La newsletter 2011 di Docking@home

Cari amici, l’ultima volta che abbiamo condiviso con voi una newsletter di Docking@Home è stato tanto tempo fa, nel 2009.

Negli ultimi due anni vi siamo stati sempre molto grati per il sostegno a Docking@Home; abbiamo attraversato momenti difficili, ad esempio durante l’uragano Irene e il recente aggiornamento del client BOINC, ma molto è stato anche elaborato.

Questa newsletter è stata redatta la Boyu Zhang (uno dei nostri sviluppatori di D@H) con lo scopo di fornirvi informazioni su cosa tiene ci tiene occupati (e tiene occupati i vostri computer) e di svelarvi i nostri piani per il prossimo anno.

Michela Taufer (project leader) continua così la sua presentazione:

Da quando Docking@Home (D@H) è partito nel settembre 2006, il nostro progetto ha continuato a crescere ed elaborare lavoro. La sottostante Tabella 1 riassume, in numeri, lo stato attuale di D@H. Come mostrato dalla tabella, in questi cinque anni di attività di D@H, abbiamo formato una grande comunità di volontari fedeli che contribuiscono alla risoluzione dell’importante problema scientifico di design dei principi attivi.

Simulazioni di self-docking e cross-docking
Quando siamo partiti con Docking@Home nel 2006, inizialmente compievamo la simulazione dell’aggancio proteina-ligando usando i ligandi nella corrispettiva conformazione della proteina (vedi la terza newsletter di Docking per i dettagli). Questo ci ha permesso di capire il processo di aggancio e le interazione atomiche tra proteina e ligando (self-docking). Continua nell'approfondimento...

Risultati delle analisi di Docking@Home
Il processo di aggancio è solo uno dei passagi chiave nella definizione di un principio attivo. Una volta che i risultati (conformazione dei ligandi) sono stati raccolti, è necessario analizzarli e classificarli in base alla qualità. Continua nell'approfondimento...

Nelle simulazioni di cross-docking, quando cerchiamo di emulare la flessibilità della proteina, il numero dei tentativi di cross-docking ed i rispettivi risultati sono molto più grandi di quelli che si ottengono con la semplice simulazione di self-docking.

Se consideriamo un numero M di conformazioni di ligandi, un numero M di conformazioni di proteine e con N il numero di tentativi di aggancio (lavoro distribito ai volontari) per ogni ligando, otteniamo M2∙N lavori. Si noti che M e N sono solitamente numeri molto grandi. Questo fa si che ci siano un gran numero di lavori da eseguire e un gran numero di dati da raccogliere.

Questo pone due nuove sfide al progetto D@H: per prima cosa abbiamo bisogno di più esemplari e basarci ancora di più sul vostro supporto; per seconda cosa dobbiamo lavorare un set di dati molto più grandi. Continua nell'approfondimento...

Siccome le simulazioni di cross-docking per il complesso dell’HIV verranno completate nel dicembre del 2011, abbiamo tracciato una prima tabella di marcia per le prossime simulazioni e analisi.

Come mostra la tabella di marcia, abbiamo incominciato le simulazioni di cross-docking per la proteina dell’HIV all’inizio del 2010, nella quale ognuno delle 26 conformazioni dei ligandi è stata agganciata in 25 conformazioni proteiche, escludendo quelle osservate sperimentalmente, ottenendo 650 complessi.

Per ogni complesso abbiamo raccolto circa 20000 risultati. Attualmente 550 dei 650 complessi sono terminati e ne rimangono 100 da far elaborare. Per la fine del 2011, i complessi per l’HIV dovrebbero essere terminati. E ci sposteremo sulle prossime proteine: la tripsina e la p38alpha; la tripsina ha circa lo stesso numero di complessi dell’HIV, mentre la p38alpha ha approssimativamente la metà dei casi.
Allo stesso tempo, dopo che saranno completate le simulazioni di cross-docking per l’HIV, inizieremo l’analisi dei risultati raccolti e condivideremo con voi le nostre scoperte.

Siamo molto emozionati dallo studio della flessibilità delle proteine attraverso il cross-docking, rimanete sintonizzati con Docking@Home!

