Jump to content

Функция молекулярного распознавания

(Перенаправлено с MoRFs )

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

[ редактировать ]

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

[ редактировать ]

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

[ редактировать ]

мпМоРФсДБ [ 22 ]

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

  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 .
  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 .
  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 .
  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 .
  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 .
  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 .
  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 .
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 21b68f4ffe3f70a6a4e4bd119928ddcf__1704965040
URL1:https://arc.ask3.ru/arc/aa/21/cf/21b68f4ffe3f70a6a4e4bd119928ddcf.html
Заголовок, (Title) документа по адресу, URL1:
Molecular recognition feature - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)