Articolo metodologico

Previsione dell'apprendimento automatico delle proteine di scambio di domini 3D nelle piante medicinali

DOI:

10.3791/68519

⸱

15 agosto 2025

 , 
1Thapar Institute of Engineering and Technology

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio esamina le proteine coinvolte o che si prevede siano coinvolte nello scambio di domini 3D da vari genomi di piante medicinali. Impiega modelli di apprendimento automatico per prevedere con precisione le proteine 3D che scambiano dominio e anticipare le loro funzioni e la loro rilevanza per la produzione di metaboliti secondari.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lo scambio di domini 3D è un fenomeno strutturale proteico in cui due o più subunità proteiche si scambiano subunità strutturali identiche e formano oligomeri. Le proteine che mostrano lo scambio di domini 3D svolgono un ruolo cruciale in varie funzioni biologiche, come la biosintesi dei metaboliti secondari e nel far fronte a diversi stress biotici e abiotici nelle piante medicinali. Questo studio indaga la capacità di prevedere modelli di scambio di domini 3D tra i genomi delle piante medicinali utilizzando modelli casuali di classificazione di foreste e K-nearest neighbor, dimostrando precisioni rispettivamente del 91,6% e dell'88,7%. Si prevede che un totale di 420 (31%) sequenze siano presumibilmente coinvolte nello scambio di domini 3D. È stata inoltre condotta un'indagine sull'arricchimento delle sequenze proteiche 3D scambiate in 3D da varie piante medicinali per l'annotazione delle funzioni basata sui termini dell'ontologia genica (GO), sull'analisi delle vie dell'Enciclopedia dei geni e dei genomi (KEGG) di Kyoto e sulla loro distribuzione dei domini nelle vie di biosintesi dei metaboliti secondari. L'annotazione funzionale delle sequenze previste deduce che le sequenze scambiate di dominio 3D erano coinvolte in diverse funzioni molecolari come il trasporto fotosintetico di elettroni nel sistema fotografico II e i trasportatori di elettroni, il trasferimento di elettroni all'interno della via di trasporto ciclico degli elettroni dell'attività fotosintetica, la fosforilazione ossidativa e la regolazione genica degli stress ambientali (biotici e abiotici) sintetizzando metaboliti secondari (terpenoidi, alcaloidi e poliammine). Questi risultati sottolineano la capacità dell'apprendimento automatico di prevedere il coinvolgimento delle proteine nel fenomeno dello scambio di domini 3D, la loro rispettiva funzione e il loro potenziale per facilitare la scoperta di farmaci e le iniziative di bioingegneria.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

I metodi computazionali hanno rivoluzionato la ricerca sulle proteine consentendo analisi dettagliate e previsioni sulle strutture, le funzioni e le interazioni delle proteine. L'identificazione e l'annotazione precise delle funzioni delle proteine sono essenziali per svelare i meccanismi molecolari della vita e rivestono una profonda importanza per i progressi nella medicina e nello sviluppo di farmaci. Tuttavia, la complessità intrinseca e il costo dei metodi sperimentali limitano la loro scalabilità per accogliere i dati di grandi sequenze. Di conseguenza, lo sviluppo di metodi computazionali per la previsione della funzione delle proteine è emerso come un'area fondamentale nella biologia computazionale e molecolare, colmando questa lacuna attraverso approcci innovativi su larga scala1.

Lo scambio di domini 3D2 è un fenomeno strutturale nelle proteine in cui segmenti di una struttura condivisa vengono scambiati tra singole catene. Nel 1994, la documentazione introduttiva sul meccanismo dello scambio di domini 3D è stata trovata nel dimero3 della tossina difterica. Tuttavia, i principi fondamentali dello scambio di domini 3D possono essere fatti risalire a quattro decenni fa. È stato osservato che la ribonucleasi A pancreatica bovina (RNasi A) forma dimeri durante la liofilizzazione in acido acetico, attraverso sofisticati esperimenti di modificazione chimica4. Nell'oligomerizzazione proteica, due o più catene proteiche scambiano elementi strutturali identici attraverso regioni cerniera flessibili. La porzione della proteina scambiata tra le subunità monomeriche è indicata come dominio scambiato, che può consistere in un intero dominio globulare, un loop o un elemento strutturale secondario in alcune proteine. Al contrario, le regioni che rimangono invariate nelle loro posizioni originali all'interno dei monomeri sono chiamate domini non scambiati5. Un accoppiamento tra domini non scambiati è definito come un'interfaccia di dominio non scambiata (NSDI) mostrata nella Figura 1. Nello scambio di domini 3D, la relazione tra il dominio non scambiato di una subunità proteica e il dominio già scambiato di un'altra subunità è indicata come interfaccia del dominio scambiato (SDI). Un altro aspetto significativo di questo fenomeno è la regione cerniera, un segmento di linker flessibile che collega i domini non scambiati e scambiati. Questa regione cerniera svolge una funzione essenziale nell'aiutare il movimento dello scambio di dominio 3D e funge da interruttore conformazionale, consentendo la riconfigurazione strutturale necessaria per lo scambio di dominio. Lo scambio di domini 3D è stato implicato in vari processi biologici, tra cui l'assemblaggio delle proteine e la regolazione funzionale5. È anche associato ad alcune malattie da misfolding proteico, in cui lo scambio aberrante può portare alla formazione di aggregati o fibrille amiloidi.

figure-introduction-1
Figura 1: Rappresentazione strutturale del 3D domain-swapping. La rappresentazione illustra lo scambio di elementi strutturali identici tra due monomeri proteici attraverso una regione cerniera flessibile, con conseguente formazione di un assemblaggio dimerico o oligomerico scambiato di dominio Fare clic qui per visualizzare una versione più grande di questa figura.

