Abstract The widely used coelenterazine-powered Renilla luciferase was discovered over 40 years ago but the oxidative mechanism by which it generates blue photons remains unclear. Here we decipher Renilla -type bioluminescence through crystallographic, spectroscopic, and computational experiments. Structures of ancestral and extant luciferases complexed with the substrate-like analogue azacoelenterazine or a reaction product were obtained, providing unprecedented snapshots of coelenterazine-to-coelenteramide oxidation. Bound coelenterazine adopts a Y-shaped conformation, enabling the deprotonated imidazopyrazinone component to attack O 2 via a radical charge-transfer mechanism. A high emission intensity is secured by an aspartate from a conserved proton-relay system, which protonates the excited coelenteramide product. Another aspartate on the rim of the catalytic pocket fine-tunes the electronic state of coelenteramide and promotes the formation of the blue light-emitting phenolate anion. The results obtained also reveal structural features distinguishing flash-type from glow-type bioluminescence, providing insights that will guide the engineering of next-generation luciferase–luciferin pairs for ultrasensitive optical bioassays.

Abstract Every year, more than 19 million cancer cases are diagnosed, and this number continues to increase annually. Since standard treatment options have varying success rates for different types of cancer, understanding the biology of an individual’s tumour becomes crucial, especially for cases that are difficult to treat. Personalised high-throughput profiling, using next-generation sequencing, allows for a comprehensive examination of biopsy specimens. Furthermore, the widespread use of this technology has generated a wealth of information on cancer-specific gene alterations. However, there exists a significant gap between identified alterations and their proven impact on protein function. Here, we present a bioinformatics pipeline that enables fast analysis of a missense mutation’s effect on stability and function in known oncogenic proteins. This pipeline is coupled with a predictor that summarises the outputs of different tools used throughout the pipeline, providing a single probability score, achieving the balanced accuracy above 86%. The pipeline incorporates a virtual screening method to suggest potential FDA/EMA-approved drugs to be considered for treatment. We showcase three case studies to demonstrate the timely utility of this pipeline. To facilitate access and analysis of cancer-related mutations, we have packaged the pipeline as a web server, which is freely available at https://loschmidt.chemi.muni.cz/predictonco/ .

Abstract Next-generation sequencing technology has created many new opportunities for clinical diagnostics, but it faces the challenge of functional annotation of identified mutations. Various algorithms have been developed to predict the impact of missense variants that influence oncogenic drivers. However, computational pipelines that handle biological data must integrate multiple software tools, which can add complexity and hinder non-specialist users from accessing the pipeline. Here, we have developed an online user-friendly web server tool PredictONCO that is fully automated and has a low barrier to access. The tool models the structure of the mutant protein in the first step. Next, it calculates the protein stability change, pocket level information, evolutionary conservation, and changes in ionisation of catalytic amino acid residues, and uses them as the features in the machine-learning predictor. The XGBoost-based predictor was validated on an independent subset of held-out data, demonstrating areas under the receiver operating characteristic curve (ROC) of 0.95 and 0.94, and the average precision from the precision-recall curve 0.98 and 0.94 for structure-based and sequence-based predictions, respectively. Finally, PredictONCO calculates the docking results of small molecules approved by regulatory authorities. We demonstrate the applicability of the tool by presenting its usage for variants in two cancer-associated proteins, cellular tumour antigen p53 and fibroblast growth factor receptor FGFR1. Our free web tool will assist with the interpretation of data from next-generation sequencing and navigate treatment strategies in clinical oncology: https://loschmidt.chemi.muni.cz/predictonco/ .