《Nature | 使用纯化蛋白质观察到粘连蛋白和 DNA 复制的协调》

  • 来源专题:战略生物资源
  • 编译者: 李康音
  • 发布时间:2024-01-29
  • 2024年1月24日,日本综合研究大学院大学等机构的研究人员在杂志Nature上发表了题为Coordination of cohesin and DNA replication observed with purified proteins的文章。

    两个新复制的基因组 DNA 拷贝通过环形粘连蛋白复合物结合在一起,以确保在细胞分裂过程中基因组的忠实遗传。粘连蛋白通过在 DNA 复制过程中拓扑捕获两个姐妹 DNA 来介导姐妹染色单体内聚力,但对如何在复制叉处建立内聚力知之甚少。

    该研究通过使用纯化的蛋白质重构功能性复制体来研究粘连蛋白和复制之间的相互作用。一旦DNA在复制前被包围,粘连蛋白环就会容纳整个复制,从起始到终止,从而实现新合成DNA的拓扑捕获。这表明拓扑粘连蛋白负载是应对复制的关键分子先决条件。矛盾的是,拓扑负载本身是高度限速的,在具有复制能力的生理盐浓度下几乎不会发生。这种不一致通过复制体相关的内聚建立因子 Chl1 解旋酶和 Ctf4 解决,它们在持续复制过程中特异性地促进粘连蛋白负载。因此,研究人员发现模拟 DNA 解旋状态的气泡 DNA 诱导拓扑粘连蛋白负载,这被 Chl1 进一步促进。因此,研究人员提出,当粘连蛋白遇到由酶活性(包括复制)驱动的未缠绕的DNA结构时,它会将初始静电DNA结合模式转换为拓扑拥抱。总之,该研究结果显示了粘连蛋白最初如何响应复制,并为姐妹染色单体内聚力的建立提供了分子模型。

相关报告
  • 《Nature | DNA复制机器回收亲代组蛋白的关键分子机制》

    • 来源专题:战略生物资源
    • 编译者:李康音
    • 发布时间:2024-03-13
    • 2024年3月6日,香港大学翟元梁教授、北京大学高宁教授、北京大学李晴教授、康奈尔大学戴碧瓘教授合作在Nature杂志发表题为Parental histone transfer caught at the replication fork的研究论文。 尽管已经知道组蛋白分子伴侣和复制体因子参与亲代组蛋白回收,但在染色质复制过程中,它们如何促进与DNA复制偶联的亲代核小体的解组装和随后的亲代组蛋白传递到新生DNA链上的分子机制仍不清楚。目前,复制体协同FACT回收组蛋白的复合物的结构研究非常缺乏,极大地限制了我们对染色质复制机制的全面理解。 该研究工作清晰的展示了DNA复制偶联的亲代组蛋白回收过程中一个关键中间步骤的分子细节,阐明了FACT、Tof1、Mcm2等在亲本组蛋白回收过程中的分子机制,表明组蛋白六聚体很可能是亲本组蛋白的一种回收单元,为全面揭示DNA复制偶联的表观遗传信息的继承机制奠定了重要的基础。
  • 《Nature | 超越蛋白质:AlphaFold3预测复杂生物分子结构》

    • 编译者:李康音
    • 发布时间:2024-05-10
    • 2024年5月8日,谷歌Deep Mind的John M. Jumper通讯在Nature发表题为Accurate structure prediction of biomolecular interactions with AlphaFold 3的文章,推出了AlphaFold 3(AF3),能够超高精度预测各种生物分子复合物的结构。这一成就代表着我们理解和操纵控制生物系统的复杂相互作用的能力的重大飞跃。 在其前身AlphaFold 2的成功基础上,新模型引入了实质性的架构和训练程序增强,以适应更广泛的化学结构,并提高数据效率。AF3的核心是一种基于扩散的方法,该方法直接预测原始原子坐标,无需专门处理键合模式和立体化学约束。AF3的真正威力在于其在不同生物分子相互作用中的卓越准确性。值得注意的是,AF3在预测蛋白质配体、蛋白质核酸和抗体抗原相互作用方面优于专业工具,甚至超过了最先进的对接方法。这种准确性延伸到涉及蛋白质、核酸、小分子、离子和修饰残基的复杂结构。 AF3的关键优势之一是其准确模拟共价修饰的能力,如键合配体、糖基化以及修饰的蛋白质和核酸残基。这种能力对于理解生物学过程背后复杂的分子机制和开发有针对性的治疗干预措施至关重要。研究人员使用最近的接口特定基准(interface-specific benchmark)仔细评估了AF3的性能,证明其优于已知最先进的方法。此外,该模型的置信度测量密切跟踪其准确性,为研究人员提供了一个可靠的预测可靠性指标。 虽然AF3代表着向前迈出的一大步,但研究人员承认存在某些局限性。其中包括偶尔的立体化学侵犯(stereochemical violation),如手性误差和原子碰撞,以及准确预测动力学行为和构象状态的挑战。此外,对某些目标的高度准确的预测可能需要生成多个预测并对其进行排序,从而产生额外的计算成本。 尽管存在这些局限性,但AlphaFold 3的开发是生物分子结构预测领域的一项变革性成就。通过在统一的深度学习框架内对广泛的生物分子相互作用进行准确建模,AF3有望加速我们对细胞调节的理解,并为合理的治疗设计铺平道路。随着计算和实验方法继续并行发展,这些方法之间的协同作用无疑将推动我们进入一个前所未有的结构见解时代,开启生物学理解和治疗发展的新前沿。