Sono stati identificati diversi tipi di scambio di domini 3D in base alla natura dei domini scambiati e alle strutture oligomeriche risultanti6. Nel 2002, Eisenberg e il loro collega hanno identificato tre tipi di scambio di domini 3D: Bonafide domain swapping (BDS), quasi-domain swapping (QDS) e candidato per lo scambio di domini 3D (CDS)7. La classe di proteine più comune è lo scambio di domini in buona fede. Si riferisce a uno stato in cui sia le molecole di dimero che quelle di monomero sono presenti in una forma stabile, in cui si suppone che il dimero adotti una configurazione a scambio di dominio mentre il monomero dovrebbe adottare una configurazione chiusa. Nel quasi domain swapping, è nota la presenza di una proteina nello stato oligomerico, ma la sua struttura omologa è nota per essere presente nello stato monomerico. Nella CDS, conferma solo la classificazione delle proteine nelle categorie scambiate di dominio, mentre l'informazione strutturale dei monomeri coinvolti o dei loro omologhi monomerici non è presente8. In questa procedura, i monomeri o i loro omologhi monomerici sono assenti; piuttosto, sono presenti molecole proteiche eterologhe. La tabella 1 mostra un esempio di queste tre categorie9.

Tabella 1: Tipi di scambio di domini 3D con esempio. Clicca qui per scaricare questa tabella.

Studi successivi hanno rivelato numerose strutture scambiate di dominio, aprendo la strada alla comprensione del concetto di scambio di dominio 3D. La prima prova strutturale a sostegno di questo fenomeno è stata osservata nella molecola della proteina repressore Cro del batteriofago λ, che forma una struttura dimerica attraverso lo scambio dei suoi filamenti C-terminali. Nel 1996 il ricercatore ha scoperto che la molecola monomerica di Cro era coinvolta nello scambio di domini 3D10. Altre strutture11, come la βB2-cristallina12, la CksHs213 umana, la catalasi14 del fegato di manzo e l'interleuchina-515 umana ricombinante, sono state riportate come possibili strutture 3D con scambio di dominio. Sulla base della posizione del dominio scambiato all'interno delle molecole proteiche, lo scambio di domini 3D è classificato in tre tipi: scambio di domini C-terminali, scambi di domini N-terminali e scambi di domini centrali relativamente rari. Gli autori utilizzano un genoma umano completo per prevedere un caso di scambio di dominio. Usano Random Forest e Support Vector Machine come classificatori binari con precisioni rispettivamente dell'81,7% e del 73,9%. Quasi il 44% della sequenza proteica è stato previsto come dominio 3D scambiato nel genoma umano6. L'analisi dell'arricchimento è stata effettuata su casi predetti per la loro distribuzione di dominio, distribuzione di malattia e annotazione funzionale basata sull'ontologia genica (GO). Un altro approccio studia l'analisi completa dell'intero genoma di Ocimum tenuiforum utilizzando l'approccio della foresta casuale e ha scoperto che quasi il 25% delle sequenze proteiche in Ocimum tenuiforum sono previste per essere coinvolte nello scambio di domini 3D. I ricercatori eseguono anche l'annotazione funzionale utilizzando l'associazione del termine GO e l'associazione della famiglia del dominio proteico e hanno scoperto che solo 1158 sequenze erano coinvolte nello stress abiotico16.

Le piante dimostrano una varietà di famiglie proteiche distintive, con proteine specifiche riconosciute per la capacità di subire riarrangiamenti strutturali, incluso lo scambio di domini 3D. Lo scambio di domini 3D può influenzare condizioni di stress biotico e abiotico con la produzione di metaboliti secondari o altre vie biologicamente rilevanti che hanno diverse applicazioni farmacologiche; pertanto, forniscono un focus significativo per questa indagine. La struttura cristallina di Wal1 ha dimostrato una configurazione dimero a dominio scambiato, con due dimeri all'interno dell'unità asimmetrica e il riarrangiamento strutturale trovato nella cistatina C. Le fitocistatine svolgono un ruolo significativo nello stress abiotico e migliorano anche la resistenza delle colture. Un totale di 20.121 proteine predette scambiate in domini 3D sono state identificate dalla letteratura disponibile e da vari archivi pertinenti, di cui 17.552 sono di origine vegetale e 2569 provengono da organismi non vegetali17,18.

