Artigo de método

Predição de aprendizado de máquina de proteínas de troca de domínio 3D em plantas medicinais

DOI:

10.3791/68519

⸱

15 de agosto de 2025

 , 
1Thapar Institute of Engineering and Technology

Neste artigo

Resumo

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

Este estudo examina proteínas envolvidas ou previstas para estarem envolvidas na troca de domínio 3D de vários genomas de plantas medicinais. Ele emprega modelos de aprendizado de máquina para prever com precisão proteínas de troca de domínio 3D e antecipar suas funções e relevância para a produção de metabólitos secundários.

Resumo

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

A troca de domínio 3D é um fenômeno estrutural de proteína no qual duas ou mais subunidades de proteína trocam subunidades estruturais idênticas e formam oligômeros. As proteínas que exibem troca de domínio 3D desempenham um papel crucial em várias funções biológicas, como a biossíntese de metabólitos secundários e no enfrentamento de vários estresses bióticos e abióticos em plantas medicinais. Este estudo investiga a capacidade de prever padrões de troca de domínio 3D entre os genomas de plantas medicinais usando modelos classificadores de floresta aleatória e K-vizinho mais próximo, demonstrando precisões de 91,6% e 88,7%, respectivamente. Um total de 420 (31%) das sequências foram previstas como supostamente envolvidas na troca de domínio 3D. Uma investigação de enriquecimento também foi realizada nas sequências de proteínas trocadas de domínio 3D previstas de várias plantas medicinais para anotação de função com base em termos de Ontologia Genética (GO), análise de vias da Enciclopédia de Genes e Genomas de Kyoto (KEGG) e sua distribuição de domínio em vias de biossíntese de metabólitos secundários. A anotação funcional de sequências previstas infere que as sequências trocadas de domínio 3D estavam envolvidas em diversas funções moleculares, como transporte fotossintético de elétrons no fotossistema II e transportadores de elétrons, transferência de elétrons dentro da via cíclica de transporte de elétrons da atividade de fotossíntese, fosforilação oxidativa e regulação gênica de estresses ambientais (bióticos e abióticos) pela síntese de metabólitos secundários (terpenóides, alcalóides e poliaminas). Essas descobertas ressaltam a capacidade do aprendizado de máquina de prever o envolvimento de proteínas no fenômeno de troca de domínio 3D, suas respectivas funções e seu potencial para facilitar a descoberta de medicamentos e iniciativas de bioengenharia.

Introdução

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

Os métodos computacionais revolucionaram a pesquisa de proteínas, permitindo análises detalhadas e previsões sobre estruturas, funções e interações de proteínas. A identificação e anotação precisas das funções das proteínas são essenciais para desvendar os mecanismos moleculares da vida e têm profunda importância para os avanços na medicina e no desenvolvimento de medicamentos. No entanto, a complexidade inerente e o custo dos métodos experimentais limitam sua escalabilidade para acomodar os dados de grande sequência. Como resultado, o desenvolvimento de métodos computacionais para previsão da função de proteínas emergiu como uma área central na biologia computacional e molecular, abordando essa lacuna por meio de abordagens inovadoras em larga escala1.

A troca de domínio 3D2 é um fenômeno estrutural em proteínas onde segmentos de uma estrutura compartilhada são trocados entre cadeias individuais. Em 1994, a documentação introdutória sobre o mecanismo de troca de domínio 3D foi encontrada no dímero3 da toxina diftérica. No entanto, os princípios fundamentais da troca de domínio 3D podem ser rastreados há quatro décadas. Observou-se que a ribonuclease A pancreática bovina (RNase A) forma dímeros durante a liofilização em ácido acético, por meio de sofisticados experimentos de modificação química4. Na oligomerização de proteínas, duas ou mais cadeias de proteínas trocam elementos estruturais idênticos por meio de regiões de dobradiça flexíveis. A porção da proteína trocada entre subunidades monoméricas é chamada de domínio trocado, que pode consistir em um domínio globular inteiro, um loop ou um elemento estrutural secundário em certas proteínas. Por outro lado, as regiões que permanecem inalteradas em suas posições originais dentro dos monômeros são denominadas domínios não trocados5. Um acoplamento entre domínios não trocados é definido como uma interface de domínio não trocada (NSDI) mostrada na Figura 1. Na troca de domínio 3D, a relação entre o domínio não trocado de uma subunidade de proteína e o domínio já trocado de outra subunidade é chamada de interface de domínio trocado (SDI). Outro aspecto significativo desse fenômeno é a região da dobradiça, um segmento de ligação flexível que conecta os domínios não trocados e trocados. Essa região de dobradiça desempenha uma função essencial para ajudar no movimento da troca de domínio 3D e serve como um interruptor conformacional, permitindo a reconfiguração estrutural necessária para que a troca de domínio ocorra. A troca de domínio 3D tem sido implicada em vários processos biológicos, incluindo montagem de proteínas e regulação funcional5. Também está associado a certas doenças de dobramento incorreto de proteínas, onde a troca aberrante pode levar à formação de agregados ou fibrilas amilóides.

figure-introduction-1
Figura 1: Representação estrutural da troca de domínio 3D. A representação ilustra a troca de elementos estruturais idênticos entre dois monômeros de proteína por meio de uma região de dobradiça flexível, resultando na formação de um conjunto dimérico ou oligomérico trocado de domínio Clique aqui para ver uma versão maior desta figura.