Docking@Home sta lavorando attivamente da diversi anni, e si sta evolvendo insieme alla crescita dei progetti. Nessuno di questi eventi incredibili sarebbe potuto accadere senza il vostro aiuto! Tantissimi ringraziamenti a tutti i nostri volontari dal team del progetto Docking@Home! Grazie per rimanere con noi e cercheremo di ascoltarvi attraverso il sondaggio, rendendo l’esperienza del volontariato sempre migliore per il futuro!

Per continuare a tener coinvolti i nostri volontari e reclutarne dei nuovi stiamo lavorando su una estensione di D@H chiamata ExSciTecH, un gioco interattivo e di facile utilizzo per esplorare (Explore) la scienza (Science), le tecnologie (Technology) e la salute (Health). La figura 7 mostra una panoramica del gioco. Questo espande D@H con un ambiente di gioco nel quale i nostri volontari possono imparare, mentre giocano, i passaggi base del processo di aggancio tra proteina e ligando, il quale include i ligandi da agganciare alle proteine per annullarne o amplificarne l’effetto nel corpo.

Potrete anche imparare come identificare le molecole dal nome o dal male che causa (ad esempio HIV o cancro al seno), identificando le molecole (proteine o ligandi) e atomi per tipo, identificare molecole dalla forma, combinando il sito di aggancio, complessità e gradi di flessibilità.

Per ospitare ExSciTecH in D@H e permettere la generazione di lavoro da parte dei volontari sotto un aspetto ludico, le infrastutture di D@H necessitano di alcuni cambiamenti.

Il processo volontario compreso tra “gioco divertente” e “invia il mio lavoro”, visto dalla prospettiva dei server di D@H, è mostrato in figura 8: i volontari inviano il proprio lavoro interattivo facendo indagini sui lavori in coda nei server D@H; i server D@H convalidano le simulazioni prima di generare lavoro da inviare ai client dormienti di D@H; quando i client D@H dormienti terminano l’elaborazione del lavoro, inviano i risultati ai server; i server di D@H raccolgono i risultati, li convalidano e provvedono a riconoscere ai volontari un premio (punteggio).

Questa interazione tra i volontari e i server di D@H richiedono delle modifiche dei server. In aggiunta, i volontari potrebbero potenzialmente inviare risultati errati o danneggiati, quindi i server D@H devono essere protetti, oltre a dover tenere traccia della partecipazione dei volontari e assegnare loro un punteggio per il lavoro svolto.

La figura 9 mostra tre videate del gioco e ci fornisce un assaggio di come il gioco ExSciTecH sembrerà. Nella prima schermata possiamo identificare le molecole e i tipi di molecola fra atomi, ligandi e proteine; nella seconda schermata potete selezionare proteina e ligando, i quali andranno a formare il complesso di cui simulerete l’aggancio; nella terza schermata si sottopone il lavoro, come nuova simulazione, ai server D@H.

In questo modo i volontari possono partecipare alla ricerca creando nuovi ligandi, modificando quelli già esistenti in un database, trovando nuovi siti di attracco nei quali i volontari agganceranno un ligando nella proteina selezionata e trovando gli effetti collaterali causati dall’aggancio corretto del ligando con la proteina sbagliata.

Ci aspettiamo che la versione beta di ExSciTecH sarà pronta nella primavera del 2012.

Quando si analizzano i risultati di cross-docking, per ogni ligando, abbiamo bisogno di comparare tutti i complessi formati agganciando il ligando dato in tutte le possibili conformazioni della proteina.
Prendiamo per esempio il ligando 1g35 dalla proteina dell’HIV, quando si analizzano i suoi risultati del cross-docking, abbiamo bisogno di paragonare fra tutte le conformazioni generate dai vostri computer per i 25 complessi e i risultati ottenuti. Quando si compiono le comparazioni geometriche e il set di dati è molto ampio, l’algoritmo di raggruppamento gerarchico va in crisi perchè è poco scalabile: le prestazioni dell’algoritmo decadono significativamente quando è frequente il passaggio di dati tra dischi e memoria.

In aggiunta, questo metodo è difficilmente parallelizzabile a causa delle maggiori dipendenze insite nei dati: i dati dell’iterazione precedente sono usati per formare la divisione in gruppi utilizzata nella corrente iterazione. Per analizzare efficacemente ed efficientemente i grandi set di dati generati dalle simulazioni di cross-docking, abbiamo lavorato su un nuovo e più potente metodo di raggruppamento facile da parallelizzare e con buona scalabilità.

