Функция молекулярного распознавания

Признаки молекулярного распознавания ( MoRF ) представляют собой небольшие (10-70 остатков) внутренне неупорядоченные области в белках , которые претерпевают переход от беспорядка к порядку при связывании со своими партнерами. MoRFs участвуют в белок-белковых взаимодействиях , которые служат начальным шагом в молекулярном распознавании . MoRFs неупорядочены до связывания со своими партнерами, тогда как они образуют общую трехмерную структуру . после взаимодействия с партнерами ^{[ 1 ]}^{[ 2 ]} Поскольку регионы MoRF имеют тенденцию напоминать неупорядоченные белки с некоторыми характеристиками упорядоченных белков, ^{[ 2 ]} их можно отнести к существующим в расширенном полунеупорядоченном состоянии. ^{[ 3 ]}

Категоризация

MoRF можно разделить на 4 категории в зависимости от формы, которую они образуют после присоединения к своим партнерам. ^{[ 2 ]}

Категории:

α-MoRF (когда они образуют альфа-спирали )
β-MoRF (когда они образуют бета-листы )
неправильные MoRF (когда они не образуют никакой формы)
комплекс-МоРФ (сочетание вышеуказанных категорий)

Предсказатели MoRF

Определение структуры белков экспериментальным путем — очень трудоемкий и дорогостоящий процесс. Поэтому в последние годы основное внимание уделяется вычислительным методам прогнозирования структуры и структурных характеристик белка. Некоторые аспекты структуры белка, такие как вторичная структура и внутреннее расстройство , значительно выиграли от применения глубокого обучения на обилии аннотированных данных. Однако вычислительное прогнозирование регионов MoRF остается сложной задачей из-за ограниченной доступности аннотированных данных и редкости самого класса MoRF. ^{[ 4 ]} Большинство современных методов были обучены и протестированы на наборах, выпущенных авторами MoRFPred. ^{[ 5 ]} в 2012 году, а также еще один набор, выпущенный авторами MoRFChibi. ^{[ 6 ]}^{[ 7 ]}^{[ 8 ]} на основе экспериментально аннотированных данных MoRF. В таблице ниже подробно описаны некоторые доступные по состоянию на 2019 год методы прогнозирования MoRF (также затронуты связанные с этим проблемы). ^{[ 9 ]}


Предсказатель	Год публикации	Прогнозы на	Методология	Использует MSA
ЯКОРЬ. Архивировано 23 октября 2009 г. в Wayback Machine. ^{[ 10 ]}	2009	Белковые области связывания	Анализ склонности аминокислот и оценка энергии.	Н
ЯКОР2 ^{[ 11 ]}	2018	Белковые области связывания	Анализ склонности аминокислот и оценка энергии.	Н
ДИСОПРЕД3 ^{[ 12 ]}	2015	Внутреннее нарушение белка и сайты связывания белка	Многоэтапное прогнозирование компонентов (с использованием нейронной сети, машины опорных векторов и моделей K-ближайшего соседа) для прогнозирования белковых нарушений. Также используется дополнительная машина опорных векторов для интерполяции областей связывания на основе прогнозов беспорядков.	И