In letteratura, sono stati riportati vari altri esempi di previsione dello scambio di domini 3D di diversi impianti utilizzando un approccio di apprendimento automatico. Come Arabidopsis thaliana che mostra il 33,7% (4058 su 12.033 sequenze esaminate), Medicago truncatula il 20,9% (39 su 186 sequenze esaminate), Solanum tuberosum il 36,5% (146 su 400 sequenze esaminate), Solanum lycopersicum il 25,5% (108 su 423 sequenze esaminate) e Ocimum tenuiforum il 15,5% (5706 su 36841 sequenze esaminate)6. I metodi computazionali sono diventati preziosi nell'esplorazione degli aspetti strutturali e funzionali delle proteine scambiate con domini 3D. Questi approcci facilitano la previsione delle sequenze sulla base delle migliori caratteristiche possibili19, dell'annotazione e dell'analisi dell'arricchimento, offrendo approfondimenti sui meccanismi molecolari fondamentali. La previsione dello scambio di domini 3D in varie sequenze proteiche è stata realizzata utilizzando un classificatore basato su VMC (Support Vector Machine). Questo approccio è stato sviluppato integrando la sequenza e le caratteristiche strutturali, ottenendo un'accuratezza di previsione del 76,33% sul set di dati di addestramento e del 73,81% sul set di dati di test, il che significa il suo potenziale nell'identificare le tendenze di scambio di dominio nelle proteine20. Il motivo principale per scegliere KNN rispetto a SVM è che KNN ha un processo di formazione molto più semplice. Ha bisogno di un solo parametro principale, K (è il numero di vicini più prossimi considerati quando si effettua una previsione), per essere impostato, mentre SVM richiede un'attenta messa a punto di diversi parametri come il tipo di kernel, C e gamma. Inoltre, KNN gestisce più facilmente la classificazione multiclasse, mentre SVM di solito richiede strategie più complesse, come le strategie uno contro uno.

Apprendimento automatico per la previsione strutturale delle proteine
La previsione della struttura delle proteine implica l'inferenza della forma tridimensionale di una proteina dalla sua sequenza FASTA. I recenti progressi in questo campo sono stati significativamente guidati dall'applicazione di varie tecniche di apprendimento automatico ai dati evolutivi21,22. I primi approcci per estrarre informazioni da dati co-evolutivi si basavano su metodi di apprendimento automatico. Tuttavia, le strategie più recenti, in particolare quelle che utilizzano reti residue profonde, hanno dimostrato prestazioni superiori nella previsione del potenziale obiettivo23. Alphafold è un database basato sul deep learning, mentre Rosetta è uno strumento di funzione energetica basato sulla fisica. Questi strumenti vengono utilizzati per prevedere l'intera struttura atomica 3D che può essere approssimata alle strutture sperimentali. Forniscono solo coordinate strutturali a risoluzione atomica, ma questi strumenti non specificano gli eventi di scambio di dominio 3D. Al contrario, l'approccio suggerito non è un predittore completo della struttura 3D, ma prevede solo se è probabile che una proteina subisca o meno lo scambio di domini 3D24,25.

Le piante medicinali sono state utilizzate per secoli come risorse naturali per la prevenzione e il trattamento di varie malattie, attribuite ai loro composti bioattivi. Sono essenziali nella medicina tradizionale e contribuiscono allo sviluppo dei moderni farmaci. Tuttavia, non è stato svolto alcun lavoro significativo nel campo dello scambio di domini proteici di piante medicinali per la scoperta di farmaci. Gli algoritmi, tra cui l'apprendimento automatico e i relativi modelli d'insieme, riconoscono modelli e relazioni nei dati di sequenza per prevedere lo scambio di domini 3D. Il motivo alla base della scelta delle piante medicinali per questo studio è che è in grado di rilevare la diversità funzionale di una proteina nelle piante coinvolte nello scambio di domini 3D, con conseguente comprensione della risposta allo stress, della difesa dei patogeni e della biosintesi metabolica. Le sfide tecniche associate alla determinazione dello scambio di domini 3D delle proteine in grandi numeri e delle conformazioni oligomeriche complesse e avanzate utilizzando tecniche NMR o cristallografia evidenziano la necessità di sviluppare approcci computazionali avanzati.

L'obiettivo generale del lavoro di ricerca proposto è quello di impiegare una metodologia computazionale utilizzando gli algoritmi Random Forest (RF)26 e K-nearest neighbor (KNN)27 per il loro compito di previsione della struttura della sequenza proteica e l'analisi completa dell'intero genoma di casi scambiati in varie sequenze di piante medicinali. La Random Forest (RF) è un classificatore binario; È un algoritmo di apprendimento automatico robusto e versatile ampiamente utilizzato nell'analisi delle sequenze proteiche. Funziona costruendo un insieme di alberi decisionali (DT) e raggiunge un'accuratezza piuttosto elevata sia nei set di dati di addestramento che in quelli di test. Per le attività di sequenza proteica, la RF può analizzare una varietà di caratteristiche, tra cui le proprietà fisico-chimiche, la composizione della sequenza, la struttura secondaria e le informazioni evolutive derivate da allineamenti o profili di sequenza. Eccelle nella gestione di set di dati grandi e rumorosi e fornisce metriche di importanza delle funzionalità28. Il classificatore K-Nearest Neighbors (KNN) è un algoritmo di apprendimento automatico semplice ma efficace ampiamente applicato nell'analisi delle sequenze proteiche. Funziona classificando una sequenza di input in base alla classe maggioritaria dei suoi k vicini più prossimi nello spazio delle funzionalità. Nell'analisi delle sequenze proteiche, KNN può essere utilizzato per prevedere categorie funzionali, proprietà strutturali e localizzazione subcellulare. Le caratteristiche per la classificazione KNN spesso includono la composizione degli amminoacidi, i motivi di sequenza, i profili evolutivi o gli attributi fisico-chimici. KNN è una scelta popolare per l'analisi delle proteine grazie alla sua semplicità; L'interpretabilità e l'efficacia lo rendono uno strumento prezioso per l'analisi delle sequenze proteiche29. Insieme, questi algoritmi forniscono punti di forza complementari, consentendo un quadro computazionale completo per lo studio dello scambio di domini 3D in varie sequenze di piante medicinali. Questi due modelli prevedono solo possibili casi che potrebbero subire lo scambio di domini; non prevede le coordinate strutturali 3D complete o quale parte o residuo è particolarmente coinvolto in questo processo di scambio. Si tratta di una questione di ulteriori ricerche, in quanto l'identificazione di regioni o residui specifici coinvolti nello scambio per chiarire il meccanismo e gli aspetti funzionali dello scambio di dominio 3D events.3D lo scambio di domini comprende una varietà di fenomeni strutturalmente distinti, come configurazioni a circuito chiuso, scambi aperti e altre differenze che includono diverse regioni cerniera e architetture di dominio. Alla luce di ciò, l'approccio suggerito categorizza solo tutti i tipi di eventi di scambio di dominio 3D in una classificazione unificata. Questa selezione è stata inizialmente guidata dalla disponibilità limitata di dati annotati in grado di specificare una particolare classe di scambio di domini 3D. Questo è il primo tipo di tentativi su vari set di dati basati su piante medicinali e riteniamo che distinguere tra diversi meccanismi di scambio potrebbe migliorare l'accuratezza predittiva del modello.

