Maschinelles Lernen Vorhersage von 3D-Domänentausch-Proteinen in Heilpflanzen

Zusammenfassung

Diese Studie untersucht Proteine, die am 3D-Domänentausch aus verschiedenen Heilpflanzengenomen beteiligt sind oder voraussichtlich daran beteiligt sind. Es verwendet Modelle des maschinellen Lernens, um 3D-Domänentausch-Proteine genau vorherzusagen und ihre Funktionen und Relevanz für die Produktion von Sekundärmetaboliten zu antizipieren.

Zusammenfassung

3D-Domänentausch ist ein strukturelles Phänomen von Proteinen, bei dem zwei oder mehr Proteinuntereinheiten identische strukturelle Untereinheiten austauschen und Oligomere bilden. Proteine, die einen 3D-Domänentausch aufweisen, spielen eine entscheidende Rolle bei verschiedenen biologischen Funktionen, wie z. B. der Biosynthese von Sekundärmetaboliten und bei der Bewältigung verschiedener biotischer und abiotischer Stressfaktoren in Heilpflanzen. Diese Studie untersucht die Fähigkeit, 3D-Domänentauschmuster zwischen den Genomen von Heilpflanzen mit Hilfe von Random-Forest- und K-Nearest-Neighbor-Klassifikatormodellen vorherzusagen, wobei eine Genauigkeit von 91,6 % bzw. 88,7 % gezeigt wird. Insgesamt wurden 420 (31%) der Sequenzen als mutmaßlich am 3D-Domänentausch beteiligt vorhergesagt. Es wurde auch eine Anreicherungsuntersuchung der vorhergesagten 3D-domänengetauschten Proteinsequenzen aus verschiedenen Heilpflanzen für die Funktionsannotation auf der Grundlage von Begriffen der Gene Ontology (GO), der Analyse der Signalwege der Kyoto Encyclopedia of Genes and Genomes (KEGG) und ihrer Domänenverteilung in den Biosynthesewegen der Sekundärmetaboliten durchgeführt. Die funktionelle Annotation der vorhergesagten Sequenzen lässt darauf schließen, dass 3D-Domänen-swapped-Sequenzen an verschiedenen molekularen Funktionen beteiligt waren, wie z.B. dem photosynthetischen Elektronentransport im Photosystem II und Elektronentransportern, dem Transfer von Elektronen innerhalb des zyklischen Elektronentransportwegs der Photosyntheseaktivität, der oxidativen Phosphorylierung und der Genregulation von Umweltstressen (biotisch und abiotisch) durch die Synthese von Sekundärmetaboliten (Terpenoide, B. Alkaloide und Polyamine). Diese Ergebnisse unterstreichen die Fähigkeit des maschinellen Lernens, die Beteiligung von Proteinen am 3D-Domänentausch-Phänomen, ihre jeweilige Funktion und ihr Potenzial zur Erleichterung der Wirkstoffforschung und Bioengineering-Initiativen vorherzusagen.

Einleitung

Computergestützte Methoden haben die Proteinforschung revolutioniert, indem sie detaillierte Analysen und Vorhersagen über Proteinstrukturen, Funktionen und Wechselwirkungen ermöglichen. Die präzise Identifizierung und Annotation von Proteinfunktionen ist für die Entschlüsselung molekularer Mechanismen des Lebens unerlässlich und von großer Bedeutung für den Fortschritt in der Medizin und Arzneimittelentwicklung. Die inhärente Komplexität und der Aufwand experimenteller Methoden schränken jedoch ihre Skalierbarkeit ein, um die großen Sequenzdaten aufzunehmen. Infolgedessen hat sich die Entwicklung von computergestützten Methoden zur Vorhersage von Proteinfunktionen zu einem zentralen Bereich in der Computer- und Molekularbiologie entwickelt, der diese Lücke durch innovative, groß angelegte Ansätze schließt¹.

3D-Domänentausch² ist ein strukturelles Phänomen in Proteinen, bei dem Segmente einer gemeinsamen Struktur zwischen einzelnen Ketten ausgetauscht werden. Im Jahr 1994 wurde die einleitende Dokumentation über den Mechanismus des 3D-Domänentauschs im Diphtherietoxin^{Dimer 3} gefunden. Die Grundprinzipien des 3D-Domain-Swapping lassen sich jedoch vier Jahrzehnte zurückverfolgen. Bei der bovinen Pankreas-Ribonuklease A (RNase A) wurde durch ausgeklügelte chemische Modifikationsexperimente beobachtet, dass sie während der Lyophilisation in Essigsäure Dimere bildet⁴. Bei der Proteinoligomerisierung tauschen zwei oder mehr Proteinketten identische Strukturelemente durch flexible Scharnierbereiche aus. Der Teil des Proteins, der zwischen monomeren Untereinheiten ausgetauscht wird, wird als vertauschte Domäne bezeichnet, die in bestimmten Proteinen aus einer gesamten globulären Domäne, einer Schleife oder einem sekundären Strukturelement bestehen kann. Umgekehrt werden die Regionen, die in ihren ursprünglichen Positionen innerhalb der Monomere unverändert bleiben, als nicht vertauschte Domänen^{bezeichnet 5}. Eine Kopplung zwischen nicht ausgelagerten Domänen ist als nicht ausgelagerte Domänenschnittstelle (NSDI) definiert, die in Abbildung 1 dargestellt ist. Beim 3D-Domain-Swapping wird die Beziehung zwischen der nicht vertauschten Domäne einer Proteinuntereinheit und der bereits vertauschten Domäne einer anderen Untereinheit als Swapped Domain Interface (SDI) bezeichnet. Ein weiterer wichtiger Aspekt dieses Phänomens ist die Hinge-Region, ein flexibles Linker-Segment, das die nicht vertauschten und vertauschten Domänen verbindet. Dieser Scharnierbereich spielt eine wesentliche Funktion bei der Unterstützung der Bewegung des 3D-Domänentauschs und dient als Konformationsschalter, der die für den Domänentausch erforderliche strukturelle Rekonfiguration ermöglicht. Der 3D-Domänentausch wurde mit verschiedenen biologischen Prozessen in Verbindung gebracht, einschließlich der Proteinassemblierung und der funktionellen Regulation⁵. Es wird auch mit bestimmten Proteinfehlfaltungskrankheiten in Verbindung gebracht, bei denen ein aberranter Austausch zur Bildung von Aggregaten oder Amyloidfibrillen führen kann.

