Gaining insights into the structural determinants of protein-protein interactions holds the key for a deeper understanding of biological functions, diseases and development of therapeutics. An important aspect of this is the ability to accurately predict the binding strength for a given protein-protein complex. Here we present PROtein binDIng enerGY prediction (PRODIGY), a web server to predict the binding affinity of protein-protein complexes from their 3D structure. The PRODIGY server implements our simple but highly effective predictive model based on intermolecular contacts and properties derived from non-interface surface.PRODIGY is freely available at: http://milou.science.uu.nl/services/PRODIGY CONTACT: a.m.j.j.bonvin@uu.nl, a.vangone@uu.nl.

Protein–protein interactions are fundamental to many biological processes. Experimental screens have identified tens of thousands of interactions, and structural biology has provided detailed functional insight for select 3D protein complexes. An alternative rich source of information about protein interactions is the evolutionary sequence record. Building on earlier work, we show that analysis of correlated evolutionary sequence changes across proteins identifies residues that are close in space with sufficient accuracy to determine the three-dimensional structure of the protein complexes. We evaluate prediction performance in blinded tests on 76 complexes of known 3D structure, predict protein–protein contacts in 32 complexes of unknown structure, and demonstrate how evolutionary couplings can be used to distinguish between interacting and non-interacting protein pairs in a large complex. With the current growth of sequences, we expect that the method can be generalized to genome-wide elucidation of protein–protein interaction networks and used for interaction predictions at residue resolution.

Back and forth transmission of SARS-CoV-2 between humans and animals may lead to wild reservoirs of virus that can endanger efforts toward long-term control of COVID-19 in people, and protecting vulnerable animal populations that are particularly susceptible to lethal disease. Predicting high risk host species is key to targeting field surveillance and lab experiments that validate host zoonotic potential. A major bottleneck to predicting animal hosts is the small number of species with available molecular information about the structure of ACE2, a key cellular receptor required for viral cell entry. We overcome this bottleneck by combining species' ecological and biological traits with 3D modeling of virus and host cell protein interactions using machine learning methods. This approach enables predictions about the zoonotic capacity of SARS-CoV-2 for over 5,000 mammals - an order of magnitude more species than previously possible. The high accuracy predictions achieved by this approach are strongly corroborated by in vivo empirical studies. We identify numerous common mammal species whose predicted zoonotic capacity and close proximity to humans may further enhance the risk of spillover and spillback transmission of SARS-CoV-2. Our results reveal high priority areas of geographic overlap between global COVID-19 hotspots and potential new mammal hosts of SARS-CoV-2. With molecular sequence data available for only a small fraction of potential host species, predictive modeling integrating data across multiple biological scales offers a conceptual advance that may expand our predictive capacity for zoonotic viruses with similarly unknown and potentially broad host ranges.

ABSTRACT Due to its clinical relevance, modulation of functionally relevant amino acids in protein-protein complexes has attracted a great deal of attention. To this end, many approaches have been proposed to predict partner-selecting, i.e., specificity-determining positions in evolutionarily close complexes. These approaches can be grouped into sequence-based machine learning and structure-based energy-driven methods. In this work, we assessed these methods’ ability to map the specificity-determining positions of Axl, a receptor tyrosine kinase involved in cancer progression and immune-related diseases. For this, we used three sequence-based predictors – SDPred, Multi-RELIEF, and Sequence Harmony – and a structure-based approach by utilizing HADDOCK and extensive molecular dynamics simulations. As a result, we show that (i) sequence-based methods overpredict the number of specificity-determining positions for Axl complexes and that (ii) combining sequence-based approaches with HADDOCK provides the most coherent set of predictions. Our work lays out a critical study on the comparative performance specificity-determining position predictors. It also presents a combined sequence-structure-based approach, which can guide the development of therapeutic molecules capable of combatting Axl misregulation in different types of diseases.