DisoRDPbind ^{[ 13 ]}	2015	РНК, ДНК и области связывания белков	Множественные модели логистической регрессии, основанные на прогнозируемом беспорядке, свойствах аминокислот и составе последовательностей. Результат выравнивается с переданными аннотациями из функционально аннотированной базы данных.	Н
фМоРФПред ^{[ 4 ]}	2016	МФР	Более быстрая версия MoRFPred без использования множественного выравнивания последовательностей.	Н
МоРФчиби СИСТЕМА ^{[ 6 ]}^{[ 7 ]}^{[ 8 ]}	2015	МФР	Иерархия различных собственных моделей прогнозирования MoRF: MoRFchibi: использует правило Байеса для объединения результатов двух модулей поддержки векторной машины с использованием аминокислотного состава (сигмоидное ядро) и сходства последовательностей (ядро RBF). MoRFchibi_light: использует правило Байеса для иерархического объединения MoRFchibi и прогнозирования нарушений. MoRFchibi_web: использует правило Байеса для иерархического объединения MoRFchibi, прогнозирования нарушений и PSSM (MSA).	Н/Д
МоРФПред ^{[ 5 ]}	2012	МФР	Машина опорных векторов, основанная на прогнозируемых характеристиках последовательности и сопоставлении входной последовательности с известной базой данных MoRF.	И
МоРФПред-Плюс ^{[ 14 ]}	2018	МФР	Комбинированные прогнозы двух машин опорных векторов, прогнозирующие как регионы MoRF, так и остатки MoRF.	И
ОПАЛ ^{[ 15 ]}	2018	МФР	Машина опорных векторов, основанная на физико-химических свойствах и предсказанных структурных атрибутах белковых остатков.	И
ОПАЛ+ ^{[ 16 ]}	2019	МФР	Ансамбль машин опорных векторов, обученных индивидуально для регионов MoRF с определенной длиной. Также включает в себя другие предикторы в качестве метапредиктора.	И
ПОЗВОНОЧНИК-Д ^{[ 17 ]}^{[ 18 ]}	2012	Белковое внутреннее расстройство и полурасстройство	Нейронная сеть для прогнозирования как длинных, так и коротких неупорядоченных областей. Полубеспорядок можно линейно интерполировать на основе предсказанных вероятностей беспорядка (0,4<=P(D)<=0,7).	И
SPOT-расстройство ^{[ 19 ]}	2017	Белковое внутреннее расстройство и полурасстройство	Двунаправленная сеть долговременной краткосрочной памяти для прогнозирования внутренних расстройств. Полунеупорядоченные области можно линейно интерполировать на основе предсказанных вероятностей беспорядка (0,28<=P(D)<=0,69).	И
СПОТ МОРФ ^{[ 20 ]}	2019	МФР	Перенос обучения из инструмента прогнозирования крупных расстройств SPOT-Disorder2 ^{[ 21 ]} (который сам по себе использует ансамбль двунаправленных сетей с длинной краткосрочной памятью и начальных сетей ResNet).	И