Abbildung 1: Strukturelle Darstellung des 3D-Domain-Swappings. Die Darstellung veranschaulicht den Austausch identischer Strukturelemente zwischen zwei Proteinmonomeren über eine flexible Scharnierregion, was zur Bildung einer domänenvertauschten dimeren oder oligomeren Assemblierung führt . Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Basierend auf der Art der vertauschten Domänen und den daraus resultierenden oligomeren Strukturen wurden verschiedene Arten des 3D-Domänentauschs identifiziert⁶. Im Jahr 2002 identifizierten Eisenberg und ihr Kollege drei Arten von 3D-Domain-Swapping: Bonafide Domain Swapping (BDS), Quasi-Domain-Swapping (QDS) und Candidate for 3D Domain Swapping (CDS)⁷. Die häufigste Proteinklasse ist das Bona-Fide-Domain-Swapping. Es bezieht sich auf einen Zustand, in dem sowohl Dimer- als auch Monomermoleküle in stabiler Form vorliegen, wobei das Dimer eine domänenvertauschte Konfiguration annehmen soll, während das Monomer eine geschlossene Konfiguration annehmen soll. Beim Quasi-Domänentausch ist bekannt, dass ein Protein im oligomeren Zustand vorliegt, aber seine homologe Struktur ist bekanntermaßen im monomeren Zustand vorhanden. Bei CDS bestätigt es nur die Proteinklassifikation in den domänentauschten Kategorien, während strukturelle Informationen über beteiligte Monomere oder ihre monomeren Homologen nicht vorhanden sind⁸. Bei diesem Verfahren fehlen Monomere oder ihre monomeren Homologe; vielmehr sind heterologe Proteinmoleküle vorhanden. Tabelle 1 zeigt ein Beispiel für diese drei Kategorien⁹.

Tabelle 1: Arten von 3D-Domain-Swapping mit Beispiel. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Nachfolgende Studien zeigten zahlreiche domänentauschte Strukturen, die den Weg für das Verständnis des 3D-Domänentauschkonzepts ebneten. Der früheste strukturelle Beweis für dieses Phänomen wurde in dem Molekül des Cro-Repressorproteins aus dem Bakteriophagen λ beobachtet, das durch den Austausch seiner C-terminalen Stränge eine dimere Struktur bildet. Im Jahr 1996 fand der Forscher heraus, dass ein monomeres Cro-Molekül am 3D-Domänentausch beteiligt war¹⁰. Andere Struktur¹¹, wie z. B. βB2-Kristallin¹², humanes CksHs2¹³, Rinderleberkatalase¹⁴ und rekombinantes humanes Interleukin-5¹⁵, wurden ebenfalls als mögliche 3D-Domänentauschstrukturen beschrieben. Basierend auf der Position der vertauschten Domäne innerhalb der Proteinmoleküle wird der 3D-Domänentausch in drei Typen eingeteilt: C-terminaler Domänentausch, N-terminaler Domänentausch und der relativ seltene zentrale Domänentausch. Die Autoren verwenden ein vollständiges menschliches Genom, um einen Fall mit Domänentausch vorherzusagen. Sie verwenden Random Forest und Support Vector Machine als binäre Klassifikatoren mit einer Genauigkeit von 81,7 % bzw. 73,9 %. Fast 44 % der Proteinsequenz wurden im menschlichen Genom als 3D-Domänentausch vorhergesagt⁶. Die Anreicherungsanalyse wurde an vorhergesagten Fällen hinsichtlich ihrer Domänenverteilung, Krankheitsverteilung und funktionellen Annotation auf der Grundlage der Gene Ontology (GO) durchgeführt. Ein anderer Ansatz untersucht die vollständige genomweite Analyse von Ocimum tenuiforum unter Verwendung des Random Forest-Ansatzes und fand heraus, dass fast 25% der Proteinsequenzen in Ocimum tenuiforum voraussichtlich am 3D-Domain-Swapping beteiligt sind. Die Forscher führten auch eine funktionelle Annotation durch, indem sie die GO-Term-Assoziation und ihre Assoziation der Proteindomänenfamilie verwendeten, und fanden heraus, dass nur 1158 Sequenzen an abiotischem Stress beteiligt waren¹⁶.