Il modello che meglio si adatta al nostro metodo è MapReduce, i cui risultati preliminari sono stati mostrati durante il SuperComputing 2011 (SC2011); fare riferimento alla nostra sezione di pubblicazioni per i dettagli. Abbiamo pensato di condividere con voi i nuovi risultati nella prossima newsletter, sperando che non dobbiate aspettare così a lungo come in questo caso.

Quando siamo partiti con Docking@Home nel 2006, inizialmente compievamo la simulazione dell’aggancio proteina-ligando usando i ligandi nella corrispettiva conformazione della proteina (vedi la terza newsletter di Docking per i dettagli). Questo ci ha permesso di capire il processo di aggancio e le interazione atomiche tra proteina e ligando (self-docking). Ci ha inoltre permesso di definire computazionalmente un grande numero di conformazioni potenziali dei ligandi, riducendo il tempo e i costi, richiesti per la definizione di nuovi principi attivi, di diversi ordini di grandezza.

Nel processo di aggancio, data una proteina, differenti tipi di ligando possono legarsi in una delle cavità di legame delle proteine. Ogni ligando ha differenti tipi di atomi e livelli di flessibilità. La stessa proteina, una volta unita al ligando, può assumere diverse conformazioni. La conformazione della proteina ed il ligando annesso formano un complesso.

Gli algoritmi di aggancio normalmente trattano con ligandi flessibili; tuttavia, a causa dei limiti computazionali, la proteine sono semplificate come un reticolo rigido tridimensionale (o una mappa reticolare). Ogni mappa consiste in un reticolo tridimensinale di punti regolarmente spaziati centrati attorno al sito attivo della proteina (la cavità di attracco). Ciascun punto all’interno della griglia registra il potenziale energetico degli atomi del ligando dovuto all’interazione con la proteina. Ad esempio, in una griglia di atomi di carbonio, il valore associato ad un punto rappresenta l’energia potenziale di un atomo di carbonio del ligando in una data posizione dovuta all’interazione con tutti gli atomi della proteina recettrice.  Questa semplificazione è dovuta soprattutto al costo computazionale associato ad una rappresentazione flessibile della conformazione della proteina così come ai vincoli computazionali e di memoria dei sistemi sui quali la simulazione verrà compiuta.

Dato un ligando, la flessibilità della proteina può essere emulata considerando non solo la mappa reticolare della proteina originariamente osservata agganciando sperimentalmente il ligando fissato, ma anche altre conformazioni (reticoli tridimensionali) della stessa proteina che sono state osservate sperimentalmente e documentate in seguito all’unione con altri ligandi. Stiamo usando il dataset LPDB come nostra sorgente di complessi proteina-ligando. Questo approccio di simulazione implicita della flessibilità della proteina è tipicamente detta cross-docking. L’approccio cross-docking è usato per stimare la sensibilità dei risultati dell’aggancio a piccole variazioni nella conformaziona delle proteina dovute alla flessibilità della cavità di legame. Nelle simulazioni di cross-docking fatte da Docking@Home, dato un ligando, questo viene agganciato in  più conformazioni della stessa proteina, ciascuna della quale è semplificata con un mappa reticolare.

La figura 1 qui di seguito mostra un piccolo sottoinsieme della simulazione di cross-docking eseguita da D@H nella quale il ligando del complesso 1g35 è unito a tre differenti conformazioni di proteina derivanti da tre altri complessi (nell’esempio: 1gno, 1hih e 1htf) al fine di formare nuovi complessi per D@H.

La successiva figura 2 mostra un piccolo sottoinsieme della simulazione di cross-docking della Tripsina eseguita con D@H nella prossima fase del nostro progetto nel quale il ligando proveniente dal complesso 1k1m è unito alle conformazioni proteiche provenienti dai complessi 1k1n, 1ppc e 3ptb con lo scopo di formare nuovi complessi.

Infine la figura 3 mostra un piccolo sottoinsieme della simulazione di cross-docking p38alpha eseguita con D@H nella quale il ligando proveniente dal complesso 1bl6 è agganciata a tre conformazioni proteiche provenienti dai complessi 1a9u, 1bl7 e 1ouk.