Un'analisi di arricchimento nelle piante medicinali aiuta a identificare geni, proteine e percorsi chiave coinvolti nella sintesi di composti bioattivi e nella risposta allo stress. Fornisce informazioni sui meccanismi molecolari. Queste analisi sulle piante medicinali studiano geni essenziali, proteine e processi biologici associati alla sintesi di sostanze chimiche bioattive, alla resilienza allo stress e alla resistenza alle malattie. L'annotazione funzionale di proteine selezionate, come l'ontologia genica (GO) e l'analisi del percorso KEGG, scopre i meccanismi molecolari alla base della produzione di metaboliti secondari e delle risposte allo stress ambientale. Questo approccio aiuta in modo sostanziale nella scoperta di farmaci, migliora la resilienza delle colture e chiarisce le vie metaboliche delle piante per un'agricoltura sostenibile e progressi medicinali.

Nuovi contributi dello studio
Questo studio evidenzia le capacità dell'apprendimento automatico di promuovere modelli più precisi ed efficienti per prevedere i modelli strutturali delle proteine nei set di dati biologici.

Questa ricerca integra nuove funzionalità negli algoritmi di apprendimento automatico, migliorando la loro capacità di prevedere le funzioni proteiche con maggiore chiarezza. Tali caratteristiche forniscono una migliore comprensione delle relazioni struttura-funzione delle proteine, aiutando una progettazione e un'ottimizzazione più precise delle proteine nell'ingegneria proteica.

L'analisi dell'arricchimento delle proteine previste aiuta a scoprire i principali percorsi biologici, il processo cellulare e le funzioni molecolari, fornendo obiettivi preziosi per la scoperta di biomarcatori, la progettazione di farmaci e la comprensione dei meccanismi della malattia. Questa analisi migliora la precisione degli interventi basati sui percorsi e nell'identificazione dei bersagli terapeutici.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

NOTA: Questo segmento fornisce una descrizione completa della metodologia suggerita, che comprende sei fasi principali: (a) raccolta dei dati, (b) selezione delle caratteristiche, (c) pre-elaborazione dei dati, (d) post-elaborazione dei dati (e) sviluppo del modello (f) valutazione dei risultati del modello proposto e, (g) analisi dell'arricchimento a diversi livelli di sequenze previste positivamente. Il Core i5-10500 è un processore di 10a generazione che è stato utilizzato in questo lavoro di ricerca. Il processore dispone di sei core e 12 thread, con una frequenza di base di 3,10 GHz e una velocità turbo massima di 4,50 GHz. È dotato di 12 MB di Intel Smart Cache, supporta la memoria DDR4-2666 e include UHD Graphics 630 per immagini integrate. Costruito per un multitasking e una produttività efficienti, è compatibile con la presa LGA 1200 e funziona con un TDP di 65 W.

1. Raccolta dei dati

  1. Use3D3Dswap-pred (https://caps.ncbs.res.in/3dswap-pred/3dswap-pred.html) e 3DSwap+ (https://caps.ncbs.res.in/3Dswapplus/index.html)3030 Tabella supplementare 1, Tabella supplementare 2, File supplementare 1, File supplementare 2). Utilizza un totale di 573 voci PDB curate manualmente di molecole 3D scambiate di dominio, principalmente da piante medicinali.
  2. Utilizzare il metodo del miglior profilo rappresentativo (BRP) per costruire il set di dati negativo assegnando una sequenza del miglior rappresentante (BRS) a ciascuna famiglia di proteine Pfam31 (http://pfam.xfam.org/). Cerca un totale di 10.112 sequenze strutturali rispetto a tutti i BRP Pfam utilizzando HMMER32 (https://www.ebi.ac.uk/Tools/hmmer/) con una soglia del valore E di 0,001. Elaborare la sequenza risultante utilizzando DIAL per identificare i domini strutturali (https://bioinformaticshome.com/db/tool/DIAL). Includere 575 voci PDB come set di dati negativi (training).
  3. Include 314 sequenze proteiche derivate attraverso il metodo BRP e 261 sequenze non 3D scambiate di dominio curate manualmente identificate da 3DSwap+ come set di dati negativi.
  4. Recupera un totale di 1.355 voci di sequenza proteica riviste da varie piante medicinali da UniProt33 (https://www.uniprot.org/). Includi 13 piante medicinali in questo studio (set di dati di test/previsione): 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), Ibisco (RS-88), Gelsomino (RS-89), Timo (RS-30), Timo (RS-14), Illicium oligandrum (RS-72) e Citrus limon (RS-12). L'albero filogenetico è riportato nella Figura 1 supplementare.

