. Many dissimilar NusG protein domains switch between a-helix and ß-sheet folds // Nature Communications. — 2022. — Vol. 13. — No. 1. — P. 3802.

166. Kim A.K., Porter L.L. Functional and Regulatory Roles of Fold-Switching Proteins // Structure. — 2021. — Vol. 29. — No. 1. — P. 6-14.

167. Ambroggio X.I., Kuhlman B. Computational Design of a Single Amino Acid Sequence that Can Switch between Two Distinct Protein Folds // Journal of the American Chemical Society. — 2006. — Vol. 128. — No. 4. — P. 1154-1161.

168. Lajoie M.J., Boyken S.E., Salter A.I., Bruffey J., Rajan A., Langan R.A., Olshefsky A., Muhunthan V., Bick M.J., Gewe M., Quijano-Rubio A., Johnson J., Lenz G., Nguyen A., Pun S., Correnti C.E., Riddell S.R., Baker D. Designed protein logic to target cells with precise combinations of surface antigens // Science. — 2020. — Vol. 369. — No. 6511. — P. 16371643.

169. Langan R.A., Boyken S.E., Ng A.H., Samson J.A., Dods G., Westbrook A.M., Nguyen T.H., Lajoie M.J., Chen Z., Berger S., Mulligan V.K., Dueber J.E., Novak W.R.P., El-Samad H., Baker D. De novo design of bioactive protein switches // Nature. — 2019. — Vol. 572. — No. 7768. — P. 205-210.

170. Porter L.L., Artsimovitch I., Ramírez-Sarmiento C.A. Metamorphic proteins and how to find them // Current Opinion in Structural Biology. — 2024. — Vol. 86. — P. 102807.

171. Kuloglu E.S., McCaslin D.R., Kitabwalla M., Pauza C.D., Markley J.L., Volkman B.F. Monomeric Solution Structure of the Prototypical 'C' Chemokine Lymphotactin, // Biochemistry. — 2001. — Vol. 40. — No. 42. — P. 12486-12496.

172. Luo X., Tang Z., Xia G., Wassmann K., Matsumoto T., Rizo J., Yu H. The Mad2 spindle checkpoint protein has two distinct natively folded states // Nature Structural & Molecular Biology. — 2004. — Vol. 11. — No. 4. — P. 338-345.

173. Iwase R., Imada K., Hayashi F., Uzumaki T., Morishita M., Onai K., Furukawa Y., Namba K., Ishiura M. Functionally Important Substructures of Circadian Clock Protein KaiB in a Unique Tetramer Complex // Journal of Biological Chemistry. — 2005. — Vol. 280. — No. 52. — P. 43141-43149.

174. Belogurov G.A., Vassylyeva M.N., Svetlov V., Klyuyev S., Grishin N.V., Vassylyev D.G., Artsimovitch I. Structural Basis for Converting a General Transcription Factor into an Operon-Specific Virulence Regulator // Molecular Cell. — 2007. — Vol. 26. — No. 1. — P. 117-129.

175. Milles S., Salvi N., Blackledge M., Jensen M.R. Characterization of intrinsically disordered proteins and their dynamic complexes: From in vitro to cell-like environments // Progress in Nuclear Magnetic Resonance Spectroscopy. — 2018. — Vol. 109. — Characterization of intrinsically disordered proteins and their dynamic complexes. — P. 79100.

176. Sekhar A., Nagesh J., Rosenzweig R., Kay L.E. Conformational heterogeneity in the Hsp70 chaperone-substrate ensemble identified from analysis of NMR-detected titration data // Protein Science. — 2017. — Vol. 26. — No. 11. — P. 2207-2220.

177. Li Y., Palmer A.G. TROSY-selected ZZ-exchange experiment for characterizing slow chemical exchange in large proteins // Journal of Biomolecular NMR. — 2009. — Vol. 45. — No. 4.

178. Zhang N., Guan W., Cui S., Ai N. Crowded environments tune the fold-switching in metamorphic proteins // Communications Chemistry. — 2023. — Vol. 6. — No. 1.

179. Solomon T.L., He Y., Sari N., Chen Y., Gallagher D.T., Bryan P.N., Orban J. Reversible switching between two common protein folds in a designed system using only temperature // Proceedings of the National Academy of Sciences. — 2023. — Vol. 120. — No. 4.

180. Vallurupalli P., Bouvignies G., Kay L.E. Studying "Invisible" Excited Protein States in Slow Exchange with a Major State Conformation // Journal of the American Chemical Society. — 2012. — Vol. 134. — No. 19. — P. 8148-8161.