Pflanzen weisen eine Vielzahl unterschiedlicher Proteinfamilien auf, wobei bestimmte Proteine für ihre Fähigkeit bekannt sind, strukturelle Umlagerungen zu durchlaufen, einschließlich des Austauschs von 3D-Domänen. Der 3D-Domänentausch kann biotische und abiotische Stressbedingungen durch die Produktion von Sekundärmetaboliten oder anderen biologisch relevanten Signalwegen beeinflussen, die mehrere pharmakologische Anwendungen haben; Daher stellen sie einen wichtigen Schwerpunkt für diese Untersuchung dar. Die Kristallstruktur von Wal1 zeigte eine domänentauschte dimere Konfiguration mit zwei Dimeren innerhalb der asymmetrischen Einheit und der strukturellen Umlagerung, die in Cystatin C gefunden wurde. Phytocystatine spielen eine wichtige Rolle bei abiotischem Stress und verbessern auch die Resistenz von Pflanzen. Insgesamt wurden 20.121 3D-Domänentausch-vorhergesagte Proteine aus der verfügbaren Literatur und aus verschiedenen relevanten Repositorien identifiziert, von denen 17.552 pflanzlichen Ursprungs und 2569 nicht-pflanzlichen Organismen sind^17,18.

In der Literatur wurden verschiedene weitere Beispiele für die Vorhersage des 3D-Domänentauschs verschiedener Pflanzen unter Verwendung eines maschinellen Lernansatzes berichtet. Wie Arabidopsis thaliana mit 33,7 % (4058 von 12.033 überprüften Sequenzen), Medicago truncatula 20,9 % (39 von 186 überprüften Sequenzen), Solanum tuberosum 36,5 % (146 von 400 überprüften Sequenzen), Solanum lycopersicum 25,5 % (108 von 423 überprüften Sequenzen) und Ocimum tenuiforum 15,5 % (5706 von 36841 überprüften Sequenzen)⁶. Computergestützte Methoden sind von unschätzbarem Wert für die Erforschung der strukturellen und funktionellen Aspekte von 3D-domänentauschenden Proteinen geworden. Diese Ansätze erleichtern die Vorhersage von Sequenzen auf der Grundlage der bestmöglichen Merkmale19, die Annotation und die Anreicherungsanalyse und bieten Einblicke in die grundlegenden molekularen Mechanismen. Die Vorhersage des 3D-Domänentauschs in verschiedenen Proteinsequenzen wurde mit Hilfe eines Support Vector Machine (SVM)-basierten Klassifikators erreicht. Dieser Ansatz wurde durch die Integration von Sequenz- und Strukturmerkmalen entwickelt, was zu einer Vorhersagegenauigkeit von 76,33 % auf dem Trainingsdatensatz und 73,81 % auf dem Testdatensatz führte, was sein Potenzial bei der Identifizierung von Domänentauschtendenzen in Proteinen^{anzeigt 20}. Der Hauptgrund für die Wahl von KNN gegenüber SVM ist, dass KNN einen viel einfacheren Trainingsprozess hat. Es muss nur ein Hauptparameter, K (es ist die Anzahl der nächsten Nachbarn, die bei einer Vorhersage berücksichtigt werden), gesetzt werden, während SVM eine sorgfältige Abstimmung mehrerer Parameter wie des Kernel-Typs C und des Gammas erfordert. Darüber hinaus kann KNN die Klassifizierung mehrerer Klassen einfacher handhaben, während SVM in der Regel komplexere Strategien benötigt, wie z. B. Eins-gegen-Eins-Strategien.

Maschinelles Lernen zur Vorhersage der Proteinstruktur
Die Vorhersage der Proteinstruktur beinhaltet die Rückschlüsse auf die dreidimensionale Form eines Proteins aus seiner FASTA-Sequenz. Die jüngsten Fortschritte auf diesem Gebiet wurden maßgeblich durch die Anwendung verschiedener Techniken des maschinellen Lernens auf evolutionäre Daten vorangetrieben^21,22. Frühe Ansätze zur Extraktion von Informationen aus koevolutionären Daten stützten sich auf Methoden des maschinellen Lernens. Neuere Strategien, insbesondere solche, die tiefe Restnetzwerke verwenden, haben jedoch eine überlegene Leistung bei der Vorhersage des potenziellen Ziels^{gezeigt 23}. Alphafold ist eine auf Deep Learning basierende Datenbank, während Rosetta ein physikbasiertes Energiefunktionswerkzeug ist. Diese Werkzeuge werden verwendet, um die vollständige atomare 3D-Struktur vorherzusagen, die an experimentelle Strukturen angenähert werden kann. Sie liefern nur Strukturkoordinaten mit atomarer Auflösung, aber diese Werkzeuge geben die 3D-Domänentauschereignisse nicht an. Im Gegensatz dazu ist der vorgeschlagene Ansatz kein vollständiger Prädiktor für die 3D-Struktur, sondern sagt nur voraus, ob ein Protein wahrscheinlich einen 3D-Domänentausch durchlaufen wird oder nicht^24,25.