Базы данных

мпМоРФсДБ ^{[ 22 ]}

База данных взаимного сворачивания, вызванного привязкой (MFIB) ^{[ 23 ]}

Ссылки

^ ван дер Ли Р., Бульян М., Ланг Б., Уэзеритт Р.Дж., Додрилл Г.В., Данкер А.К. и др. (июль 2014 г.). «Классификация внутренне неупорядоченных областей и белков» . Химические обзоры . 114 (13): 6589–631. дои : 10.1021/cr400525m . ПМК 4095912 . ПМИД 24773235 .
^ Jump up to: ^а ^б ^с Мохан А., Олдфилд С.Дж., Радивояк П., Вачич В., Кортезе М.С., Данкер А.К., Уверский В.Н. (октябрь 2006 г.). «Анализ особенностей молекулярного распознавания (MoRF)». Журнал молекулярной биологии . 362 (5): 1043–59. дои : 10.1016/j.jmb.2006.07.087 . ПМИД 16935303 .
^ Чжан Т., Фарагги Э., Ли З., Чжоу Ю. (31 мая 2013 г.). «Самостоятельно полунеупорядоченное состояние и его роль в индуцировании сворачивания и агрегации белков» . Клеточная биохимия и биофизика . 67 (3): 1193–205. дои : 10.1007/s12013-013-9638-0 . ПМЦ 3838602 . ПМИД 23723000 .
^ Jump up to: ^а ^б Ян Дж., Дункер А.К., Уверский В.Н., Курган Л. (март 2016 г.). «Особенности молекулярного распознавания (MoRF) в трех сферах жизни». Молекулярные биосистемы . 12 (3): 697–710. дои : 10.1039/C5MB00640F . hdl : 1805/11056 . ПМИД 26651072 .
^ Jump up to: ^а ^б Дисфани Ф.М., Сюй В.Л., Мизианти М.Дж., Олдфилд С.Дж., Сюэ Б., Данкер А.К. и др. (июнь 2012 г.). «MoRFpred, вычислительный инструмент для прогнозирования на основе последовательностей и характеристики коротких областей связывания с переходом от беспорядка к порядку в белках» . Биоинформатика . 28 (12): i75-83. doi : 10.1093/биоинформатика/bts209 . ПМЦ 3371841 . ПМИД 22689782 .
^ Jump up to: ^а ^б Малхис Н., Гспонер Дж. (июнь 2015 г.). «Вычислительная идентификация MoRF в белковых последовательностях» . Биоинформатика . 31 (11): 1738–44. doi : 10.1093/биоинформатика/btv060 . ПМЦ 4443681 . ПМИД 25637562 .
^ Jump up to: ^а ^б Малхис Н., Вонг Э.Т., Нассар Р., Гспонер Дж. (2015). «Вычислительная идентификация MoRF в белковых последовательностях с использованием иерархического применения правила Байеса» . ПЛОС ОДИН . 10 (10): e0141603. Бибкод : 2015PLoSO..1041603M . дои : 10.1371/journal.pone.0141603 . ПМЦ 4627796 . ПМИД 26517836 .
^ Jump up to: ^а ^б Малхис Н., Джейкобсон М., Гспонер Дж. (июль 2016 г.). «СИСТЕМА MoRFchibi: программные средства для идентификации MoRF в белковых последовательностях» . Исследования нуклеиновых кислот . 44 (П1): И488-93. дои : 10.1093/nar/gkw409 . ПМЦ 4987941 . ПМИД 27174932 .
^ Катувавала А., Пэн З., Ян Дж., Курган Л. (2019). «Вычислительное прогнозирование MoRF, коротких переходных областей связывания белков от беспорядка к порядку» . Журнал вычислительной и структурной биотехнологии . 17 : 454–462. дои : 10.1016/j.csbj.2019.03.013 . ПМК 6453775 . ПМИД 31007871 .
^ Месарош Б., Симон И., Достаньи З. (май 2009 г.). «Прогнозирование областей связывания белков в неупорядоченных белках» . PLOS Вычислительная биология . 5 (5): e1000376. Бибкод : 2009PLSCB...5E0376M . дои : 10.1371/journal.pcbi.1000376 . ПМЦ 2671142 . ПМИД 19412530 .
^ Месарош Б., Эрдош Г., Достаньи З. (июль 2018 г.). «IUPred2A: контекстно-зависимое предсказание нарушения белка как функция окислительно-восстановительного состояния и связывания белка» . Исследования нуклеиновых кислот . 46 (П1): W329–W337. дои : 10.1093/nar/gky384 . ПМК 6030935 . ПМИД 29860432 .
^ Джонс Д.Т., Козцетто Д. (март 2015 г.). «DISOPRED3: точные предсказания неупорядоченных областей с аннотированной белковосвязывающей активностью» . Биоинформатика . 31 (6): 857–63. doi : 10.1093/биоинформатика/btu744 . ПМЦ 4380029 . ПМИД 25391399 .