181. Zuber P.K., Daviter T., Heißmann R., Persau U., Schweimer K., Knauer S.H. Structural and thermodynamic analyses of the ß-to-a transformation in RfaH reveal principles of fold-switching proteins // eLife. — 2022. — Vol. 11. — P. e76630.

182. Jain S., Sekhar A. Transient excited states of the metamorphic protein Mad2 and their implications for function // Proteins: Structure, Function, and Bioinformatics. — 2025. — Vol. 93. — No. 1. — P. 302-319.

183. Whitmore L., Wallace B.A. Protein secondary structure analyses from circular dichroism spectroscopy: Methods and reference databases // Biopolymers. — 2008. — Vol. 89. — Protein secondary structure analyses from circular dichroism spectroscopy. — No. 5. — P. 392-400.

184. Lôpez-Pelegrin M., Cerdà-Costa N., Cintas-Pedrola A., Herranz-Trillo F., Bernado P., Peinado J.R., Arolas J.L., Gomis-Rüth F.X. Multiple Stable Conformations Account for Reversible Concentration-Dependent Oligomerization and Autoinhibition of a Metamorphic Metallopeptidase // Angewandte Chemie International Edition. — 2014. — Vol. 53. — No. 40. — P. 10624-10630.

185. Ayinde K.S., Pinheiro G.M.S., Ramos C.H.I. Binding of SARS-CoV-2 protein ORF9b to mitochondrial translocase T0M70 prevents its interaction with chaperone HSP90 // Biochimie. — 2022. — Vol. 200. — P. 99-106.

186. Gibson Q.H. Stopped-flow apparatus for the study of rapid reactions // Discussions of the Faraday Society. — 1954. — Vol. 17. — P. 137.

187. Fersht A.R., Sato S. O-Value analysis and the nature of protein-folding transition states // Proceedings of the National Academy of Sciences. — 2004. — Vol. 101. — No. 21. — P. 7976-7981.

188. Toso J., Pennacchietti V., Di Felice M., Ventura E.S., Toto A., Gianni S. Topological determinants in protein folding dynamics: a comparative analysis of metamorphic proteins // Biology Direct. — 2025. — Vol. 20. — Topological determinants in protein folding dynamics. — No. 1.

189. Giri R., Morrone A., Travaglini-Allocatelli C., Jemth P., Brunori M., Gianni S. Folding pathways of proteins with increasing degree of sequence identities but different structure and function // Proceedings of the National Academy of Sciences. — 2012. — Vol. 109. — No. 44. — P. 17772-17776.

190. Appadurai R., Nagesh J., Srivastava A. High resolution ensemble description of metamorphic and intrinsically disordered proteins using an efficient hybrid parallel tempering scheme // Nature Communications. — 2021. — Vol. 12. — No. 1. — P. 958.

191. Bazmi S., Seifi B., Wallin S. Simulations of a protein fold switch reveal crowding-induced population shifts driven by disordered regions // Communications Chemistry. — 2023.

— Vol. 6. — No. 1. — P. 191.

192. Subramanian V., Appadurai R., Venkatesh H., Sekhar A., Srivastava A. Morpheus: A fragment-based algorithm to predict metamorphic behaviour in proteins across proteomes. Morpheus. — 2025.

193. Chakravarty D., Porter L.L. AlphaFold2 fails to predict protein fold switching // Protein Science. — 2022. — Vol. 31. — No. 6. — P. e4353.

194. Ingraham J.B., Baranov M., Costello Z., Barber K.W., Wang W., Ismail A., Frappier V., Lord D.M., Ng-Thow-Hing C., Van Vlack E.R., Tie S., Xue V., Cowles S.C., Leung A., Rodrigues J.V., Morales-Perez C.L., Ayoub A.M., Green R., Puentes K., Oplinger F., Panwar N.V., Obermeyer F., Root A.R., Beam A.L., Poelwijk F.J., Grigoryan G. Illuminating protein space with a programmable generative model // Nature. — 2023. — Vol. 623. — No. 7989.

— P. 1070-1078.

195. Wu K.E., Yang K.K., Van Den Berg R., Alamdari S., Zou J.Y., Lu A.X., Amini A.P. Protein structure generation via folding diffusion // Nature Communications. — 2024. — Vol. 15. — No. 1. — P. 1059.