Heilpflanzen werden seit Jahrhunderten als natürliche Ressource zur Vorbeugung und Behandlung verschiedener Krankheiten verwendet, die auf ihre bioaktiven Verbindungen zurückzuführen sind. Sie sind in der traditionellen Medizin unverzichtbar und tragen zur Entwicklung moderner Arzneimittel bei. Es wurden jedoch keine nennenswerten Arbeiten auf dem Gebiet des Austauschs von Proteindomänen von Heilpflanzen für die Wirkstoffforschung durchgeführt. Algorithmen, einschließlich maschinellem Lernen und ihren Ensemble-Modellen, erkennen Muster und Beziehungen in Sequenzdaten, um den 3D-Domänentausch vorherzusagen. Der Grund für die Auswahl der Heilpflanzen für diese Studie ist, dass sie die funktionelle Vielfalt eines Proteins in Pflanzen nachweisen können, die am 3D-Domänentausch beteiligt sind, was zum Verständnis der Stressreaktion, der Pathogenabwehr und der metabolischen Biosynthese führt. Die technischen Herausforderungen, die mit der Bestimmung des 3D-Domänenaustauschs von Proteinen in großer Zahl und komplexen, fortschrittlichen oligomeren Konformationen durch den Einsatz von NMR- oder Kristallographie-Techniken verbunden sind, unterstreichen die Notwendigkeit der Entwicklung fortschrittlicher computergestützter Ansätze.

Das übergeordnete Ziel der vorgeschlagenen Forschungsarbeit ist es, eine Berechnungsmethodik unter Verwendung von Random Forest (RF)²⁶ und K-nearest neighbor (KNN)²⁷ Algorithmen für ihre Aufgabe zur Vorhersage der Proteinsequenzstruktur und die vollständige genomweite Analyse von vertauschten Fällen in verschiedenen Heilpflanzensequenzen einzusetzen. Der Random Forest (RF) ist ein binärer Klassifikator. Es handelt sich um einen robusten und vielseitigen Algorithmus für maschinelles Lernen, der in der Proteinsequenzanalyse weit verbreitet ist. Es funktioniert durch die Konstruktion eines Ensembles von Entscheidungsbäumen (DT) und erreicht eine recht hohe Genauigkeit sowohl in den Trainings- als auch in den Testdatensätzen. Für Proteinsequenzierungsaufgaben kann RF eine Vielzahl von Merkmalen analysieren, darunter physikalisch-chemische Eigenschaften, Sequenzzusammensetzung, Sekundärstruktur und evolutionäre Informationen, die aus Sequenzausrichtungen oder -profilen abgeleitet werden. Es zeichnet sich durch die Verarbeitung großer, verrauschter Datensätze aus und bietet Metriken zur Wichtigkeit von Funktionen²⁸. Der K-Nearest Neighbors (KNN)-Klassifikator ist ein einfacher, aber effektiver Algorithmus für maschinelles Lernen, der in der Proteinsequenzanalyse weit verbreitet ist. Es funktioniert, indem es eine Eingabesequenz basierend auf der Mehrheitsklasse ihrer k nächsten Nachbarn im Merkmalsraum klassifiziert. In der Proteinsequenzanalyse kann KNN verwendet werden, um funktionelle Kategorien, strukturelle Eigenschaften und die subzelluläre Lokalisation vorherzusagen. Zu den Merkmalen für die KNN-Klassifizierung gehören häufig die Aminosäurezusammensetzung, Sequenzmotive, Evolutionsprofile oder physikalisch-chemische Attribute. KNN ist aufgrund seiner Einfachheit eine beliebte Wahl für die Proteinanalyse. Interpretierbarkeit und Effektivität machen es zu einem wertvollen Werkzeug für die Analyse von Proteinsequenzen²⁹. Zusammen bieten diese Algorithmen komplementäre Stärken und ermöglichen einen umfassenden Berechnungsrahmen für die Untersuchung des 3D-Domänentauschs in verschiedenen Heilpflanzensequenzen. Diese beiden Modelle sagen nur mögliche Fälle voraus, in denen es zu einem Domain-Swapping kommen kann. Es werden nicht die vollständigen 3D-Strukturkoordinaten vorhergesagt oder welches Teil oder welcher Rest besonders an diesem Prozess des Austauschs beteiligt ist. Dies ist Gegenstand weiterer Forschung, da die Identifizierung spezifischer Regionen oder Reste, die am Swapping beteiligt sind, zur Klärung des Mechanismus und der funktionalen Aspekte des 3D-Domain-Swapping events.3D Domain-Swapping eine Vielzahl strukturell unterschiedlicher Phänomene umfasst, wie z. B. Closed-Loop-Konfigurationen, Open-End-Swaps und andere Unterschiede, die unterschiedliche Scharnierregionen und Domänenarchitekturen umfassen. Vor diesem Hintergrund kategorisiert der vorgeschlagene Ansatz nur alle Arten von 3D-Domain-Swapping-Ereignissen unter einer einheitlichen Klassifikation. Diese Auswahl wurde ursprünglich durch die begrenzte Verfügbarkeit von annotierten Daten bestimmt, die eine bestimmte Klasse von 3D-Domain-Swapping spezifizieren können. Dies ist die erste Art von Versuchen mit verschiedenen auf Heilpflanzen basierenden Datensätzen, und wir sind der Meinung, dass die Unterscheidung zwischen verschiedenen Austauschmechanismen die Vorhersagegenauigkeit des Modells verbessern könnte.

