Malgré les avancées remarquables d'AlphaFold2 dans la prédiction de la structure des protéines et la détermination de la structure par microscopie électronique cryogénique (cryoEM), la cristallographie des protéines est toujours plus susceptible de fournir des données à plus haute résolution et des structures plus fiables pour la découverte de médicaments. Le goulot d'étranglement des études cristallographiques est la recherche du cocktail chimique qui favorise la cristallisation. Chaque condition principale contient de deux à sept produits chimiques et est découverte en échantillonnant des centaines de solutions à partir d'écrans à matrice clairsemée.
Une fois la composition d'un bon plomb optimisée, des cristaux de protéines sont cultivés en grand nombre pour des études structurelles. La croissance des cristaux de protéines donne souvent des réponses quadratiques à des niveaux croissants de certains facteurs, et les interactions bidirectionnelles sont abondantes. Les conceptions à deux niveaux manquent de ces caractéristiques. De nouvelles expériences à deux niveaux modifiées un facteur à la fois (MOFAT) peuvent détecter des interactions bidirectionnelles dans les études de simulation (Yu 2022). L'extension de MOFAT à trois niveaux intéresserait les producteurs de cristaux.
Nous émettons l'hypothèse qu'une conception MOFAT étendue à trois niveaux (EMOFAT) peut détecter des effets bidirectionnels et quadratiques. Cette conception conserve l'exécution de base des conceptions OFAT standard et ajoute des exécutions avec tous les facteurs à leurs niveaux les plus bas ou les plus élevés (2m + 3 exécutions, où m est le nombre de facteurs). Nous avons mené des études de simulation à l'aide de scripts JSL pour explorer la capacité de ces conceptions à détecter les effets principaux et les interactions d'ordre supérieur, y compris les interactions à trois voies.
Ces conceptions peuvent être attrayantes pour les producteurs de cristaux de protéines car les trois niveaux détecteront les réponses non linéaires et promettent de détecter les interactions bidirectionnelles avant de passer à des expériences d'optimisation plus avancées.