Il processo di aggancio è solo uno dei passagi chiave nella definizione di un principio attivo. Una volta che i risultati (conformazione dei ligandi) sono stati raccolti, è necessario analizzarli e classificarli in base alla qualità. Un risultato di elevata qualità sono caratterizzati da una deviazione dalla configurazione nativa (misurata come la scarto quadratico medio (RMSD) tra il ligando dato dalla struttura cristallina) minore o uguale a due Angstrom (Å); comunque anche i risultati compresi tra due e tre Å vengono considerati interessanti.

Questo processo di selezione dei ligandi basato sulla loro qualità è detto scoring. Lo scoring può essere basato sull’energia o sulla geometria del ligando o sul complesso in generale. Notare che il valore RMSD è misurato in Å ed è calcolato come radice quadrata della media dei differenze al quadrato di tutti gli atomi (non idrogeni) del ligando simulato e gli atomi del ligando nella struttura cristallina.

Per affrontare la questione dello scoring, inizialmente ci siamo basati sul metodo tradizionale basato sul valore energetico: selezionavamo quei ligandi con la minima energia come quelli che più probabilmente si avvicinavano alla configurazione nativa. Abbiamo però immediatamente riscontrato le carenze di questo approccio in termini di accuratezza. La sottostante figura 4 mostra un campione di 100.000 conformazioni di ligandi (ogni punto è una conformazione diversa) ottenuti con D@H per un solo ligando, l’1ajx, della proteasi HIV1. I ligandi sono rappresentati in termini di potenziale energetico (asse x) e in funzione del valore RMSD ottenuto confrontandolo con la struttura cristallina (asse y).

La figura mostra tre regioni rilevanti:

1. L’area delle conformazioni con minima energia, rappresentata dal rettangolo verticale compreso tra -26 e -22 kcal/mol. Una conformazione di ligando con la minima energia non ha sempre una forma vicino a quella nativa. Le conformazioni in questo settore sono classificate in funzione della loro minima energia, però ci sono buone probabilità che non siano conformazioni vicine a quella nativa.
2. L’area delle conformazioni con minima deviazione (RMSD). L’RMSD è calcolato in osservanza della struttura cristallina come spiegato in precedenza. Quest’area è evidenziata dal rettangolo orizzontale con limiti di zero e un Å. Idealmente, il minimo globale della funzione di scoring con elevata accuratezza dovrebbe essere in quest’area. Tuttavia il minimo globale non può essere sempre trovato. Per la scoperta di nuovi farmaci, la dimensione della deviazione (asse y) non è nota e non può essere utilizzata per selezionare le conformazioni dei ligandi più indicate.
3. L’area delle conformazioni con minima energia e minima deviazione, intersezione delle due aree precedenti. Idealmente questa zona dovrebbe essere ricca di risultati per aumentare l’opportunità di selezionare un ligando con una conformazione valida. Come mostra la figura 4 questo non accade, incrementando il livello di incertezza e rendendo più difficile la selezione di candidati con una conformazione quasi nativa.

Abbiamo osservato lo stesso problema con i risultati generati da due differenti algoritmi di aggancio (il primo algoritmo usa una rappresentazione implicita dell’acqua e un coefficiente dielettrico dipendente dalla distanza, mentre il secondo algoritmo usa un modello più fisicamente accurato di rappresentazione implicita dell’acqua derivato dal modello di Born) per tre proteine (HIV, tripsina, p38alpha) e i vari ligandi considerati in D@H. Questo ci ha suggerito che il problema dello scoring è indipendente dal tipo di metodo di aggancio utilizzato.

La figura 5 mostra un esempio estremo di questo fenomeno per il ligando nel complesso 1w83 dove la funzione di scoring assegna la minima energia al set di conformazioni che, partendo da orientazioni molto differenti della struttura cristallina, convergono ad uno stesso risultato.

La figura 5 qui sopra mostra una comparazione grafica del 1w38 (la chinasi p38alpha in complesso con una piccola molecola inibitrice) in riferimento al solo ligando nella struttra cristallina (disegno nero) comparato con le tre migliori conformazioni (che hanno riportato la minor energia) ottenute al termine dell’elaborazione con D@H (disegni blu, verde e viola). La figura mostra come le conformazioni a minima energia non convergano ad un’unica soluzione nonstante il grande numero di modelli ottenuti. Allo stesso tempo questi tre risultati sono sostanzialmente differenti tra di loro e nessuno di questi è sufficientemente accurato da poter essere definito quasi-nativo.