2. Utilizzo della funzione per la creazione del modello

  1. Utilizza un set completo di funzionalità che comprende 453 funzionalità per prevedere le sequenze proteiche nelle piante medicinali. Includi 439 lungometraggi consolidati e 16 nuovi lungometraggi, accuratamente selezionati sulla base di un'approfondita revisione della letteratura.
  2. Utilizzare il database AAindex34(https://www.genome.jp/aaindex/) per determinare le proprietà fisico-chimiche degli amminoacidi. Applicare la piattaforma di Machine Learning WEKA35 (https://www.waikato.ac.nz/int/research/institutes-centres-entities/institutes/artificial-intelligence-institute/research/software/) per la selezione delle funzionalità. Fare riferimento alla Tabella 2 per le nuove funzioni incorporate.

Tabella 2: Elenco delle nuove funzionalità aggiunte insieme alle relative descrizioni. Questa tabella riepiloga le nuove funzionalità progettate durante la fase di estrazione delle funzionalità per migliorare le prestazioni del modello nella previsione dello scambio di domini 3D. Ogni caratteristica cattura specifiche proprietà basate sulla sequenza, fisico-chimiche o strutturali delle proteine che si ipotizza influenzino la loro propensione allo scambio di dominio. Vengono fornite descrizioni dettagliate per chiarire la rilevanza biologica e la derivazione computazionale di ciascuna caratteristica. Clicca qui per scaricare questa tabella.

3. Pre e post-elaborazione dei dati

NOTA: Pre-elaborazione dei dati. La pre-elaborazione dei dati è un passaggio essenziale dell'apprendimento automatico che prevede la preparazione di dati grezzi per l'analisi. Ciò include la pulizia dei dati (ad esempio, la rimozione di duplicati, la gestione dei valori mancanti, ecc.).

  1. Utilizzare il file di codifica supplementare 1 per codificare le variabili categoriali in forma numerica, che include quattro passaggi principali: (1) definire i dettati del punteggio, (2) elaborare la sequenza fasta in base alla seq I0. analizzare, (3) creare un frame di dati, (4) analisi numerica di funzionalità 3D scambiate di dominio.
  2. Perfeziona e interpreta l'output del modello attraverso la post-elaborazione dei dati. Ricalibrare le previsioni, aggregare i risultati e applicare una soglia per la classificazione. Classificare il set di dati bimodale di scambio di domini 3D utilizzando un valore di soglia β = 0,5 (intervallo 0-1), come supportato da studi precedenti 36,37,38.
  3. Partizionare il set di dati con una suddivisione 70:30 tra treno e test, allocando il 70% per l'addestramento del modello e il 30% per la valutazione indipendente.
  4. Standardizza i dati di addestramento utilizzando il metodo Standard Scaler per regolare i valori delle funzionalità su una media di 0 e una deviazione standard di 1, garantendo una migliore compatibilità con gli stimatori di machine learning. Conduci la selezione delle funzionalità per identificare le variabili di maggior impatto.
    NOTA: la standardizzazione di un set di dati è un prerequisito ampiamente utilizzato per molti algoritmi di apprendimento automatico per garantire prestazioni ottimali. I dati lontani dalla normale distribuzione possono influire negativamente sulle prestazioni dei modelli di apprendimento automatico39.
  5. Fai la convalida. Per garantire una valutazione solida e imparziale del modello, è stata implementata anche la convalida incrociata K-fold Tabella supplementare 3.
  6. Partizionare il set di dati in K sottoinsiemi. Addestrare e valutare il modello in modo iterativo su sottoinsiemi K=5 utilizzando il sottoinsieme rimanente per test indipendenti.

4. Creazione e implementazione del modello

  1. Implementa e ottimizza gli algoritmi Random Forest (RF) e K-Nearest Neighbors (KNN) per ottimizzare le prestazioni predittive. Addestra, convalida e testa i modelli utilizzando 573 e 575 sequenze proteiche per l'addestramento e 1.355 sequenze proteiche per il test.
  2. Utilizzare uno script Python (Supplementary Coding File 1) per estrarre i valori numerici delle caratteristiche in base alla sequenza proteica selezionata. Salvare questi valori numerici per entrambi i set di dati in file CSV e inviarli ai classificatori RF e KNN per la generazione di modelli di classificazione binaria.
  3. Utilizza questi modelli per distinguere tra proteine con scambio di dominio 3D e proteine con scambio di dominio non 3D. Fare riferimento alla Figura 2 e alla Figura 3 per il framework generalizzato per la previsione dello scambio di domini 3D.
  4. Applicare parametri ipermetrici come n_estimators=20, max_depth=4 e random_state=42 per il modello RF.
  5. Applicare l'iperparametro neighbors=5 per il modello di classificatore KNN.
    NOTA: queste impostazioni dei parametri sono state ottimizzate per migliorare le prestazioni dei modelli sul set di dati delle piante medicinali curato manualmente.