The bacterial flagellar motor is an amazing nanomachine. Understanding how such complex structures arose is crucial to our understanding of cellular evolution. We and others recently reported that in several Gammaproteobacterial species, a relic sub-complex comprising the P- and L-rings persists in the outer membrane after flagellum disassembly. Imaging nine additional species with cryo-electron tomography, here we show that this sub-complex persists after flagellum disassembly in other phyla as well. Bioinformatic analyses fail to show evidence of any recent horizontal transfers of the P- and L-ring genes, suggesting that this sub-complex and its persistence is an ancient and conserved feature of the flagellar motor. We hypothesize that one function of the P- and L-rings is to seal the outer membrane after motor disassembly.

Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) is responsible for the ongoing global pandemic that has infected more than 14 million people in more than 180 countries worldwide. Like other coronaviruses, SARS-CoV-2 is thought to have been transmitted to humans from wild animals. Given the scale and widespread geographical distribution of the current pandemic, the question emerges whether human-to-animal transmission is possible and if so, which animal species are most at risk. Here, we investigated the structural properties of several ACE2 orthologs bound to the SARS-CoV-2 spike protein. We found that species known not to be susceptible to SARS-CoV-2 infection have non-conservative mutations in several ACE2 amino acid residues that disrupt key polar and charged contacts with the viral spike protein. Our models also predict affinity-enhancing mutations that could be used to design ACE2 variants for therapeutic purposes. Finally, our study provides a blueprint for modeling viral-host protein interactions and highlights several important considerations when designing these computational studies and analyzing their results.

Predicting the 3D structure of protein interactions remains a challenge in the field of computational structural biology. This is in part due to difficulties in sampling the complex energy landscape of multiple interacting flexible polypeptide chains. Coarse-graining approaches, which reduce the number of degrees of freedom of the system, help address this limitation by smoothing the energy landscape, allowing an easier identification of the global energy minimum. They also accelerate the calculations, allowing to model larger assemblies. Here, we present the implementation of the MARTINI coarse-grained force field for proteins into HADDOCK, our integrative modelling platform. Docking and refinement are performed at the coarse-grained level and the resulting models are then converted back to atomistic resolution through a distance restraints-guided morphing procedure. Our protocol, tested on the largest complexes of the protein docking benchmark 5, shows an overall ~7-fold speed increase compared to standard all-atom calculations, while maintaining a similar accuracy and yielding substantially more near-native solutions. To showcase the potential of our method, we performed simultaneous 7 body docking to model the 1:6 KaiC-KaiB complex, integrating mutagenesis and hydrogen/deuterium exchange data from mass spectrometry with symmetry restraints, and validated the resulting models against a recently published cryo-EM structure.

Protein-protein interactions are fundamental to many biological processes. Experimental screens have identified tens of thousands of interactions and structural biology has provided detailed functional insight for select 3D protein complexes. An alternative rich source of information about protein interactions is the evolutionary sequence record. Building on earlier work, we show that analysis of correlated evolutionary sequence changes across proteins identifies residues that are close in space with sufficient accuracy to determine the three-dimensional structure of the protein complexes. We evaluate prediction performance in blinded tests on 76 complexes of known 3D structure, predict protein-protein contacts in 32 complexes of unknown structure, and demonstrate how evolutionary couplings can be used to distinguish between interacting and non-interacting protein pairs in a large complex. With the current growth of sequence databases, we expect that the method can be generalized to genome-wide elucidation of protein-protein interaction networks and used for interaction predictions at residue resolution.

The pdb-tools are a collection of Python scripts for working with molecular structure data in the PDB format. They allow users to edit, convert, and validate PDB files, from the command-line, in a simple but efficient manner. The pdb-tools are implemented in Python, without any external dependencies, and are freely available under the open-source Apache License at https://github.com/haddocking/pdb-tools/ and on PyPI (https://pypi.org/project/pdb-tools/).