Scoring basato sugli algoritmi di raggruppamento
I risultati del metodo di scoring basato sulla minima energia ha fatto sorgere un’importante domanda. Data l’innacuratezza degli algoritmi di aggancio e le milioni di conformazioni raccolte, come possono gli scienziati scegliere i ligandi simulati che più potrebbero avvicinarsi a quelli naturali, considerando che non sempre l’energia è un metro valido?

In diverse fasi di post-processing dei risultati, gli algoritmi di raggruppamento sono utilizzati per restringere il campo dei risultati di interesse. Per questo abbiamo proposto di utilizzare un contesto gerarchico probabilistico che combina:

1. la capacità di trattare con l’incertezza dei dati usando funzioni fuzzy c-medio di clustering partizionato
2. la capacità di identificare il numero di gruppi necessari in fase di esecuzione utilizzando un algoritmo di divisione gerarichica per il quale la priorità sia basata sulla variabilità dei risultati.

Il nostro contesto gerarchico probabilistico è più sofisticato degli algoritmi di raggruppamento più semplici come il metodo k-medio. Abbiamo scelto questo metodo al posto di quelli più semplici perchè è capace di compiere un raggruppamento efficace senza sorveglianza dei grandi set di dati di D@H anche in presenza di incertezza e quando il numero di gruppi è ignoto a priori.

La figura 6 mostra il processo del nostro contesto gerarchico di raggruppamento. Il raggruppamento gerarchico parte con l’intero set di dati di tutti i ligandi ottenuti per un complesso D0 e usa funzioni fuzzy c-medio (FCM) per dividere il set in due subset che sono definiti come uno il complementare dell’altro (D2 = D1 ∪ D0 - D1). Ogni ligando dipende da ciascun subset con diversi gradi di probabilità dipendenti dalla sua distanza da un centro scelto casualmente (chiamto anche centroide dei ligandi) in quel gruppo.

Se ci sono due subset, vengono determinati due centroidi. I ligandi che non sono fortemente legati a nessuno dei due subset sono rimossi da queste due partizioni. Il nostro contesto gerarchico probabilistico seleziona la partizione tra i due subset con una probabilità direttamente proporzionale alla sua dimensione e inversamente proporzionale alla varianza interna dei ligandi. La suddivisione continua finchè la media delle due partizioni (Dm e Dm+1) è uguale a ciascuna partizione con un significato statistico di 0,05. Ad ogni passo, una gerarchia di centroidi viene salvata e utilizzata per riassumere lo spazio dei dati.
Nella figura 6, i centroidi per D0, D0 - D1, D1, D1 - D2, D2, D2 - D3 e D3 vengono salvati e possono essere usati per analizzare e riassumere le differenti dimensioni dei set di dati. Inoltre, l’ultimo gruppo è per definizione il più compatto (per esempio potrebbe essere il cluster più grande con però la minor varianza interna). Perciò, l’ultimo cluster (D3) rappresenta quello con il massimo consenso ottenuto dai dati. Di conseguenza, il centroide di D3 può essere utilizzato come il più probabile di tutti i dati e scelto come configurazione quasi nativa.
Per testare se questo metodo di raggruppamento gerarchico per probabilità è robusto e può individuare configurazioni quasi native indipendentemente dal metodo di aggancio utilizzato, abbiamo considerato nuovamente due algoritmi di attracco differenti (algoritmo 1 e 2).

La tabella 2 riassume l'accuratezza del raggruppamento gerarchico per i due algoritmi di aggancio.

Noi consideriamo la selezione di un ligando corretta se la conformazione selezionata ha un RMSD minore di 2Å rispetto la struttura cristallina e il minimo dell'energia se la mediana del valore RMSD della conformazione di 100 ligandi con la minima energia è minore di 2Å. Come mostrato nella tabella, si ha una visione complessiva di come il nostro approccio superi quello ingenuo per tutti i metodi di aggancio e per ogni proteina. Con il nostro metodo di raggruppamento possiamo vedere come nessuno dei due algoritmi superi chiaramente l’altro.

