一个全抗体典型的分为Fv和Fc两个功能区，其中Fv用来帮定抗原，Fc用来帮定一些效应细胞上的受体，比如ADCC，CDC，提高抗体的半衰期。Fv又包括框架区（framework）和互补决定区（CDR），CDR又分1，2，3 三个区，framework分1，2，3，4 四个区。为抗体建模的目前有如下用处，1）抗体人源化，抗体人源化的实质就是把鼠抗上的和人体不兼容的氨基酸组合突变成人源的，突变的方法很多，关键是你怎么评估你的突变是对抗体的结构和功能没有巨大的影响，如果有抗体的3d模型，这个问题就可以解决了；2）亲和力成熟，基于抗体结构模型的亲和力成熟可以提高实验的针对性，简化实验步骤和时间。Rosetta是一个很著名的大分子建模软件，对抗体的建模Rosetta开发组也提供了Web服务器供大家使用，但是由于抗体建模的人越来越多，排队的时间也越来越长了，同时由于他们的网站使用了一些google的资源，对一些中国用户会出现一些异常。求人不如求已，今天就说说怎么用rosetta在本地服务器上建抗体模型。
1）软件安装
下载rosettaxxbuddle后解压，在tools里有一个antibody文件夹，里面有一个antibody.py python写的程序，它主要是对抗体进行同源建模的，这个程序要用到blast+和Profit程序，需要下载和安装这两个程序.
2)同源建模
下面是我写的一个运行python脚本：
rosetta_bin='/home/confate/bioinformatics/rosetta_2014.35.57232_bundle/main/source/bin'
rosetta_database='/home/confate/bioinformatics/rosetta_2014.35.57232_bundle/main/database'
blast_dir='/home/confate/bioinformatics/rosetta_2014.35.57232_bundle/tools/antibody/ncbi-blast-2.2.30+/bin/blastp'
profit_dir='/home/confate/bioinformatics/rosetta_2014.35.57232_bundle/tools/antibody/ProFitV3.1src/src/profit'
program_dir='python /home/confate/bioinformatics/rosetta_2014.35.57232_bundle/tools/antibody/antibody.py'
work_dir='/home/confate/humanization/modeling/herceptin'
os.chdir(work_dir)
run_program=program_dir+' -L query_l.fasta -H query_h.fasta --blast='+blast_dir+' --superimpose-profit='+profit_dir+' --rosetta-bin='+rosetta_bin+' --rosetta-database='+rosetta_database+' --rosetta-platform=static.linuxgccrelease'
os.system(run_program)
此脚本运行成功会生成model.pdb，model.constr等文件
3）CDR3建模
CDR3，特别是重链的CDR3序列变化非常大，它是各个抗体建模方法成功的关键，rosetta也有一个专门对CDR3进行建模的程序antibody_H3.linuxgccrelease，下面的脚本是对CDR3进行建模：
rosetta_bin='/home/confate/bioinformatics/rosetta_2014.35.57232_bundle/main/source/bin/antibody_H3.static.linuxgccrelease'
rosetta_database='/home/confate/bioinformatics/rosetta_2014.35.57232_bundle/main/database'
work_dir='/home/confate/humanization/modeling/herceptin/grafting'
os.chdir(work_dir)
pdb_file='model.pdb'
nstruct=50
cst_file='model.constr'
run_program=rosetta_bin
run_program +=' -s '+pdb_file
run_program +=' -antibody:remodel perturb_kic -antibody:snugfit true -antibody:refine refine_kic -antibody:cter_insert false'
run_program +=' -antibody:flank_residue_min true -antibody:bad_nter false -antibody:h3_filter true -antibody:h3_filter_tolerance 20 -antibody:constrain_cter -antibody:constrain_vlvh_qq'
run_program +=' -constraints:cst_file '+cst_file
run_program +=' -ex1 -ex2 -extrachi_cutoff 0 -kic_bump_overlap_factor 0.36 -corrections:score:use_bicubic_interpolation false -loops:legacy_kic false'
run_program +=' -loops:kic_min_after_repack true -loops:kic_omega_sampling -loops:allow_omega_move true -loops:ramp_fa_rep -loops:ramp_rama -loops:outer_cycles 5'
run_program +=' -nstruct '+str(nstruct)
os.system(run_program)
4)模型选择
步骤3的脚本可以在一个core上运行，产生50个模型，现在我们需要5000个模型，那么在一个100个core的cluster上大概10几个小时就完了，从这5000个模型中选择3-10个最好的模型一般分两种方法：1）直接选择自由能最低的，这个很简单，因为每个模型pdb文件中都有total自由能；2）选择top200最低自由能模型，然后用rosetta 的cluster程序进行聚类，然后挑选每个类中的代表模型。
5）一些注意事项
毕竟rosetta是非商业化的，一些版本有bug也在所难免，比如我下载的2015年7月前的版本有个foldtree方面的bug使antibody_graft程序在stem两端优化的时候老是异常，在rosetta论坛上找了好久也没解决，最后不得不都源代码才解决。如果有朋友遇到相似问题，可以联系我，共同探讨。
Comments
There are currently no comments
New Comment