Abstract Highly accurate protein structure predictions by deep neural networks such as AlphaFold2 and RoseTTAFold have tremendous impact on structural biology and beyond. Here, we show that, although these deep learning approaches have originally been developed for the in silico folding of protein monomers, AlphaFold2 also enables quick and accurate modeling of peptide–protein interactions. Our simple implementation of AlphaFold2 generates peptide–protein complex models without requiring multiple sequence alignment information for the peptide partner, and can handle binding-induced conformational changes of the receptor. We explore what AlphaFold2 has memorized and learned, and describe specific examples that highlight differences compared to state-of-the-art peptide docking protocol PIPER-FlexPepDock. These results show that AlphaFold2 holds great promise for providing structural insight into a wide range of peptide–protein complexes, serving as a starting point for the detailed characterization and manipulation of these interactions.

Abstract Highly accurate protein structure predictions by the recently published deep neural networks such as AlphaFold2 and RoseTTAFold are truly impressive achievements, and will have a tremendous impact far beyond structural biology. If peptide-protein binding can be seen as a final complementing step in the folding of a protein monomer, we reasoned that these approaches might be applicable to the modeling of such interactions. We present a simple implementation of AlphaFold2 to model the structure of peptide-protein interactions, enabled by linking the peptide sequence to the protein c-terminus via a poly glycine linker. We show on a large non-redundant set of 162 peptide-protein complexes that peptide-protein interactions can indeed be modeled accurately. Importantly, prediction is fast and works without multiple sequence alignment information for the peptide partner. We compare performance on a smaller, representative set to the state-of-the-art peptide docking protocol PIPER-FlexPepDock, and describe in detail specific examples that highlight advantages of the two approaches, pointing to possible further improvements and insights in the modeling of peptide-protein interactions. Peptide-mediated interactions play important regulatory roles in functional cells. Thus the present advance holds much promise for significant impact, by bringing into reach a wide range of peptide-protein complexes, and providing important starting points for detailed study and manipulation of many specific interactions.

Abstract Peptide docking can be perceived as a subproblem of protein-protein docking. However, due to the short length and flexible nature of peptides, many do not adopt one defined conformation prior to binding. Therefore, to tackle a peptide docking problem, not only the relative orientation between the two partners, but also the bound conformation of the peptide needs to be modeled. Traditional peptide-centered approaches use information about the peptide sequence to generate a representative conformer ensemble, which can then be rigid body docked to the receptor. Alternatively, one may look at this problem from the viewpoint of the receptor, namely that the protein surface defines the peptide bound conformation.We present PatchMAN (Patch-Motif AligNments), a novel peptide docking approach which uses structural motifs to map the receptor surface with backbone scaffolds extracted from protein structures. On a non-redundant set of protein-peptide complexes, starting from free receptor structures, PatchMAN successfully models and identifies near-native peptide-protein complexes in 62% / 81% within 2.5Å / 5Å RMSD, with corresponding sampling in 81% / 100% of the cases, outperforming other approaches. PatchMAN leverages the observation that structural units of peptides with their binding pocket can be found not only within interfaces, but also within monomers. We show that the conformation of the bound peptide is sampled based on the structural context of the receptor only, without taking into account any sequence information. Beyond peptide docking, this approach opens exciting new avenues to study principles of peptide-protein association, and to the design of new peptide binders.

Abstract Background Determining a protein’s quaternary state, i.e . how many monomers assemble together to form the functioning unit, is a critical step in protein characterization, and deducing it is not trivial. Many proteins form multimers for their activity, and over 50% are estimated to naturally form homomultimers. Experimental quaternary state determination can be challenging and require extensive work. To complement these efforts, a number of computational tools have been developed for quaternary state prediction, often utilizing experimentally validated structural information. Recently, dramatic advances have been made in the field of deep learning for predicting protein structure and other characteristics. Protein language models that apply computational natural-language models to proteins successfully capture secondary structure, protein cell localization and other characteristics, from a single sequence. Here we hypothesize that information about the protein quaternary state may be contained within protein sequences as well, allowing us to benefit from these novel approaches in the context of quaternary state prediction. Results We generated embeddings for a large dataset of quaternary state labels, extracted from the curated QSbio dataset. We then trained a model for quaternary state classification and assessed it on a non-overlapping set of distinct folds (ECOD family level). Our model, named QUEEN (QUaternary state prediction using dEEp learNing), performs worse than approaches that include information from solved crystal structures. However, we show that it successfully learned to distinguish multimers from monomers, and that the specific quaternary state is predicted with moderate success, better than a simple model that transfers annotation based on sequence similarity. Our results demonstrate that complex, quaternary state related information is included in these embeddings. Conclusions QUEEN is the first to investigate the power of embeddings for the prediction of the quaternary state of proteins. As such, it lays out the strength as well as limitations of a sequence-based protein language model approach compared to structure-based approaches. Since it does not require any structural information and is fast, we anticipate that it will be of wide use both for in-depth investigation of specific systems, as well as for studies of large sets of protein sequences. A simple colab implementation is available at: https://colab.research.google.com/github/Orly-A/QUEEN_prediction/blob/main/QUEEN_prediction_notebook.ipynb .

Abstract Class I WW domains mediate protein interactions by binding short linear PPxY motifs. They occur predominantly as tandem repeats, and their target proteins often contain multiple PPxY motifs, but the interplay of WW/peptide interactions is not always intuitive. WW domain-containing oxidoreductase (WWOX) protein harbors two WW domains: unstable WW1 capable of PPxY binding, and well-folded but mutated WW2 that cannot bind such motifs. WW2 is considered to act as a WW1 chaperone, but the underlying mechanism remains to be revealed. Here we combine NMR, ITC and structural modeling to elucidate the role of both WW domains in WWOX binding to single and double motif peptides derived from its substrate ErbB4. Using NMR we identified an interaction surface between the two domains that supports a WWOX conformation that is compatible with peptide substrate binding. ITC and NMR measurements reveal that while binding affinity to a single motif is marginally increased in the presence of WW2, affinity to a dual motif peptide increases tenfold, and that WW2 can directly bind double motif-peptides using its canonical binding site. Finally, differential binding of peptides in a mutagenesis study is consistent with a parallel orientation binding to the WW1-WW2 tandem domain, agreeing with structural models of the interaction. Our results reveal the complex nature of tandem WW domain organization and substrate binding, highlighting the contribution of WWOX WW2 to both stability and binding. This opens the way to assess how evolution can utilize the multivariate nature of binding to fine-tune interactions for specific biological functions.

We introduce Sylites - small and versatile fluorogenic affinity probes for high-contrast visualization of inhibitory synapses. Having stoichiometric labeling and exceptional selectivity for neuronal gephyrin, a hallmark protein of the inhibitory post-synapse, Sylites enable superior synapse staining compared with antibodies. Combined with super-resolution microscopy, Sylites allow precise nanoscopic measurements of the synapse. In brain tissue, Sylites reveal the three-dimensional distribution of inhibitory synapses within just an hour.