196. Abandes B.K. Checking your PDB file for clashing atoms // Oxford Protein Informatics Group [Электронный ресурс]. URL: https://www.blopig.com/blog/2023/05/checking-your-pdb-file-for-clashing-atoms/

197. Michaud-Agrawal N., Denning E.J., Woolf T.B., Beckstein O. MDAnalysis: A toolkit for the analysis of molecular dynamics simulations // Journal of Computational Chemistry. — 2011.

— Vol. 32. — MDAnalysis. — No. 10. — P. 2319-2327.

198. Alexander P.A., He Y., Chen Y., Orban J., Bryan P.N. The design and characterization of two proteins with 88% sequence identity but different structure and function // Proceedings of the National Academy of Sciences. — 2007. — Vol. 104. — No. 29. — P. 11963-11968.

199. Bryan P.N., Orban J. Implications of protein fold switching // Current Opinion in Structural Biology. — 2013. — Vol. 23. — No. 2. — P. 314-316.

200. Tian P., Best R.B. Exploring the sequence fitness landscape of a bridge between protein folds // PLOS Computational Biology. — 2020. — Vol. 16. — No. 10. — P. e1008285.

201. He Y., Chen Y., Alexander P.A., Bryan P.N., Orban J. Mutational Tipping Points for Switching Protein Folds and Functions // Structure. — 2012. — Vol. 20. — No. 2. — P. 283291.

202. Song C., Wang Q., Xue T., Wang Y., Chen G. Molecular dynamics simulations on the conformational transitions from the GA98 (GA88) to GB98 (GB88) proteins // Journal of Molecular Recognition. — 2016. — Vol. 29. — No. 12. — P. 580-595.

203. Bernhardt N.A., Xi W., Wang W., Hansmann U.H.E. Simulating Protein Fold Switching by Replica Exchange with Tunneling // Journal of Chemical Theory and Computation. — 2016.

— Vol. 12. — No. 11. — P. 5656-5666.

204. Chakravarty D., Schafer J.W., Chen E.A., Thole J.R., Porter L.L. AlphaFold2 has more to learn about protein energy landscapes. — Cold Spring Harbor Laboratory, 2023.

205. Kouza M., Hansmann U.H.E. Folding Simulations of the A and B Domains of Protein G // The Journal of Physical Chemistry B. — 2012. — Vol. 116. — No. 23. — P. 6645-6653.

206. Bernhardt N.A., Hansmann U.H.E. Multifunnel Landscape of the Fold-Switching Protein RfaH-CTD // The Journal of Physical Chemistry B. — 2018. — Vol. 122. — No. 5. — P. 1600-1607.

207. Webb B., Sali A. Comparative Protein Structure Modeling Using MODELLER // Current Protocols in Bioinformatics. — 2016. — Vol. 54. — No. 1.

208. Muñoz V., Serrano L. Development of the multiple sequence approximation within the AGADIR model of a-helix formation: Comparison with Zimm-Bragg and Lifson-Roig formalisms // Biopolymers. — 1997. — Vol. 41. — Development of the multiple sequence approximation within the AGADIR model of a-helix formation. — No. 5. — P. 495-509.

209. Drozdetskiy A., Cole C., Procter J., Barton G.J. JPred4: a protein secondary structure prediction server // Nucleic Acids Research. — 2015. — Vol. 43. — JPred4. — No. W1.

— P. W389-W394.

210. Yan R., Xu D., Yang J., Walker S., Zhang Y. A comparative assessment and analysis of 20 representative sequence alignment methods for protein structure prediction // Scientific Reports. — 2013. — Vol. 3. — No. 1.

211. Matouschek A., Kellis J.T., Serrano L., Fersht A.R. Mapping the transition state and pathway of protein folding by protein engineering // Nature. — 1989. — Vol. 340. — No. 6229. — P. 122-126.

212. Blanco F.J., Rivas G., Serrano L. A short linear peptide that folds into a native stable P-hairpin in aqueous solution // Nature Structural & Molecular Biology. — 1994. — Vol. 1. — No. 9. — P. 584-590.

213. Kuszewski J., Clore G.M., Gronenborn A.M. Fast folding of a prototypic polypeptide: The immunoglobulin binding domain of streptococcal protein G // Protein Science. — 1994. — Vol. 3. — Fast folding of a prototypic polypeptide. — No. 11. — P. 1945-1952.

214. McCallister E.L., Alm E., Baker D. Critical role of ß-hairpin formation in protein G folding // Nature Structural Biology. — 2000. — T. 7. — № 8. — C. 669-673.