Il risultato ottenuto combinando i campioni di D@H dei dei algoritmi può ulteriormente rafforzare la nostra accuratezza nella predizione della proteasi dell’HIV per la quale abbiamo ottenuto una percentuale di successo del 100%.

Coinvolgere un sempre più grande e variegato gruppo di volontari è sempre un compito importante per noi.

Per aiutarci ad imparare di più circa la vostra esperienza di D@H, cosa vi spinge a rimanere con noi e contribuire alla causa scientifica, quali nuovi aspetti vi aspettereste di trovare nel futuro, ecc., abbiamo preparando un sondaggio per chiedervi un commento. Potrà esserci di grande aiuto se potrete dedicarci due minuti del vostro tempo per condividere con noi i vostri pensieri. Insieme possiamo rendere il volontariato sempre migliore. Il sondaggio è anonimo e può essere trovato partendo dalla homepage di D@H: http://docking.cis.udel.edu/. Non vediamo l’ora di leggervi! E per permettervi di capire meglio lo scopo di questo sondaggio, abbiamo intervistato Trilce Estrada, una sviluppatrice di D@H di lungo corso, chiedendole perchè abbiamo bisogno di conoscere la vostra opinione.

D&R con Trilce, sondaggio D@H
D:        Chi ha redatto il sondaggio?
R:        Il sondaggio è stato redatto dal team di scienze sociali del progetto ExSciTecH, in particolare da Kathleen Pusecker e Manuel Torres (università del Delaware) e dalla dottoressa Joanne Cohoon (università della Virginia)
D:        Qual è lo scopo del sondaggio?
R:        Lo scopo è aiutarci a determinare quali aspetti di Docking@Home aiutano a mantenere i nostri attuali volontari, conoscere il loro livello di applicazione e quali aspetti potrebbero attirare nuovi volontari.
D:        Come il sondaggio può aiutare D@H?
R:        Le risposte ci permetteranno di migliorare l’esperienza dei nostri volontari attuali e, allo stesso tempo, rendere più comprensibili i nostri progetti nella speranza di attrarre nuovi volontari.
D:        Come userete le informazioni raccolte con D@H?
R:        Studieremo la percezione globale che i volontari hanno del nostro progetto. Siccome ci preoccupiamo della privacy dei nostri volontari, le risposte sono completamente anonime e raccoglieremo informazioni circa la demografia senza riferirle espressamente ad un volontario.
D:         Che differenze possiamo percepire come volontari?
R:        Potremmo eventualmente migliorare il sito web di D@H, includendo informazioni su come diventare un volontario per D@H ed inoltre un modo migliore per comunicare gli aspetti scientifici del nostro progetto.
D:        C’è qualcosa che vuoi condividere con i nostri volontari?
R:        La direzione futura di Docking@Home includerà un gioco dove i volontari saranno in grado di giocare con molecole e, allo stesso tempo, potranno imparare nozioni riguardo i complessi chimici e il processo di aggancio. Ma per prima cosa, con questo studio speriamo di mettere a punto le basi per un progetto più facile da comprendere e più completo.

Grazie al supporto di tutti voi, D@H è in grado di contribuire al nostro sapere pubblicando ciò che abbiamo scoperto. Di seguito è riportata una lista delle pubblicazioni più recenti di cui potete liberamente discutere con noi se a qualcuno interessano.

T. Estrada, R. Armen, and M. Taufer: Automatic Selection of Near-Native Protein-Ligand Conformations using a Hierarchical Clustering and Volunteer Computing. In Proceedings of the International Conference On Bioinformatics and Computational Biology (ACM-BCB), August 2010, Niagara Falls, NY, USA.

T. Estrada and M. Taufer: Providing Application-Level QoS in  Volunteer Computing. In the Proceedings of the 13th IEEE High Performance Computing and Communications (HPCC) Conference. September 2011, Banff, Canada.

T. Estrada, B. Zhang, R.S. Armen, and M. Taufer: Study of Protein-ligand Binding Geometries using a Scalable and Accurate Octree-based Algorithm in MapReduce. Poster in Proceedings of the ACM/IEEE International Conference for High Performance Computing and Communications conference (SC), November 2011, Seattle, Washington, USA.