^ Пэн З, Курган Л (октябрь 2015 г.). «Высокопроизводительное предсказание областей связывания РНК, ДНК и белков, опосредованных внутренними нарушениями» . Исследования нуклеиновых кислот . 43 (18): е121. дои : 10.1093/nar/gkv585 . ПМЦ 4605291 . ПМИД 26109352 .
^ Шарма Р., Баяржаргал М., Цунода Т., Патил А., Шарма А. (январь 2018 г.). «MoRFPred-plus: Компьютерная идентификация MoRF в белковых последовательностях с использованием физико-химических свойств и профилей HMM». Журнал теоретической биологии . 437 : 9–16. Бибкод : 2018JThBi.437....9S . дои : 10.1016/j.jtbi.2017.10.015 . hdl : 10072/376330 . ПМИД 29042212 .
^ Шарма Р., Райкар Г., Цунода Т., Патил А., Шарма А. (июнь 2018 г.). «OPAL: предсказание областей MoRF в внутренне неупорядоченных белковых последовательностях» . Биоинформатика . 34 (11): 1850–1858. doi : 10.1093/биоинформатика/bty032 . hdl : 10072/379824 . ПМИД 29360926 .
^ Шарма Р., Шарма А., Райкар Г., Цунода Т., Патил А. (март 2019 г.). «OPAL +: предсказание MoRF с учетом длины в внутренне неупорядоченных белковых последовательностях». Протеомика . 19 (6): e1800058. дои : 10.1002/pmic.201800058 . hdl : 10072/382746 . ПМИД 30324701 . S2CID 53502553 .
^ Чжан Т, Фарагги Э, Сюэ Б, Дункер А.К., Уверский В.Н., Чжоу Ю (2012). «SPINE-D: точное предсказание коротких и длинных неупорядоченных областей с помощью одного метода, основанного на нейронных сетях» . Журнал биомолекулярной структуры и динамики . 29 (4): 799–813. дои : 10.1080/073911012010525022 . ПМК 3297974 . ПМИД 22208280 .
^ Чжан Т., Фарагги Э., Ли З., Чжоу Ю. (2017). «Прогнозирование внутренних расстройств и полурасстройств с помощью SPINE-D». Ин Чжоу Ю, Клочковски А, ФараггиР, Ян Ю (ред.). Прогнозирование вторичной структуры белка . Методы молекулярной биологии (т. 1484). Том. 1484. Нью-Йорк: Спрингер. стр. 159–174. дои : 10.1007/978-1-4939-6406-2_12 . ISBN 9781493964048 . ПМИД 27787826 .
^ Хансон Дж., Ян Ю., Паливал К., Чжоу Ю. (март 2017 г.). «Улучшение прогнозирования белковых нарушений с помощью глубоких двунаправленных рекуррентных нейронных сетей с длинной краткосрочной памятью» . Биоинформатика . 33 (5): 685–692. doi : 10.1093/биоинформатика/btw678 . ПМИД 28011771 .
^ Хэнсон, Джек; Литфин, Томас; Паливал, Кулдип; Чжоу, Яоци (05 сентября 2019 г.). Городкин, Ян (ред.). «Идентификация особенностей молекулярного распознавания в внутренне неупорядоченных областях белков посредством трансферного обучения» . Биоинформатика . 36 (4): 1107–1113. doi : 10.1093/биоинформатика/btz691 . ISSN 1367-4803 . ПМИД 31504193 .
^ Хэнсон, Джек; Паливал, Кулдип К.; Литфин, Томас; Чжоу, Яоци (13 марта 2020 г.). «SPOT-Disorder2: Улучшенное прогнозирование внутренних расстройств белка с помощью комплексного глубокого обучения» . Геномика, протеомика и биоинформатика . 17 (6): 645–656. дои : 10.1016/j.gpb.2019.01.004 . ISSN 1672-0229 . ПМК 7212484 . ПМИД 32173600 .
^ Гипас Ф., Цаусис Г.Н., Хамодракас С.Дж. (октябрь 2013 г.). «mpMoRFsDB: база данных особенностей молекулярного распознавания в мембранных белках» . Биоинформатика . 29 (19): 2517–8. doi : 10.1093/биоинформатика/btt427 . ПМИД 23894139 .
^ Фичо Э., Ремени И., Симон И., Месарош Б. (ноябрь 2017 г.). «MFIB: хранилище белковых комплексов со взаимной складкой, индуцированной связыванием» . Биоинформатика . 33 (22): 3682–3684. doi : 10.1093/биоинформатика/btx486 . ПМЦ 5870711 . ПМИД 29036655 .