215. Hubner I.A., Shimada J., Shakhnovich E.I. Commitment and Nucleation in the Protein G Transition State // Journal of Molecular Biology. — 2004. — Vol. 336. — No. 3. — P. 745761.

216. Frishman D., Argos P. Knowledge-based protein secondary structure assignment // Proteins: Structure, Function, and Bioinformatics. — 1995. — Vol. 23. — No. 4. — P. 566579.

217. Brooks C.L. Protein and Peptide Folding Explored with Molecular Simulations // Accounts of Chemical Research. — 2002. — Vol. 35. — No. 6. — P. 447-454.

218. Sikosek T., Krobath H., Chan H.S. Theoretical Insights into the Biophysics of Protein Bi-stability and Evolutionary Switches // PLOS Computational Biology. — 2016. — Vol. 12. — No. 6. — P. e1004960.

219. Ruan B., He Y., Chen Y., Choi E.J., Chen Y., Motabar D., Solomon T., Simmerman R., Kauffman T., Gallagher D.T., Orban J., Bryan P.N. Design and characterization of a protein fold switching network // Nature Communications. — 2023. — Vol. 14. — No. 1.

220. Shen Y., Lange O., Delaglio F., Rossi P., Aramini J.M., Liu G., Eletsky A., Wu Y., Singarapu K.K., Lemak A., Ignatchenko A., Arrowsmith C.H., Szyperski T., Montelione G.T., Baker D., Bax A. Consistent blind protein structure generation from NMR chemical shift data // Proceedings of the National Academy of Sciences. — 2008. — Vol. 105. — No. 12. — P. 4685-4690.

221. Vallat B., Webb B., Westbrook J.D., Sali A., Berman H.M. Development of a Prototype System for Archiving Integrative/Hybrid Structure Models of Biological Macromolecules // Structure. — 2018. — Vol. 26. — No. 6. — P. 894-904.e2.

222. Olofsson M., Hansson S., Hedberg L., Logan D.T., Oliveberg M. Folding of S6 Structures with Divergent Amino Acid Composition: Pathway Flexibility Within Partly Overlapping Foldons // Journal of Molecular Biology. — 2007. — Vol. 365. — Folding of S6 Structures with Divergent Amino Acid Composition. — No. 1. — P. 237-248.

223. Zuber P.K., Schweimer K., Rösch P., Artsimovitch I., Knauer S.H. Reversible fold-switching controls the functional cycle of the antitermination factor RfaH // Nature Communications. — 2019. — Vol. 10. — No. 1.

224. Tomar S.K., Knauer S.H., NandyMazumdar M., Rösch P., Artsimovitch I. Interdomain contacts control folding of transcription factor RfaH // Nucleic Acids Research. — 2013. — Vol. 41. — No. 22. — P. 10077-10085.

225. Braisted A.C., Wells J.A. Minimizing a binding domain from protein A. // Proceedings of the National Academy of Sciences. — 1996. — Vol. 93. — No. 12. — P. 5688-5692.

226. Slavokhotova A.A., Rogozhin E.A. Defense Peptides From the a-Hairpinin Family Are Components of Plant Innate Immunity // Frontiers in Plant Science. — 2020. — T. 11.

227. Pattanayek R., Williams D.R., Pattanayek S., Mori T., Johnson C.H., Stewart P.L., Egli M. Structural model of the circadian clock KaiB-KaiC complex and mechanism for modulation of KaiC phosphorylation // The EMBO Journal. — 2008. — T. 27. — № 12. — C. 17671778.

228. Kim C., Choi J., Lee S.J., Welsh W.J., Yoon S. NetCSSP: web application for predicting chameleon sequences and amyloid fibril formation // Nucleic Acids Research. — 2009. — Vol. 37. — NetCSSP. — No. Web Server. — P. W469-W473.

229. Harada R., Kitao A. Parallel cascade selection molecular dynamics (PaCS-MD) to generate conformational transition pathway // The Journal of Chemical Physics. — 2013. — Vol. 139. — No. 3.

230. Gc J.B., Bhandari Y.R., Gerstman B.S., Chapagain P.P. Molecular Dynamics Investigations of the a-Helix to P-Barrel Conformational Transformation in the RfaH Transcription Factor // The Journal ofPhysical Chemistry B. — 2014. — Vol. 118. — No. 19.

— P. 5101-5108.

231. Parui S., Brini E., Dill K.A. Computing Free Energies of Fold-Switching Proteins Using MELD x MD // Journal of Chemical Theory and Computation. — 2023. — Vol. 19. — No. 19.