Eine Anreicherungsanalyse in den Heilpflanzen hilft bei der Identifizierung wichtiger Gene, Proteine und Signalwege, die an der Synthese bioaktiver Verbindungen und der Stressreaktion beteiligt sind. Es gibt Einblicke in molekulare Mechanismen. Diese Analysen in Heilpflanzen untersuchen essentielle Gene, Proteine und biologische Prozesse, die mit der Synthese bioaktiver Chemikalien, der Stressresilienz und der Krankheitsresistenz verbunden sind. Die funktionelle Annotation ausgewählter Proteine, wie z.B. die Gen-Ontologie (GO) und die KEGG-Signalweganalyse, deckt molekulare Mechanismen auf, die der Produktion von Sekundärmetaboliten und Umweltstressreaktionen zugrunde liegen. Dieser Ansatz hilft wesentlich bei der Wirkstoffforschung, verbessert die Widerstandsfähigkeit von Pflanzen und klärt pflanzliche Stoffwechselwege für eine nachhaltige Landwirtschaft und medizinische Fortschritte auf.

Neue Beiträge der Studie
Diese Studie unterstreicht die Fähigkeiten des maschinellen Lernens, präzisere und effizientere Modelle zur Vorhersage von Proteinstrukturmustern in biologischen Datensätzen zu fördern.

Diese Forschung integriert neuartige Funktionen in Algorithmen des maschinellen Lernens und verbessert so deren Fähigkeit, Proteinfunktionen mit größerer Klarheit vorherzusagen. Solche Merkmale ermöglichen ein besseres Verständnis der Struktur-Funktions-Beziehungen von Proteinen und helfen bei der präziseren Proteingestaltung und -optimierung im Protein-Engineering.

Die Anreicherungsanalyse von vorhergesagten Proteinen hilft dabei, die wichtigsten biologischen Signalwege, zellulären Prozesse und molekularen Funktionen herauszufinden und bietet wertvolle Ziele für die Entdeckung von Biomarkern, das Design von Medikamenten und das Verständnis von Krankheitsmechanismen. Diese Analyse erhöht die Präzision bei pfadbasierten Interventionen und therapeutischen Zielidentifikationen.

Protokoll

HINWEIS: Dieses Segment bietet einen umfassenden Überblick über die vorgeschlagene Methodik, die sechs Hauptschritte umfasst: (a) Datenerfassung, (b) Merkmalsauswahl, (c) Datenvorverarbeitung, (d) Datennachbearbeitung, (e) Modellentwicklung, (f) Ergebnisbewertung des vorgeschlagenen Modells und (g) Anreicherungsanalyse auf verschiedenen Ebenen positiv vorhergesagter Sequenzen. Der Core i5-10500 ist ein Prozessor der 10. Generation, der in dieser Forschungsarbeit zum Einsatz kam. Er hat sechs Kerne und 12 Threads, mit einer Basisfrequenz von 3.10 GHz und einer maximalen Turbogeschwindigkeit von 4.50 GHz. Es ist mit 12 MB Intel Smart Cache ausgestattet, unterstützt DDR4-2666-Speicher und verfügt über UHD Graphics 630 für integrierte Grafik. Er wurde für effizientes Multitasking und Produktivität entwickelt, ist mit dem LGA 1200-Sockel kompatibel und arbeitet mit einer TDP von 65 W.

1. Datenerhebung

1. Use3d3dswap-pred (https://caps.ncbs.res.in/3dswap-pred/3dswap-pred.html) und 3DSwap+ (https://caps.ncbs.res.in/3Dswapplus/index.html)30³⁰ Ergänzende Tabelle 1, Ergänzende Tabelle 2, Ergänzende Datei 1, Ergänzende Datei 2). Verwenden Sie insgesamt 573 manuell kuratierte PDB-Einträge von 3D-Domain-Swapped-Molekülen, hauptsächlich aus Heilpflanzen.
2. Verwenden Sie die BRP-Methode (Best Representative Profile), um den negativen Datensatz zu konstruieren, indem Sie jeder Pfam-31-Proteinfamilie (http://pfam.xfam.org/) eine Best Representative Sequence (BRS) zuweisen. Durchsuchen Sie insgesamt 10.112 Struktursequenzen mit allen Pfam-BRPs unter Verwendung von HMMER³² (https://www.ebi.ac.uk/Tools/hmmer/) mit einem E-Wert-Schwellenwert von 0,001. Verarbeiten Sie die resultierende Sequenz mit DIAL, um strukturelle Domänen (https://bioinformaticshome.com/db/tool/DIAL) zu identifizieren. Schließen Sie 575 PDB-Einträge als negativen Datensatz ein (Training).
3. Enthalten sind 314 Proteinsequenzen, die mit der BRP-Methode abgeleitet wurden, und 261 manuell kuratierte, nicht 3D-domänenvertauschte Sequenzen, die von 3DSwap+ als negativer Datensatz identifiziert wurden.
4. Rufen Sie insgesamt 1.355 überprüfte Proteinsequenzeinträge aus verschiedenen Heilpflanzen aus UniProt³³ (https://www.uniprot.org/) ab. Schließen Sie 13 Heilpflanzen in diese Studie ein (Test-/Vorhersagedatensatz): Citrus sinensis (RS-102), Vitis vinifera (RS-226), Mentha (RS-28), Cannabis sativa (RS-21), Acorus clamus (RS-511), Coffea arabica (RS-104), Papaver somniferum (RS-58), Hibiskus (RS-88), Jasmin (RS-89), Thymian (RS-30), Thymus (RS-14), Illicium oligandrum (RS-72) und Citrus limon (RS-12). Der phylogenetische Baum ist in der ergänzenden Abbildung 1 dargestellt.

