ТЕМАТИКА
В этой статье есть несколько проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалять эти шаблонные сообщения )
|
Теоретические микроскопические аномальные формы кривых титрования ( ТЕМАТИКА ) — это вычислительный метод прогнозирования биохимически активных аминокислот в трехмерной структуре белка. [ 1 ] [ 2 ] [ 3 ]
Метод разработали Мэри Джо Ондрехен , Джеймс Клифтон и Дагмар Ринге . [ 4 ] Он основан на расчете электростатических и химических свойств отдельных аминокислот в структуре белка. В частности, он выявляет аномальную форму теоретических кривых титрования ионизируемых аминокислот. Биохимически активные аминокислоты имеют тенденцию иметь широкий буферный диапазон и несигмоидальный характер титрования.
Хотя этот метод успешно предсказывает биохимически активные аминокислоты, он также предоставляет входные данные для предсказателя машинного обучения — оптимального правдоподобия частичного порядка (POOL). [ 5 ] [ 6 ]
Ссылки
[ редактировать ]- ^ Функция белка предсказана с помощью нового метода «ТЕМАТИКА», разработанного Северо-Восточным университетом и учеными Брандейса. ScienceDaily, (2001).
- ^ Борман, С., От последовательности к последствиям. Новости химии и техники, 79 (48): с. 31-33 (2001).
- ^ Болл, П., Компьютеры определяют подсказки по форме . Природа, (2001).
- ^ «ТЕМАТИКА: простой вычислительный прогноз функции фермента по структуре», М. Дж. Ондрехен, Дж. Г. Клифтон и Д. Ринг, Proc. Натл. акад. наук. США 98, 12473-12478 (2001). ПМИД 11606719
- ^ «Оптимальное правдоподобие частичного порядка (ПУЛ): предсказание максимального правдоподобия остатков активного сайта с использованием трехмерной структуры и свойств последовательности», В. Тонг, Ю. Вей, Л.Ф. Мурга, М.Дж. Ондрехен и Р.Дж. Уильямс, Вычислительная биология PLoS, 5 (1) ): e1000266 (2009). ПМИД 9148270
- ^ Сомаровту, Шринивас; Ян, Хуюань; Хильдебранд, Дэвид Г.К.; Ондречен, Мэри Джо (01 июня 2011 г.). «Высокоэффективное прогнозирование функциональных остатков в белках с помощью машинного обучения и вычислительных входных функций». Биополимеры . 95 (6): 390–400. дои : 10.1002/bip.21589 . ISSN 0006-3525 . ПМИД 21254002 .