Summary

 Cannabis elicits its mood-enhancing and analgesic effects through the cannabinoid receptor 1 (CB1), a G protein-coupled receptor (GPCR) that signals primarily through the adenylyl cyclase-inhibiting heterotrimeric G protein G_i. Activation of CB1-G_i signaling pathways holds potential for treating a number of neurological disorders and is thus crucial to understand the mechanism of G_i activation by CB1. Here, we present the structure of the CB1-G_i signaling complex bound to the highly potent agonist MDMB-Fubinaca (FUB), a recently emerged illicit synthetic cannabinoid infused in street drugs that have been associated with numerous overdoses and fatalities. The structure illustrates how FUB stabilizes the receptor in an active state to facilitate nucleotide exchange in G_i. The results compose the structural framework to explain CB1 activation by different classes of ligands and provide insights into the G protein coupling and selectivity mechanisms adopted by the receptor.

The Ramachandran plot is among the most central concepts in structural biology, seen in publications and textbooks alike. However, with the increasing numbers of known protein-structures and greater accuracy of ultra-high resolution protein structures, we are still learning more about the basic principles of protein structure. Here we use high fidelity conformational information to explore novel ways, such a geo-style and wrapped Ramachandran plots, to convey some of the basic aspects of the Ramachandran plot and of protein conformation. We point out the pressing need for a standard nomenclature for peptide conformation and propose such a nomenclature. Finally, we summarize some recent conceptual advances related to the building blocks of protein structure. The results for linear groups imply the need for substantive revisions in how the basics of protein structure are handled.

Abstract Over the past fifty years, tremendous effort has been devoted to computational methods for predicting properties of ligands that bind macromolecular targets, a problem critical to rational drug design. Such methods generally fall into two categories: physics-based methods, which directly model ligand interactions with the target given the target’s three-dimensional (3D) structure, and ligand-based methods, which predict ligand properties given experimental measurements for similar ligands. Here we present a rigorous statistical framework to combine these two sources of information. We develop a method to predict a ligand’s pose—the 3D structure of the ligand bound to its protein target—that leverages a widely available source of information: a list of other ligands that are known to bind the same target but for which no 3D structure is available. This combination of physics-based and ligand-based modeling improves upon state-of-the-art pose prediction accuracy across all major families of drug targets. As an illustrative application, we predict binding poses of antipsychotics and validate the results experimentally. Our statistical framework and results suggest broad opportunities to predict diverse ligand properties using machine learning methods that draw on physical modeling and ligand data simultaneously.

Abstract Lung fibrosis, or the scarring of the lung, is a devastating disease with huge unmet medical need. There are limited treatment options and its prognosis is worse than most types of cancer. We previously discovered that MK-0429 is an equipotent pan-inhibitor of all αv integrins that reduces proteinuria and kidney fibrosis in a preclinical model. In the present study, we further demonstrated that MK-0429 significantly inhibits fibrosis progression in a bleomycin-induced lung injury model. In search of newer integrin inhibitors for fibrosis, we characterized monoclonal antibodies discovered using Adimab’s yeast display platform. We identified several potent neutralizing integrin antibodies with unique human and mouse cross-reactivity. Among these, Ab-31 blocked the binding of multiple αv integrins to their ligands with IC50s comparable to those of MK-0429. Furthermore, both MK-0429 and Ab-31 suppressed integrin-mediated cell adhesion and latent TGFβ activation. In IPF patient lung fibroblasts, TGFβ treatment induced profound αSMA expression in phenotypic imaging assays and Ab-31 demonstrated superior in vitro activity at inhibiting αSMA expression, suggesting that the integrin antibody is able to modulate TGFβ action though mechanisms beyond the inhibition of latent TGFβ activation. Together, our results highlight the potential to develop newer integrin therapeutics for the treatment of fibrotic lung diseases. One Sentence Summary targeting integrin in lung fibrosis

The number of structures and molecular dynamics simulations of proteins is exploding owing to dramatic advances in cryo-electron microscopy, crystallography, and computing. One of the most powerful ways to analyze structural information involves comparisons of interatomic interactions across different structures or simulations of the same protein or related proteins from the same family (e.g. different GPCRs). Such comparative analyses are of interest to a wide range of researchers but currently prove challenging for all but a few. To facilitate comparative structural analyses, we have developed tools for (i) rapidly computing and comparing interatomic interactions and (ii) interactively visualizing interactions to enable structure-based interpretations. Using these tools, we have developed the Contact Comparison Atlas, a web-based resource for the comparative analysis of interactions in structures and simulations of proteins. Using the Contact Comparison Atlas and our tools, we have identified patterns of interactions with functional implications in structures of G-protein-coupled receptors, G proteins and kinases and in the dynamics of muscarinic receptors. The Contact Comparison Atlas can be used to enable structure modeling, drug discovery, protein engineering, and the prediction of disease-associated mutations.