2. Verwenden der Funktion zur Modellerstellung

1. Nutzen Sie ein umfassendes Feature-Set mit 453 Funktionen zur Vorhersage von Proteinsequenzen in Heilpflanzen. Enthält 439 etablierte und 16 neuartige Spielfilme, die auf der Grundlage einer gründlichen Literaturrecherche sorgfältig ausgewählt wurden.
2. Verwenden Sie die AAindex-Datenbank³⁴(https://www.genome.jp/aaindex/), um die physikalisch-chemischen Eigenschaften von Aminosäuren zu bestimmen. Wenden Sie die WEKA³⁵ Machine Learning Platform (https://www.waikato.ac.nz/int/research/institutes-centres-entities/institutes/artificial-intelligence-institute/research/software/) für die Merkmalsauswahl an. In Tabelle 2 finden Sie die neu integrierten Funktionen.

Tabelle 2: Liste der neu hinzugefügten Funktionen mit ihren Beschreibungen. Diese Tabelle fasst die neuartigen Funktionen zusammen, die während der Merkmalsextraktionsphase entwickelt wurden, um die Modellleistung bei der Vorhersage von 3D-Domänentausch zu verbessern. Jedes Merkmal erfasst spezifische sequenzbasierte, physikalisch-chemische oder strukturelle Eigenschaften der Proteine, von denen angenommen wird, dass sie ihre Neigung zum Domänentausch beeinflussen. Detaillierte Beschreibungen werden bereitgestellt, um die biologische Relevanz und die rechnerische Ableitung jedes Merkmals zu verdeutlichen. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

3. Vor- und Nachbearbeitung von Daten

HINWEIS: Datenvorverarbeitung. Die Datenvorverarbeitung ist ein wesentlicher Schritt des maschinellen Lernens, bei dem Rohdaten für die Analyse vorbereitet werden. Dazu gehört auch die Bereinigung der Daten (z. B. Entfernen von Duplikaten, Umgang mit fehlenden Werten usw.).

1. Verwenden Sie die ergänzende Codierungsdatei 1 zum Kodieren kategorialer Variablen in numerische Form, die vier Hauptschritte umfasst: (1) Definieren von Score-Diktaten, (2) Verarbeiten der Fasta-Sequenz nach Seq I0. Parse, (3) Erstellen eines Datenrahmens, (4) numerische Analyse von 3D-Domänen-Swapped-Features.
2. Verfeinern und interpretieren Sie die Ausgabe des Modells durch Datennachbearbeitung. Kalibrieren Sie Vorhersagen neu, aggregieren Sie Ergebnisse und wenden Sie einen Schwellenwert für die Klassifizierung an. Klassifizieren Sie den bimodalen 3D-Domain-Swapping-Datensatz mit einem Schwellenwert β = 0,5 (Bereich 0-1), wie er von früheren Studien^{unterstützt wird 36,37,38}.
3. Partitionieren Sie das Dataset mit einer Trainings-Test-Aufteilung von 70:30, wobei 70 % für das Modelltraining und 30 % für die unabhängige Auswertung zugewiesen werden.
4. Standardisieren Sie die Trainingsdaten mit der Standardskalierungsmethode, um Merkmalswerte auf einen Mittelwert von 0 und eine Standardabweichung von 1 anzupassen und so eine bessere Kompatibilität mit Machine Learning-Schätzern zu gewährleisten. Führen Sie eine Merkmalsauswahl durch, um die wichtigsten Variablen zu identifizieren.
   HINWEIS: Die Standardisierung eines Datensatzes ist eine weit verbreitete Voraussetzung für viele Machine Learning-Algorithmen, um eine optimale Leistung zu gewährleisten. Daten, die weit von der Normalverteilung entfernt sind, können sich negativ auf die Leistung von Machine Learning-Modellen^{auswirken 39}.
5. Führen Sie eine Validierung durch. Um eine robuste und unverzerrte Modellbewertung zu gewährleisten, wurde auch eine K-fache Kreuzvalidierung implementiert Ergänzende Tabelle 3.
6. Unterteilen Sie das Dataset in K Teilmengen. Trainieren und evaluieren Sie das Modell iterativ mit K=5-Teilmengen, während Sie die verbleibende Teilmenge für unabhängige Tests verwenden.

