Antithrombin, a plasma serpin, is relatively inactive as an inhibitor of the coagulation proteases until it binds to the heparan side chains that line the microvasculature. The binding specifically occurs to a core pentasaccharide present both in the heparans and in their therapeutic derivative heparin. The accompanying conformational change of antithrombin is revealed in a 2.9-Å structure of a dimer of latent and active antithrombins, each in complex with the high-affinity pentasaccharide. Inhibitory activation results from a shift in the main sheet of the molecule from a partially six-stranded to a five-stranded form, with extrusion of the reactive center loop to give a more exposed orientation. There is a tilting and elongation of helix D with the formation of a 2-turn helix P between the C and D helices. Concomitant conformational changes at the heparin binding site explain both the initial tight binding of antithrombin to the heparans and the subsequent release of the antithrombin–protease complex into the circulation. The pentasaccharide binds by hydrogen bonding of its sulfates and carboxylates to Arg-129 and Lys-125 in the D-helix, to Arg-46 and Arg-47 in the A-helix, to Lys-114 and Glu-113 in the P-helix, and to Lys-11 and Arg-13 in a cleft formed by the amino terminus. This clear definition of the binding site will provide a structural basis for developing heparin analogues that are more specific toward their intended target antithrombin and therefore less likely to exhibit side effects.

James A. Irving1, Robert N. Pike1, Arthur M. Lesk2, and James C. Whisstock1,3 1Department of Biochemistry and Molecular Biology, Monash University, Clayton Campus, Melbourne, Victoria 3168, Australia; 2Wellcome Trust Centre for the Study of Molecular Mechanisms in Disease, Cambridge Institute for Medical Research, University of Cambridge Clinical School, Cambridge CB2 2XY, United Kingdom

Rheumatoid arthritis (RA) is strongly associated with the human leukocyte antigen (HLA)-DRB1 locus that possesses the shared susceptibility epitope (SE) and the citrullination of self-antigens. We show how citrullinated aggrecan and vimentin epitopes bind to HLA-DRB1*04:01/04. Citrulline was accommodated within the electropositive P4 pocket of HLA-DRB1*04:01/04, whereas the electronegative P4 pocket of the RA-resistant HLA-DRB1*04:02 allomorph interacted with arginine or citrulline-containing epitopes. Peptide elution studies revealed P4 arginine–containing peptides from HLA-DRB1*04:02, but not from HLA-DRB1*04:01/04. Citrullination altered protease susceptibility of vimentin, thereby generating self-epitopes that are presented to T cells in HLA-DRB1*04:01+ individuals. Using HLA-II tetramers, we observed citrullinated vimentin- and aggrecan-specific CD4+ T cells in the peripheral blood of HLA-DRB1*04:01+ RA-affected and healthy individuals. In RA patients, autoreactive T cell numbers correlated with disease activity and were deficient in regulatory T cells relative to healthy individuals. These findings reshape our understanding of the association between citrullination, the HLA-DRB1 locus, and T cell autoreactivity in RA.

The ability to catalytically cleave protein substrates after synthesis is fundamental for all forms of life. Accordingly, site-specific proteolysis is one of the most important post-translational modifications. The key to understanding the physiological role of a protease is to identify its natural substrate(s). Knowledge of the substrate specificity of a protease can dramatically improve our ability to predict its target protein substrates, but this information must be utilized in an effective manner in order to efficiently identify protein substrates by in silico approaches. To address this problem, we present PROSPER, an integrated feature-based server for in silico identification of protease substrates and their cleavage sites for twenty-four different proteases. PROSPER utilizes established specificity information for these proteases (derived from the MEROPS database) with a machine learning approach to predict protease cleavage sites by using different, but complementary sequence and structure characteristics. Features used by PROSPER include local amino acid sequence profile, predicted secondary structure, solvent accessibility and predicted native disorder. Thus, for proteases with known amino acid specificity, PROSPER provides a convenient, pre-prepared tool for use in identifying protein substrates for the enzymes. Systematic prediction analysis for the twenty-four proteases thus far included in the database revealed that the features we have included in the tool strongly improve performance in terms of cleavage site prediction, as evidenced by their contribution to performance improvement in terms of identifying known cleavage sites in substrates for these enzymes. In comparison with two state-of-the-art prediction tools, PoPS and SitePrediction, PROSPER achieves greater accuracy and coverage. To our knowledge, PROSPER is the first comprehensive server capable of predicting cleavage sites of multiple proteases within a single substrate sequence using machine learning techniques. It is freely available at http://lightning.med.monash.edu.au/PROSPER/.