figure-protocol-1
Figura 2: Rappresentazione schematica illustrativa. La rappresentazione mostra i modelli di apprendimento automatico Random Forest e K-Nearest Neighbor (KNN), mostrando la loro struttura algoritmica e il flusso di lavoro funzionale nel contesto delle attività di classificazione binaria Fare clic qui per visualizzare una versione più grande di questa figura.

figure-protocol-2
Figura 3: Flusso di lavoro basato sull'apprendimento automatico. Il diagramma illustra un flusso di lavoro basato sull'apprendimento automatico per prevedere lo scambio di domini 3D nelle proteine delle piante medicinali. Il processo inizia con l'acquisizione del set di dati, combinando il benchmark e i meta set di dati. L'estrazione delle caratteristiche comporta la derivazione di caratteristiche esistenti e nuove dalle sequenze proteiche. Nella pre-elaborazione del set di dati, le sequenze FASTA vengono convertite in valori numerici utilizzando l'analisi delle sequenze e la mappatura del dizionario per creare frame di dati strutturati, comprese specifiche funzionalità di scambio di domini 3D. La post-elaborazione include l'assegnazione dello stato di scambio del dominio utilizzando una soglia (β = 0,5), la suddivisione dei dati in set di training e test (rapporto 70-30), la standardizzazione delle funzionalità e l'esecuzione della selezione delle funzionalità con convalida k-fold. Due modelli di apprendimento automatico, Random Forest (RF) e K-Nearest Neighbors (KNN), vengono addestrati e le loro prestazioni vengono valutate utilizzando le metriche del modello insieme ad AUROC e AUPRC per valutare l'accuratezza e la robustezza predittiva Fare clic qui per visualizzare una versione più grande di questa figura.

5. Valutazione statica e valutazioni di modelli di classificatori ML

  1. Implementa e ottimizza gli algoritmi Random Forest (RF) e K-Nearest Neighbors (KNN) per ottimizzare le prestazioni predittive. Addestra, convalida e testa i modelli utilizzando 573 e 575 sequenze proteiche per l'addestramento e 1.355 sequenze proteiche per il test.
    figure-protocol-3(1)
    figure-protocol-4(2)
    figure-protocol-5(3)
    figure-protocol-6(4)
    figure-protocol-7(5)
    figure-protocol-8(6)
    NOTA: Definire TP (True Positive) come la percentuale di sequenze correttamente previste come scambiate di dominio dai modelli. Definisci TN (True Negative) come la percentuale di sequenze correttamente previste come non scambiate di dominio. Definire i falsi positivi (FP) come i casi in cui le proteine non scambiate di dominio vengono erroneamente previste come scambiate di dominio. Definire i falsi negativi (FN) come i casi in cui le proteine scambiate di dominio vengono erroneamente previste come non scambiate di dominio.
  2. Calcola Xsen come il rapporto tra i veri positivi identificati con precisione e Xspe come il rapporto tra i veri negativi correttamente identificati dal modello.
    NOTA: utilizzare la tecnologia Console clienti per valutare la qualità delle classificazioni binarie analizzando i veri positivi, i veri negativi, i falsi positivi e i falsi negativi dalla matrice di confusione.
  3. Calcola accuratezza (ACC) per misurare la proporzione di previsioni corrette tra le previsioni totali.
    NOTA: La precisione valuta una proporzione di positivi correttamente identificati tra tutti i positivi previsti, mentre il punteggio F1 è la media armonica di precisione e sensibilità, equilibrando falsi positivi e falsi negativi.
  4. Usare l'analisi utente e l'analisi utente per valutare le prestazioni dei modelli di classificazione nelle attività di classificazione binaria. Calcola l'AUC (Area Under the Curve) utilizzando la libreria Python40 di Scikit-learn, basata su proteine classificate positivamente e negativamente.
  5. Utilizzare i dati di test per valutare questi parametri.

6. Implementazione di un modello per la predizione dello scambio di domini 3D su varie specie di piante medicinali

  1. Applica RF e KNN su un totale di 1.355 sequenze esaminate (set di dati di previsione) da 13 diverse piante medicinali, tra cui Citrus sinensis, Mentha, Vitis vinifera, Timo, Thymus vulgaris, Gelsomino, Ibisco, Papaver somniferum, Illicium oligandrum, Citrus limon, Acorus calamus, Cannabis sativa e Coffea arabica.
    NOTA: Queste proteine sono associate a varie funzioni come Citrus sinensis, Mentha, timo aiuta l'indigestione. La Vitis vinifera, il Gelsomino, l'Ibisco sono una fonte molto ricca di antiossidanti e migliorano anche la salute della pelle. L'oligandrum di Illicium è noto per le sue proprietà antimicotiche e antibatteriche, ecc.