4. Erstellung und Implementierung des Modells

1. Implementieren und optimieren Sie Random Forest (RF) und K-Nearest Neighbors (KNN)-Algorithmen, um die Vorhersageleistung zu optimieren. Trainieren, validieren und testen Sie die Modelle mit 573 und 575 Proteinsequenzen für das Training und 1.355 Proteinsequenzen für Tests.
2. Verwenden Sie ein Python-Skript (Supplementary Coding File 1), um numerische Merkmalswerte basierend auf der ausgewählten Proteinsequenz zu extrahieren. Speichern Sie diese numerischen Werte für beide Datensätze in CSV-Dateien und senden Sie sie an die RF- und KNN-Klassifikatoren zur Generierung von binären Klassifizierungsmodellen.
3. Verwenden Sie diese Modelle, um zwischen 3D-domänenvertauschten und nicht-3D-domänenvertauschten Proteinen zu unterscheiden. In Abbildung 2 und Abbildung 3 finden Sie das verallgemeinerte Framework zur Vorhersage des 3D-Domain-Swappings.
4. Wenden Sie Hyperparameter wie n_estimators=20, max_depth=4 und random_state=42 für das RF-Modell an.
5. Wenden Sie den Hyper-Parameter neighbors=5 für das KNN-Klassifikatormodell an.
   HINWEIS: Diese Parametereinstellungen wurden fein abgestimmt, um die Leistung der Modelle auf dem manuell kuratierten Heilpflanzendatensatz zu verbessern.

Abbildung 2: Illustrative schematische Darstellung. Die Darstellung zeigt die Machine-Learning-Modelle Random Forest und K-Nearest Neighbor (KNN) und zeigt ihre algorithmische Struktur und ihren funktionalen Arbeitsablauf im Kontext binärer Klassifizierungsaufgaben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 3: Auf maschinellem Lernen basierender Workflow. Das Diagramm veranschaulicht einen auf maschinellem Lernen basierenden Workflow zur Vorhersage des 3D-Domain-Swapping in medizinischen Pflanzenproteinen. Der Prozess beginnt mit der Datensatzerfassung, bei der die Benchmark- und Meta-Datensätze kombiniert werden. Bei der Merkmalsextraktion werden sowohl bestehende als auch neue Merkmale aus Proteinsequenzen abgeleitet. Bei der Vorverarbeitung von Datensätzen werden FASTA-Sequenzen mithilfe von Sequenzanalyse und Wörterbuchzuordnung in numerische Werte umgewandelt, um strukturierte Datenrahmen zu erstellen, einschließlich spezifischer 3D-Domain-Swap-Funktionen. Die Nachbearbeitung umfasst das Zuweisen des Domänentauschstatus mithilfe eines Schwellenwerts (β = 0,5), das Aufteilen von Daten in Trainings- und Testsätze (Verhältnis 70-30), das Standardisieren von Funktionen und das Durchführen der Merkmalsauswahl mit k-facher Validierung. Zwei Modelle des maschinellen Lernens, Random Forest (RF) und K-Nearest Neighbors (KNN), werden trainiert und ihre Leistung wird anhand von Modellmetriken zusammen mit AUROC und AUPRC bewertet, um die Vorhersagegenauigkeit und Robustheit zu bewerten . Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

5. Statische Bewertung und Modellbewertungen von ML-Klassifikatoren

1. Implementieren und optimieren Sie Random Forest (RF) und K-Nearest Neighbors (KNN)-Algorithmen, um die Vorhersageleistung zu optimieren. Trainieren, validieren und testen Sie die Modelle mit 573 und 575 Proteinsequenzen für das Training und 1.355 Proteinsequenzen für Tests.
   (1)
   (2)
   (3)
   (4)
   (5)
   (6)
   HINWEIS: Definieren Sie TP (True Positive) als den Prozentsatz der Sequenzen, die von den Modellen korrekt als domänenvertauscht vorhergesagt wurden. Definieren Sie TN (True Negative) als den Prozentsatz der Sequenzen, die korrekt als nicht domänenvertauscht vorhergesagt wurden. Definieren Sie False Positive (FP) als die Fälle, in denen Proteine, die nicht domänentauschbar sind, fälschlicherweise als domänentauscht vorhergesagt werden. Definieren Sie False Negative (FN) als die Fälle, in denen domänentauschende Proteine fälschlicherweise als nicht domänentauscht vorhergesagt werden.
2. Berechnen Sie X_sen als das Verhältnis der richtig positiven Ergebnisse, die genau identifiziert wurden, und X_spe als das Verhältnis der richtig negativen Ergebnisse, die vom Modell korrekt identifiziert wurden.
   HINWEIS: Verwenden Sie MCC, um die Qualität binärer Klassifizierungen zu bewerten, indem Sie Richtig Positive, Richtig Negative, Falsch Positive und Falsch Negative aus der Konfusionsmatrix analysieren.
3. Compute Accuracy (ACC), um den Anteil der richtigen Vorhersagen an den Gesamtvorhersagen zu messen.
   HINWEIS: Die Genauigkeit wertet einen Anteil korrekt identifizierter positiver Ergebnisse unter allen vorhergesagten positiven Ergebnissen aus, während der F1-Score das harmonische Mittel aus Präzision und Empfindlichkeit ist, wobei falsch positive und falsch negative Ergebnisse ausgeglichen werden.
4. Verwenden Sie AUC, um die Leistung von Klassifikationsmodellen in binären Klassifizierungsaufgaben zu bewerten. Berechnen Sie AUC (Area Under the Curve) mit der Scikit-learn Python-Bibliothek⁴⁰, basierend auf positiv und negativ klassifizierten Proteinen.
5. Verwenden Sie die Testdaten, um diese Parameter auszuwerten.