— P. 6839-6847.

232. Li S., Xiong B., Xu Y., Lu T., Luo X., Luo C., Shen J., Chen K., Zheng M., Jiang H. Mechanism of the All-a to All-P Conformational Transition of RfaH-CTD: Molecular Dynamics Simulation and Markov State Model // Journal of Chemical Theory and Computation. — 2014.

— Vol. 10. — Mechanism of the All-a to All-P Conformational Transition of RfaH-CTD. — No. 6. — P. 2255-2264.

233. Raval A., Piana S., Eastwood M.P., Dror R.O., Shaw D.E. Refinement of protein structure homology models via long, all-atom molecular dynamics simulations // Proteins: Structure, Function, and Bioinformatics. — 2012. — Vol. 80. — No. 8. — P. 2071-2079.

234. Roney J.P., Ovchinnikov S. State-of-the-Art Estimation of Protein Model Accuracy Using AlphaFold // Physical Review Letters. — 2022. — Vol. 129. — No. 23.

235. Sala D., Engelberger F., Mchaourab H.S., Meiler J. Modeling conformational states of proteins with AlphaFold // Current Opinion in Structural Biology. — 2023. — Vol. 81. — P. 102645.

236. Aranganathan A., Gu X., Wang D., Vani B.P., Tiwary P. Modeling Boltzmann-weighted structural ensembles of proteins using artificial intelligence-based methods // Current Opinion in Structural Biology. — 2025. — Vol. 91. — P. 103000.

237. Chakravarty D., Schafer J.W., Chen E.A., Thole J.F., Ronish L.A., Lee M., Porter L.L. AlphaFold predictions of fold-switched conformations are driven by structure memorization // Nature Communications. — 2024. — Vol. 15. — No. 1.

238. Chakravarty D., Lee M., Porter L.L. Proteins with alternative folds reveal blind spots in AlphaFold-based protein structure prediction // Current Opinion in Structural Biology. — 2025. — Vol. 90. — P. 102973.

239. Baldwin R.L., Rose G.D. Is protein folding hierarchic? II. Folding intermediates and transition states // Trends in Biochemical Sciences. — 1999. — Vol. 24. — Is protein folding hierarchic? — No. 2. — P. 77-83.

240. Dyson H.J., Wright P.E. Equilibrium NMR studies of unfolded and partially folded proteins // Nature Structural Biology. — 1998. — T. 5. — № 7. — C. 499-503.

241. Kumirov V.K., Dykstra E.M., Hall B.M., Anderson W.J., Szyszka T.N., Cordes M.H.J. Multistep mutational transformation of a protein fold through structural intermediates // Protein Science. — 2018. — Vol. 27. — No. 10. — P. 1767-1779.

Благодарности

Автор выражает глубокую благодарность своему научному руководителю, Николаю Руслановичу Скрынникову, за постоянное внимание к работе, ценные советы и всестороннюю поддержку на всех этапах подготовки и защиты диссертации. Кроме того, хочется поблагодарить Ивана Сергеевича Подкорытова за советы и содействие при работе над диссертацией.

Автор также благодарит нынешних и бывших коллег по Лаборатории биомолекулярного ЯМР. Отдельную благодарность хотел бы выразить Ольге Рогачевой за значительный вклад в исследование, которое легло в основу данной работы. Кроме того, хотел бы поблагодарить Ольгу Лебеденко и Сергея Измаилова за поддержание вычислительной инфраструктуры лаборатории, а также Елену Бушманову, Светлану Корбан, Александру Лёвкину, Севастьяна Рабдано, Владислава Саликова, Ирину Тюряеву и Бориса Харькова за помощь в проведении исследований и плодотворное сотрудничество. Также выражаю благодарность коллегам из других групп, содействовавших в проведении исследований, изложенных в данной работе: Илье Борисовичу Безпрозванному, Александру Болгову, Марии Индейкиной и Алексею Кононихину.

Автор благодарен ресурсным центрам СПбГУ, на базе которых проводилась часть вычислений и экспериментов представленных в диссертации. В их число входят Ресурсные центры «Вычислительный центр», «Магнитно-резонансные методы исследования», «Методы анализа состава вещества», «Развитие молекулярных и клеточных технологий», «Рентгенодифракционные методы исследования», «Термогравиметрические и калориметрические методы исследования» и Криогенный отдел научного парка СПбГУ.

Автор также благодарит Санкт-Петербургский Государственный Университет за финансовую поддержку исследований, а именно гранты 127400408, 140124296 и 134443342.