[1] ван дер Ли Р., Бульян М., Ланг Б., Уэзеритт Р.Дж., Додрилл Г.В., Данкер А.К. и др. (июль 2014 г.). «Классификация внутренне неупорядоченных областей и белков» . Химические обзоры . 114 (13): 6589–631. дои : 10.1021/cr400525m . ПМК 4095912 . ПМИД 24773235 .

[ref2006-2] Jump up to: ^а ^б ^с Мохан А., Олдфилд С.Дж., Радивояк П., Вачич В., Кортезе М.С., Данкер А.К., Уверский В.Н. (октябрь 2006 г.). «Анализ особенностей молекулярного распознавания (MoRF)». Журнал молекулярной биологии . 362 (5): 1043–59. дои : 10.1016/j.jmb.2006.07.087 . ПМИД 16935303 .

[3] Чжан Т., Фарагги Э., Ли З., Чжоу Ю. (31 мая 2013 г.). «Самостоятельно полунеупорядоченное состояние и его роль в индуцировании сворачивания и агрегации белков» . Клеточная биохимия и биофизика . 67 (3): 1193–205. дои : 10.1007/s12013-013-9638-0 . ПМЦ 3838602 . ПМИД 23723000 .

[ReferenceA-4] Jump up to: ^а ^б Ян Дж., Дункер А.К., Уверский В.Н., Курган Л. (март 2016 г.). «Особенности молекулярного распознавания (MoRF) в трех сферах жизни». Молекулярные биосистемы . 12 (3): 697–710. дои : 10.1039/C5MB00640F . hdl : 1805/11056 . ПМИД 26651072 .

[:0-5] Jump up to: ^а ^б Дисфани Ф.М., Сюй В.Л., Мизианти М.Дж., Олдфилд С.Дж., Сюэ Б., Данкер А.К. и др. (июнь 2012 г.). «MoRFpred, вычислительный инструмент для прогнозирования на основе последовательностей и характеристики коротких областей связывания с переходом от беспорядка к порядку в белках» . Биоинформатика . 28 (12): i75-83. doi : 10.1093/биоинформатика/bts209 . ПМЦ 3371841 . ПМИД 22689782 .

[:1-6] Jump up to: ^а ^б Малхис Н., Гспонер Дж. (июнь 2015 г.). «Вычислительная идентификация MoRF в белковых последовательностях» . Биоинформатика . 31 (11): 1738–44. doi : 10.1093/биоинформатика/btv060 . ПМЦ 4443681 . ПМИД 25637562 .

[:2-7] Jump up to: ^а ^б Малхис Н., Вонг Э.Т., Нассар Р., Гспонер Дж. (2015). «Вычислительная идентификация MoRF в белковых последовательностях с использованием иерархического применения правила Байеса» . ПЛОС ОДИН . 10 (10): e0141603. Бибкод : 2015PLoSO..1041603M . дои : 10.1371/journal.pone.0141603 . ПМЦ 4627796 . ПМИД 26517836 .

[MCS2016-8] Jump up to: ^а ^б Малхис Н., Джейкобсон М., Гспонер Дж. (июль 2016 г.). «СИСТЕМА MoRFchibi: программные средства для идентификации MoRF в белковых последовательностях» . Исследования нуклеиновых кислот . 44 (П1): И488-93. дои : 10.1093/nar/gkw409 . ПМЦ 4987941 . ПМИД 27174932 .

[9] Катувавала А., Пэн З., Ян Дж., Курган Л. (2019). «Вычислительное прогнозирование MoRF, коротких переходных областей связывания белков от беспорядка к порядку» . Журнал вычислительной и структурной биотехнологии . 17 : 454–462. дои : 10.1016/j.csbj.2019.03.013 . ПМК 6453775 . ПМИД 31007871 .

[10] Месарош Б., Симон И., Достаньи З. (май 2009 г.). «Прогнозирование областей связывания белков в неупорядоченных белках» . PLOS Вычислительная биология . 5 (5): e1000376. Бибкод : 2009PLSCB...5E0376M . дои : 10.1371/journal.pcbi.1000376 . ПМЦ 2671142 . ПМИД 19412530 .

[11] Месарош Б., Эрдош Г., Достаньи З. (июль 2018 г.). «IUPred2A: контекстно-зависимое предсказание нарушения белка как функция окислительно-восстановительного состояния и связывания белка» . Исследования нуклеиновых кислот . 46 (П1): W329–W337. дои : 10.1093/nar/gky384 . ПМК 6030935 . ПМИД 29860432 .

[12] Джонс Д.Т., Козцетто Д. (март 2015 г.). «DISOPRED3: точные предсказания неупорядоченных областей с аннотированной белковосвязывающей активностью» . Биоинформатика . 31 (6): 857–63. doi : 10.1093/биоинформатика/btu744 . ПМЦ 4380029 . ПМИД 25391399 .

[13] Пэн З, Курган Л (октябрь 2015 г.). «Высокопроизводительное предсказание областей связывания РНК, ДНК и белков, опосредованных внутренними нарушениями» . Исследования нуклеиновых кислот . 43 (18): е121. дои : 10.1093/nar/gkv585 . ПМЦ 4605291 . ПМИД 26109352 .