6. Implementierung eines Modells zur Vorhersage des 3D-Domain-Swapping auf verschiedenen Heilpflanzenarten

1. Wenden Sie RF und KNN auf insgesamt 1.355 überprüfte Sequenzen (Vorhersagedatensatz) von 13 verschiedenen Heilpflanzen an, darunter Citrus sinensis, Mentha, Vitis vinifera, Thymian, Thymus vulgaris, Jasmin, Hibiskus, Papaver somniferum, Illicium oligandrum, Citrus limon, Acorus calamus, Cannabis sativa und Coffea arabica.
   HINWEIS: Diese Proteine werden mit verschiedenen Funktionen wie Citrus sinensis, Mentha und Thymian bei Verdauungsstörungen in Verbindung gebracht. Vitis vinifera, Jasmin, Hibiskus sind eine sehr reiche Quelle an Antioxidantien und verbessern auch die Gesundheit der Haut. Illicium oligandrum ist bekannt für seine antimykotischen und antibakteriellen Eigenschaften usw.

7. Anreicherungsuntersuchung von positiv vorhergesagten 3D-Domain-Swapped-Proteinen aus Heilpflanzen

1. Ordnen Sie die Zugangscodes dieser Proteinsequenzen mit Daten von UniProt zu sekundären Metabolitenkategorien ab.
2. Extrahieren Sie die Gen-ID aus vorhergesagten Sequenzen.
3. Öffnen Sie den KEGG Online-Webserver⁴¹ (https://www.genome.jp/kegg/), um eine Analyse der KEGG-Signalanreicherung durchzuführen, indem Sie die individuelle Gen-ID oder den Proteinnamen einfügen, um die jeweiligen Signalwege zu überprüfen.
4. Führen Sie eine vergleichende Analyse durch, indem Sie die vorhergesagten 3D-Domänentauschproteine mit einem Vorhersagedatensatz vergleichen, um eine statistisch signifikante Überrepräsentation bestimmter Gen-Ontologie-Begriffe (GO) und biologischer Signalwege zu erkennen. Fügen Sie die Gen-ID der vorhergesagten Sequenz in ShinyGO v0.7⁴² (https://bioinformatics.sdstate.edu/go74/) ein und wählen Sie die gewünschte Funktion oder Signalwegkategorie aus (biologische Funktion, zelluläre Komponente, molekulare Funktion, KEGG, etc.).
   ANMERKUNG: Visualisieren Sie diese Anmerkungen mit einer Online-Cloud-basierten Plattform⁴³ , die es Benutzern ermöglicht, Python-Code zu schreiben und auszuführen.

Ergebnisse

Proteine, die einen 3D-Domänentausch aufweisen, sind häufig mit einer Vielzahl biologischer Funktionen verbunden. Eine systematische, genomweite Analyse von Proteinsequenzen, die am 3D-Domänentausch beteiligt waren, ist jedoch noch weitgehend unerforscht. In dieser Studie haben wir eine erste Untersuchung durchgeführt, um mutmaßlich 3D-Domänen-swapped-Proteine aus 13 Heilpflanzen vorherzusagen, wobei wir uns auf ihre Assoziation mit sekundären Metabolitendomänen, KEGG-Signalwegen und Begriffen der Genontologie (GO) konze...

Diskussion

Das Verständnis des 3D-Domänentauschs in Proteinen über ihr gesamtes Genom hinweg ist in verschiedenen Bereichen von großer Bedeutung. Ansätze des maschinellen Lernens, insbesondere Random Forest und K-nächster Nachbar^26,27, wurden eingesetzt, um den 3D-Domänentausch direkt aus Proteinsequenzdaten auf Genomebene vorherzusagen. Diese beiden ML-Modelle umfassen verschiedene Schritte wie die Sammlung von Datensätzen, die Auswahl von...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
3DSwap+			https://caps.ncbs.res.in/3Dswapplus/index.html
Pfam	EMBL-EBI		http://pfam.xfam.org/:
HMMER	EMBL-EBI		;
Aaindex			https://www.genome.jp/aaindex/:
DIAL	Bioinformaticshome.com		https://bioinformaticshome.com/db/tool/DIAL:
WEKA	Die Universität von Wekato		https://www.waikato.ac.nz/int/research/institutes-centres-entities/institutes/artificial-intelligence-institute/research/software/
KEGG			https://www.genome.jp/kegg/ :
ShinyGO			https://bioinformatics.sdstate.edu/go/ :
uniprot	Uniprot		https://www.uniprot.org/ :