In Silico Analysis of Mammalian Odorant Binding Proteins: Structural Basis and Molecular Mechanisms of Ligand Recognition

Abstract

This thesis investigates mammalian odorant-binding proteins (OBPs) us- ing a combination of computational approaches to understand their evo- lution, structural dynamics, and ligand recognition. First, sequence- and structure-based phylogenetic methods and selection analyses are applied to OBPs and major urinary proteins (MUPs) to explore patterns of diversifi- cation and connect them to their biological functions. Second, molecular metadynamics is employed to examine the structural basis of ligand access to the buried binding cavity and to describe conformational changes associ- ated with pocket opening. Complementing this, deep learning-based confor- mational sampling (BioEmu) is used to explore protein structural variability and to assess its applicability to OBPs. Finally, ligand-binding properties are investigated using virtual screening workflows that combine classical dock- ing, machine-learning-based affinity prediction, and simple physicochemical descriptors.

Tato diplomová práce se zabývá savčími odoranty vázajícími proteiny (OBP) pomocí kombinace in silico výpočetních přístupů s cílem pochopení jejich evoluce, strukturní dynamiky a principů rozpoznávání ligandů. Nej- prve jsou OBP a hlavní močové proteiny (MUP) analyzovány fylogenetic- kými metodami založenými na sekvenčních i strukturních datech, spolu s analýzou selekce, aby byla prozkoumána jejich diverzifikace a její vztah k funkci těchto proteinů. Dále je využita molekulární metadynamika ke studiu principu vstupu ligandů do hluboce skryté vazebné kapsy a k popisu konfor- mačních změn spojených s jejím otevíráním. Dále k analýze konformačního prostoru používáme metodu založenou na hlubokém učení (BioEmu), která slouží k analýze strukturní variability proteinů a posuzujeme zde její použitel- nost pro zkoumání OBP. Nakonec zkoumáme vazbu ligandů pomocí workflow virtuálního screeningu, který kombinuje klasický docking a predikci afinity založenou na strojovém učení.