[14] Шарма Р., Баяржаргал М., Цунода Т., Патил А., Шарма А. (январь 2018 г.). «MoRFPred-plus: Компьютерная идентификация MoRF в белковых последовательностях с использованием физико-химических свойств и профилей HMM». Журнал теоретической биологии . 437 : 9–16. Бибкод : 2018JThBi.437....9S . дои : 10.1016/j.jtbi.2017.10.015 . hdl : 10072/376330 . ПМИД 29042212 .

[15] Шарма Р., Райкар Г., Цунода Т., Патил А., Шарма А. (июнь 2018 г.). «OPAL: предсказание областей MoRF в внутренне неупорядоченных белковых последовательностях» . Биоинформатика . 34 (11): 1850–1858. doi : 10.1093/биоинформатика/bty032 . hdl : 10072/379824 . ПМИД 29360926 .

[16] Шарма Р., Шарма А., Райкар Г., Цунода Т., Патил А. (март 2019 г.). «OPAL +: предсказание MoRF с учетом длины в внутренне неупорядоченных белковых последовательностях». Протеомика . 19 (6): e1800058. дои : 10.1002/pmic.201800058 . hdl : 10072/382746 . ПМИД 30324701 . S2CID 53502553 .

[17] Чжан Т, Фарагги Э, Сюэ Б, Дункер А.К., Уверский В.Н., Чжоу Ю (2012). «SPINE-D: точное предсказание коротких и длинных неупорядоченных областей с помощью одного метода, основанного на нейронных сетях» . Журнал биомолекулярной структуры и динамики . 29 (4): 799–813. дои : 10.1080/073911012010525022 . ПМК 3297974 . ПМИД 22208280 .

[18] Чжан Т., Фарагги Э., Ли З., Чжоу Ю. (2017). «Прогнозирование внутренних расстройств и полурасстройств с помощью SPINE-D». Ин Чжоу Ю, Клочковски А, ФараггиР, Ян Ю (ред.). Прогнозирование вторичной структуры белка . Методы молекулярной биологии (т. 1484). Том. 1484. Нью-Йорк: Спрингер. стр. 159–174. дои : 10.1007/978-1-4939-6406-2_12 . ISBN 9781493964048 . ПМИД 27787826 .

[19] Хансон Дж., Ян Ю., Паливал К., Чжоу Ю. (март 2017 г.). «Улучшение прогнозирования белковых нарушений с помощью глубоких двунаправленных рекуррентных нейронных сетей с длинной краткосрочной памятью» . Биоинформатика . 33 (5): 685–692. doi : 10.1093/биоинформатика/btw678 . ПМИД 28011771 .

[20] Хэнсон, Джек; Литфин, Томас; Паливал, Кулдип; Чжоу, Яоци (05 сентября 2019 г.). Городкин, Ян (ред.). «Идентификация особенностей молекулярного распознавания в внутренне неупорядоченных областях белков посредством трансферного обучения» . Биоинформатика . 36 (4): 1107–1113. doi : 10.1093/биоинформатика/btz691 . ISSN 1367-4803 . ПМИД 31504193 .

[21] Хэнсон, Джек; Паливал, Кулдип К.; Литфин, Томас; Чжоу, Яоци (13 марта 2020 г.). «SPOT-Disorder2: Улучшенное прогнозирование внутренних расстройств белка с помощью комплексного глубокого обучения» . Геномика, протеомика и биоинформатика . 17 (6): 645–656. дои : 10.1016/j.gpb.2019.01.004 . ISSN 1672-0229 . ПМК 7212484 . ПМИД 32173600 .

[22] Гипас Ф., Цаусис Г.Н., Хамодракас С.Дж. (октябрь 2013 г.). «mpMoRFsDB: база данных особенностей молекулярного распознавания в мембранных белках» . Биоинформатика . 29 (19): 2517–8. doi : 10.1093/биоинформатика/btt427 . ПМИД 23894139 .

[23] Фичо Э., Ремени И., Симон И., Месарош Б. (ноябрь 2017 г.). «MFIB: хранилище белковых комплексов со взаимной складкой, индуцированной связыванием» . Биоинформатика . 33 (22): 3682–3684. doi : 10.1093/биоинформатика/btx486 . ПМЦ 5870711 . ПМИД 29036655 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]

[ 14 ]

[ 15 ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 19 ]

[ 20 ]

[ 21 ]

[ 22 ]

[ 23 ]