Abstract Comprehensive modeling of a whole cell requires an integration of vast amounts of information on various aspects of the cell and its parts. To divide-and-conquer this task, we introduce Bayesian metamodeling, a general approach to modeling complex systems by integrating a collection of heterogeneous input models. Each input model can in principle be based on any type of data and can describe a different aspect of the modeled system using any mathematical representation, scale, and level of granularity. These input models are (i) converted to a standardized statistical representation relying on Probabilistic Graphical Models, (ii) coupled by modeling their mutual relations with the physical world, and (iii) finally harmonized with respect to each other. To illustrate Bayesian metamodeling, we provide a proof-of-principle metamodel of glucose-stimulated insulin secretion by human pancreatic ß-cells. The input models include a coarse-grained spatiotemporal simulation of insulin vesicle trafficking, docking, and exocytosis; a molecular network model of glucose-stimulated insulin secretion signaling; a network model of insulin metabolism; a structural model of glucagon-like peptide-1 receptor activation; a linear model of a pancreatic cell population; and ordinary differential equations for systemic postprandial insulin response. Metamodeling benefits from decentralized computing, while often producing a more accurate, precise, and complete model that contextualizes input models as well as resolves conflicting information. We anticipate Bayesian metamodeling will facilitate collaborative science by providing a framework for sharing expertise, resources, data, and models, as exemplified by the Pancreatic ß-Cell Consortium. Significance Statement Cells are the basic units of life, yet their architecture and function remain to be fully characterized. This work describes Bayesian metamodeling, a modeling approach that divides-and-conquers a large problem of modeling numerous aspects of the cell into computing a number of smaller models of different types, followed by assembling these models into a complete map of the cell. Metamodeling enables a facile collaboration of multiple research groups and communities, thus maximizing the sharing of expertise, resources, data, and models. A proof-of-principle is provided by a model of glucose-stimulated insulin secretion produced by the Pancreatic ß-Cell Consortium.

Abstract The optimization of antibodies to attain the desired levels of affinity and specificity holds great promise for development of the next generation therapeutics. This study delves into the refinement and engineering of CDRs through in silico affinity maturation followed by binding validation using ITC and pseudovirus-based neutralization assays. Specifically, it focuses on engineering CDRs targeting the epitopes of RBD of the spike protein of SARS-CoV-2. A structure-guided virtual library of 112 single mutations in CDRs was generated and screened against RBD to select the potential affinity-enhancing mutations. Subsequent biophysical studies using ITC provided insights into binding affinity and key thermodynamic parameters. Consistent with in silico findings, seven single mutations resulted in enhanced affinity. The mutants were further tested for neutralization activity against SARS-CoV-2 pseudovirus. L106T, L106Q, S107R, and S107Q generated mutants were more effective in virus-neutralizing with IC 50 values of ∼0.03 µM, ∼0.13 µM, ∼0.14 µM, and ∼0.14 µM, respectively as compared to the native nanobody (IC 50 ∼0.77 µM). Thus, in this study, the developed computational pipeline guided by structure-aided interface profiles and thermodynamic analysis holds promise for the streamlined development of antibody-based therapeutic interventions against emerging variants of SARS-CoV-2 and other infectious pathogens.

Abstract The ubiquitous presence of plastics and plasticizers around the globe has raised an alarming condition. Phthalate diesters are high-priority pollutants that mimic natural hormones and act as endocrine disruptors upon entering living systems. While certain bacterial esterases have been identified for their role in phthalate diester degradation, their structural and mechanistic characteristics remain largely unexplored. A thermostable and pH-tolerant EstS1 esterase from Sulfobacillus acidophilus catalyzes the conversion of low molecular weight phthalate diesters to monoesters. This study highlights the unique potential of EstS1 to degrade high molecular weight bis(2-ethylhexyl) phthalate (DEHP) by employing biophysical and biochemical approaches along with in-depth structural analysis utilizing high-resolution crystal structures in both apo and complex forms, with various substrates, products, and their analogs to elucidate mechanistic details. The catalytic tunnel mediating entry and exit of the substrate and product, respectively, centralized the Ser-His-Asp triad performing catalysis by bi-bi ping-pong mechanism, forming a tetrahedral intermediate. Additionally, structural analysis of the polypropylene analog jeffamine with EstS1 revealed effective covalent binding, demonstrating its multifunctional capability. Mutation analysis showed that the Met207Ala mutation abolished DEHP binding at the active site, confirming its essential role in supporting catalysis. These findings underscore the potential of EstS1 as a key tool for advancing technologies aimed at phthalate diesters biodegradation.

Abstract Cryo-electron tomography provides the opportunity for unsupervised discovery of endogenous complexes in situ. This process usually requires particle picking, clustering and alignment of subtomograms to produce an average structure of the complex. When applied to heterogeneous samples, template-free clustering and alignment of subtomograms can potentially lead to the discovery of structures for unknown endogenous complexes. However, such methods require useful scoring functions to measure the quality of aligned subtomogram clusters, which can be compromised by contaminations from misclassified complexes and alignment errors. To our knowledge, a comprehensive survey to assess the effectiveness of scoring functions for ranking the quality of subtomogram clusters does not exist yet. Here, we provide such a study and assess a total of 15 scoring functions for evaluating the quality of the subtomogram clusters, which differ in the amount of structural misalignments and contaminations due to misclassified complexes. We assessed both experimental and simulated subtomograms as ground truth data sets. Our analysis shows that the robustness of scoring functions varies largely. Most scores are sensitive to the signal-to-noise ratio of subtomograms and often require Gaussian filtering as preprocessing for improved performance. Two scoring functions, Spectral SNR-based Fourier Shell Correlation and Pearson Correlation in the Fourier domain with missing wedge correction, show a robust ranking of subtomogram clusters even without any preprocessing and irrespective of SNR levels of subtomograms. Of these two scoring functions, Spectral SNR-based Fourier Shell Correlation was fastest to compute and is a better choice for handling large numbers of subtomograms. Our results provide a guidance for choosing a scoring function for template-free approaches to detect complexes from heterogeneous samples.