7. Indagine sull'arricchimento di proteine scambiate con domini 3D positivamente previsti da piante medicinali

  1. Mappare i codici di accesso di queste sequenze proteiche a categorie di metaboliti secondari utilizzando i dati di UniProt.
  2. Estrarre l'ID del gene dalle sequenze previste.
  3. Apri il server web online KEGG41 (https://www.genome.jp/kegg/) per condurre l'analisi dell'arricchimento del percorso KEGG incollando l'ID del singolo gene o il nome della proteina per controllare i rispettivi percorsi.
  4. Eseguire un'analisi comparativa confrontando le proteine di scambio di domini 3D previste con un set di dati predittivi per rilevare una sovrarappresentazione statisticamente significativa di specifici termini di ontologia genica (GO) e percorsi biologici. Incolla l'ID del gene della sequenza prevista in ShinyGO v0.742 (https://bioinformatics.sdstate.edu/go74/) e seleziona la funzione o la categoria di percorso desiderata (funzione biologica, componente cellulare, funzione molecolare, KEGG, ecc.).
    NOTA: Visualizza queste annotazioni utilizzando una piattaforma online basata su cloud43 che consente agli utenti di scrivere ed eseguire codice Python.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Le proteine che mostrano lo scambio di domini 3D sono spesso collegate a una varietà di funzioni biologiche. Tuttavia, un'analisi sistematica dell'intero genoma delle sequenze proteiche coinvolte nello scambio di domini 3D rimane in gran parte inesplorata. In questa ricerca, abbiamo condotto un'indagine iniziale per prevedere in modo putativo le proteine scambiate con domini 3D da 13 piante medicinali, concentrandoci sulla loro associazione con domini di metaboliti secondari, percorsi KEGG e termini di ontologia genica (...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La comprensione dello scambio di domini 3D nelle proteine nel loro genoma completo riveste un'importanza significativa in vari campi. Gli approcci di apprendimento automatico, in particolare la foresta casuale e il vicino K più vicino26,27, sono stati impiegati per prevedere lo scambio di domini 3D direttamente dai dati di sequenza proteica a livello di genoma. Questi due modelli di ML includono vari passaggi come la raccolta di ...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori dichiarano di non avere interessi finanziari concorrenti noti o relazioni personali che possano aver influenzato il lavoro riportato in questo articolo.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Non è stato ricevuto alcun finanziamento per questa ricerca.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
3DSwap+https://caps.ncbs.res.in/3Dswapplus/index.html 
PfamEMBL-EBIhttp://pfam.xfam.org/: 
HMMEREMBL-EBI;
Aaindexhttps://www.genome.jp/aaindex/:
DIALBioinformaticshome.comhttps://bioinformaticshome.com/db/tool/DIAL: 
WEKAL'Università di Wekatohttps://www.waikato.ac.nz/int/research/institutes-centres-entities/institutes/artificial-intelligence-institute/research/software/
  KEGGhttps://www.genome.jp/kegg/ :
ShinyGOhttps://bioinformatics.sdstate.edu/go/ :
uniprotUniprothttps://www.uniprot.org/ :
https://www.ebi.ac.uk/Tools/hmmer/:  

