ABSTRACT Computational study of the effect of drug candidates on intrinsically disordered biomolecules is challenging due to their vast and complex conformational space. Here we developed a Comparative Markov State Analysis (CoVAMPnet) framework to quantify changes in the conformational distribution and dynamics of a disordered biomolecule in the presence and absence of small organic drug candidate molecules. First, molecular dynamics trajectories are generated using enhanced sampling, in the presence and absence of small molecule drug candidates, and ensembles of soft Markov state models (MSMs) are learned for each system using unsupervised machine learning. Second, these ensembles of learned MSMs are aligned across different systems based on a solution to an optimal transport problem. Third, the directional importance of inter-residue distances for the assignment to different conformational states is assessed by a discriminative analysis of aggregated neural network gradients. This final step provides interpretability and biophysical context to the learned MSMs. We applied this novel computational framework to assess the effects of ongoing phase 3 therapeutics tramiprosate (TMP) and its metabolite 3-sulfopropanoic acid (SPA) on the disordered Aβ42 peptide involved in Alzheimer’s disease. Based on adaptive sampling molecular dynamics and CoVAMPnet analysis, we observed that both TMP and SPA preserved more structured conformations of Aβ42 by interacting non-specifically with charged residues. SPA impacted Aβ42 more than TMP, protecting α-helices and suppressing the formation of aggregation-prone β-strands. Experimental biophysical analyses showed only mild effects of TMP/SPA on Aβ42, and activity enhancement by the endogenous metabolization of TMP into SPA. Our data suggest that TMP/SPA may also target other biomolecules than Aβ peptides. The CoVAMPnet method is broadly applicable to study the effects of drug candidates on the conformational behavior of intrinsically disordered biomolecules. TOC Graphic

Abstract Protein aggregation is a hallmark of multiple neurodegenerative diseases and a great hindrance in recombinant protein production, handling, and storage. Identification of aggregation prone residues or regions (APRs) in proteins and their suppression by mutations is a powerful and straightforward strategy for improving protein solubility and yield, which significantly increases their application potential. Towards this, we developed a deep neural network based predictor that generates residue level aggregation profile for one or several input protein sequences. The model was trained on a set of hexapeptides with experimentally characterised aggregation propensities and validated on two independent sets of data including hexapeptides and full-length proteins with annotated APRs. In both cases, the model matched, or outperformed the state-of-the-art algorithms. Its performance was further verified using a set of 34 hexapeptides identified in model haloalkane dehalogenase LinB and seven proteins from AmyPro database. The experimental data from Thioflavin T fluorescence and transmission electron microscopy matched the predictions in 79% of the cases, and revealed inaccuracies in the database annotations. Finally, the utility of the algorithm was demonstrated by identifying APRs in a model enzyme (LinB) and designing aggregation-suppressing mutations in the exposed regions. The designed variants showed reduced aggregation propensity, increased solubility and improved yield, with up to a 100% enhancement compared to the wild type for the best one.

Abstract Recognition and processing of DNA ends play a central role in maintaining genome integrity. The evolutionarily conserved DNA repair complex Ku serves as the primary sensor of free DNA ends in eukaryotic cells. Its rapid association with DNA ends is crucial for several cellular processes, including non-homologous end joining (NHEJ) DNA repair and telomere protection. In this study, we conducted a transient kinetic analysis to investigate the impact of the SAP domain on individual phases of the Ku-DNA interaction. Specifically, we examined the initial binding, the subsequent docking of Ku onto DNA, and the sliding of Ku along DNA. Our findings revealed that the C-terminal domain of Ku70, known as SAP ((SAF-A/B, Acinus and PIAS), facilitates the initial phases of Ku-DNA interaction, but does not affect the sliding process. This suggests that SAP may either establish the first interactions with DNA, or stabilize these initial interactions during loading. To assess the biological role of SAP, we generated Arabidopsis plants expressing Ku lacking the SAP domain (ΔSAP). Intriguingly, despite the decreased efficiency of the ΔSAP Ku complex in loading onto DNA, the mutant plants exhibited full proficiency in classical NHEJ and telomere maintenance. This indicates that the speed of Ku loading onto telomeres or DNA double-strand breaks (DSBs) is not the decisive factor in stabilizing these DNA structures.