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Radivojac, P., et al. A large-scale evaluation of computational protein function prediction. Nat Methods. 10 (3), 221-227 (2013).
  2. Bennett, M. J., et al. 3D domain swapping: a mechanism for oligomer assembly. Protein Sci. 4, 2455-2468 (1995).
  3. Bennett, M. J., et al. Domain swapping: entangling alliances between proteins. Proc Natl Acad Sci U S A. 91, 3127-3131 (1994).
  4. Liu, Y., et al. The crystal structure of a 3D domain-swapped dimer of RNase A at a 2.1-Å resolution. Proc Natl Acad Sci U S A. 95 (7), 3437-3442 (1998).
  5. Straub, J. E., et al. Principles governing oligomer formation in amyloidogenic peptides. Curr Opin Struct Biol. 20, 187-195 (2010).
  6. Upadhyay, A. K., et al. Genome-wide prediction and analysis of 3D domain-swapped proteins in the human genome from sequence information. PLoS One. 11 (7), e0159627(2016).
  7. Liu, Y., et al. 3D domain swapping: as domains continue to swap. Protein Sci. 11, 1285-1299 (2002).
  8. Schlunegger, M. P., et al. Oligomer formation by 3D domain swapping: a model for protein assembly and misassembly. Adv Protein Chem. 50, 61-122 (1997).
  9. Rousseau, F., et al. Implications of 3D domain swapping for protein folding, misfolding and function. Adv Exp Med Biol. 747, 137-152 (2012).
  10. Anderson, W. F., et al. Structure of the Cro repressor from bacteriophage λ and its interaction with DNA. Nature. 290 (5809), 754-758 (1981).
  11. Albright, R. A., et al. High-resolution structure of an engineered Cro monomer shows changes in conformation relative to the native dimer. Biochemistry. 35, 735-742 (1996).
  12. Bax, B., et al. X-ray analysis of beta B2-crystallin and evolution of oligomeric lens proteins. Nature. 347, 776-780 (1990).
  13. Parge, H. E., et al. Human CksHs2 atomic structure: A role for its hexameric assembly in cell cycle control. Science. 262, 387-395 (1993).
  14. Fita, I., et al. The NADPH binding site on beef liver catalase. Proc Natl Acad Sci U S A. 82 (6), 1604-1608 (1985).
  15. Milburn, M. V., et al. A novel dimer configuration revealed by the crystal structure at 2.4 Å resolution of human interleukin-5. J Biol Chem. 268, 2117-2120 (1993).
  16. Upadhyay, A. K., et al. Genome-wide analysis of domain-swap predicted products in the genome of anti-stress medicinal plant: Ocimum tenuiflorum. Bioinformat Biol Insights. 13, 1177932218821362(2019).
  17. Simpson, G. A., et al. Crystal structure and interconversion of monomers and domain-swapped dimers of the walnut tree phytocystatin. Biochim Biophys Acta Prot Proteom. 1872 (2), 140975(2024).
  18. Tran, L. H., et al. 3D domain swapping dimerization of the receiver domain of cytokinin receptor CRE1 from Arabidopsis thaliana and Medicago truncatula. Front Plant Sci. 24 (12), 756341(2021).
  19. Shameer, K., et al. Insights into protein sequence and structure-derived features mediating 3D domain swapping mechanism using support vector machine-based approach. J Bioinform Comput Biol. 4, 33-42 (2010).
  20. Shameer, K., et al. 3dswap-pred: prediction of 3D domain swapping from protein sequence using Random Forest approach. Protein Pept Lett. 19, 1010-1020 (2012).
  21. Tasnim, F. Protein sequence classification through deep learning and encoding strategies. Proc Comp Sci. 238, 876-881 (2024).
  22. Xu, Y., et al. Deep dive into machine learning models for protein engineering. J Chem Info Modeling. 60 (6), 2773-2790 (2020).
  23. Lilhore, U. K., et al. Optimizing protein sequence classification: integrating deep learning models with Bayesian optimization for enhanced biological analysis. BMC Med Inform Decis Mak. 24, 236(2024).
  24. Jumper, J., et al. Highly accurate protein structure prediction with AlphaFold. Nature. 596 (7873), 583-589 (2021).
  25. Du, Z., et al. The trRosetta server for fast and accurate protein structure prediction. Nat Protoc. 16 (12), 5634-5651 (2021).
  26. Genuer, R., et al. Random forests: Some methodological insights. arXiv. , (2008).
  27. Guo, G., et al. KNN model-based approach in classification. Lect Notes Comput Sci. 2888, 986-996 (2003).
  28. Kathuria, C., et al. Predicting the protein structure using random forest approach. Procedia Comput Sci. 132, 1654-1662 (2018).
  29. Gui, Y., et al. Application of K-nearest neighbors in protein-protein interaction prediction. Highlights Sci Eng Technol. 2, 125-131 (2022).
  30. Joseph, A. P., Shingate, P., Upadhyay, A. K., Sowdhamini, R. 3PFDB+: improved search protocol and update for the identification of representatives of protein sequence domain families. Database. 2014, bau026(2014).
  31. Finn, R. D., et al. The Pfam protein families database. Nucl Acids Res. 41, D211-D222 (2013).
  32. Mistry, J., et al. Challenges in homology search: HMMER3 and convergent evolution of coiled-coil regions. Nucl Acid Res. 41, e121(2013).
  33. Apweiler, A. UniProt: The universal protein knowledgebase. Nucl Acids Res. 46 (5), 2699-2699 (2018).
  34. Kawashima, S., et al. AAindex: amino acid index database, progress report 2008. Nucl Acids Res. 36, D202-D205 (2008).
  35. Frank, E., et al. Data mining in bioinformatics using WEKA. Bioinformatics. 20, 2479-2481 (2004).
  36. Pedregosa, F., et al. Scikit-learn: Machine Learning in Python. J Mach Learn Res. 12, 2825-2830 (2011).
  37. Wu, C., et al. Prediction of DNA methylation site status based on fusion deep learning algorithm. IEEE AEMCSE Proc. 5, 180-183 (2022).
  38. Wilhelm, T., et al. Phenotype prediction based on genome-wide DNA methylation data. BMC Bioinform. 15, 1-15 (2014).
  39. Uddin, S., et al. Dataset meta-level and statistical features affect machine learning performance. Sci Rep. 14 (1), 1F670(2024).
  40. Pedregosa, F., et al. Scikit-learn: Machine Learning in Python. J Mach Learn Res. 12, 2825-2830 (2011).
  41. Kanehisa, M., et al. Kyoto encyclopedia of genes and genomes. Nucl Acid Res. 28 (1), 27-30 (2000).
  42. Ge, S. X., et al. ShinyGO: a graphical gene-set enrichment tool for animals and plants. Bioinformatics. 36 (8), 2628-2629 (2020).
  43. Bisong, E. Google Colaboratory. Building Machine Learning and Deep Learning Models on Google Cloud Platform. , Apress. Berkeley, CA. (2019).
  44. Kirby, G. W. Biosynthesis of the morphine alkaloids. Science. 155 (3759), 170-173 (1967).
  45. Toffolatti, S. L., et al. Role of terpenes in plant defence to biotic stress. Biocont Agents Sec Metabol. , 401-417 (2021).
  46. Boncan, D. A. T., et al. Terpenes and terpenoids in plants: interactions with environment and insects. Int J Mol Sci. 21 (19), 7382(2020).
  47. Mansouri, H., et al. The response of terpenoids to exogenous gibberellic acid in Cannabis sativa L. at vegetative stage. Acta Physiol. Plant.33, 1085-1091 (2011).
  48. Pál, M., et al. Speculation: Polyamines are important in abiotic stress signalling. Plant Sci. 237, 16-23 (2015).
  49. Mattoo, A. K., et al. Higher polyamines restore and enhance metabolic memory in ripening fruit. Plant Sci. 174 (4), 386-393 (2008).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Scambio di domini 3Doligomerizzazione delle proteineRandom ForestK Nearest Neighborannotazione funzionalebiosintesi di metaboliti secondariGene Ontologypercorsi KEGG
Video in arrivo

Articoli correlati