Diferentes tipos de troca de domínio 3D foram identificados com base na natureza dos domínios trocados e nas estruturas oligoméricas resultantes6. No ano de 2002, Eisenberg e seu colega identificaram três tipos de troca de domínio 3D: troca de domínio Bonafide (BDS), troca de quase-domínio (QDS) e candidato à troca de domínio 3D (CDS)7. A classe de proteína mais comum é a troca de domínio de boa-fé. Refere-se a um estado em que as moléculas de dímero e monômero estão presentes em uma forma estável, onde o dímero deve adotar uma configuração de troca de domínio, enquanto o monômero deve adotar uma configuração fechada. Na troca de quase domínio, sabe-se que uma proteína está presente no estado oligomérico, mas sua estrutura homóloga é conhecida por estar presente no estado monomérico. No CDS, ele apenas confirma a classificação de proteínas nas categorias de troca de domínio, enquanto as informações estruturais dos monômeros envolvidos ou seus homólogos monoméricos não estão presentes8. Neste procedimento, os monômeros ou seus homólogos monoméricos estão ausentes; em vez disso, moléculas de proteínas heterólogas estão presentes. A Tabela 1 mostra um exemplo dessas três categorias9.

Tabela 1: Tipos de troca de domínio 3D com exemplo. Clique aqui para baixar esta tabela.

Estudos subsequentes revelaram inúmeras estruturas de troca de domínio, abrindo caminho para a compreensão do conceito de troca de domínio 3D. A evidência estrutural mais antiga que apóia esse fenômeno foi observada na molécula da proteína repressora Cro do bacteriófago λ, que forma uma estrutura dimérica através da troca de suas fitas C-terminais. Em 1996, o pesquisador descobriu que a molécula monomérica de Cro estava envolvida na troca de domínio 3D10. Outras estruturas11, como βB2-cristalina12, CksHs213 humano, catalase de fígado bovino14 e interleucina-515 humana recombinante, também foram relatadas como possíveis estruturas trocadas de domínio 3D. Com base na posição de domínio trocado dentro das moléculas de proteína, a troca de domínio 3D é categorizada em três tipos: troca de domínio C-terminal, troca de domínio N-terminal e a relativamente rara troca de domínio central. Os autores usam um genoma humano completo para prever um caso de troca de domínio. Eles usam Random Forest e Support Vector Machine como classificadores binários com 81,7% e 73,9% de precisão, respectivamente. Quase 44% da sequência de proteínas foi prevista como trocada de domínio 3D no genoma humano6. A análise de enriquecimento foi realizada em casos previstos para sua distribuição de domínio, distribuição de doenças e anotação funcional com base na Ontologia Gênica (GO). Outra abordagem investiga a análise completa do genoma de Ocimum tenuiforum usando a abordagem Random Forest e descobriu que quase 25% das sequências de proteínas em Ocimum tenuiforum estão previstas para estarem envolvidas na troca de domínio 3D. Os pesquisadores também realizam anotações funcionais usando a associação de termos GO e sua associação familiar de domínio de proteína e descobriram que apenas 1158 sequências estavam envolvidas no estresse abiótico16.

As plantas demonstram uma variedade de famílias de proteínas distintas, com proteínas específicas reconhecidas por terem a capacidade de sofrer rearranjos estruturais, incluindo troca de domínio 3D. A troca de domínio 3D pode influenciar as condições de estresse biótico e abiótico com a produção de metabólitos secundários ou outras vias biologicamente relevantes que possuem várias aplicações farmacológicas; portanto, eles fornecem um foco significativo para esta investigação. A estrutura cristalina de Wal1 demonstrou uma configuração dimérica trocada de domínio, apresentando dois dímeros dentro da unidade assimétrica e o rearranjo estrutural encontrado na cistatina C. As fitocistatinas desempenham um papel significativo no estresse abiótico e também melhoram a resistência das culturas. Um total de 20.121 proteínas previstas trocadas de domínio 3D foram identificadas a partir da literatura disponível e de vários repositórios relevantes, das quais 17.552 são de origem vegetal e 2569 são de organismos não vegetais17,18.

Na literatura, vários outros exemplos de previsão de troca de domínio 3D de diferentes plantas usando uma abordagem de aprendizado de máquina foram relatados. Como Arabidopsis thaliana mostrando 33,7% (4058 de 12.033 sequências revisadas), Medicago truncatula 20,9% (39 de 186 sequências revisadas), Solanum tuberosum 36,5% (146 de 400 sequências revisadas), Solanum lycopersicum 25,5% (108 de 423 sequências revisadas) e Ocimum tenuiforum 15,5% (5706 de 36841 sequências revisadas)6. Os métodos computacionais tornaram-se inestimáveis na exploração dos aspectos estruturais e funcionais das proteínas trocadas de domínio 3D. Essas abordagens facilitam a previsão de sequências com base nas melhores características possíveis19, anotação e análise de enriquecimento, oferecendo insights sobre os mecanismos moleculares fundamentais. A previsão da troca de domínio 3D em várias sequências de proteínas foi realizada usando um classificador baseado em máquina de vetores de suporte (SVM). Essa abordagem foi desenvolvida integrando características estruturais e de sequência, produzindo precisões de previsão de 76,33% no conjunto de dados de treinamento e 73,81% no conjunto de dados de teste, significando seu potencial na identificação de tendências de troca de domínio em proteínas20. A principal razão para escolher o KNN em vez do SVM é que o KNN tem um processo de treinamento muito mais simples. Ele só precisa de um parâmetro principal, K (é o número de vizinhos mais próximos considerados ao fazer uma previsão), para ser definido, enquanto o SVM requer um ajuste cuidadoso de vários parâmetros, como o tipo de kernel, C e gama. Além disso, o KNN lida com a classificação multiclasse com mais facilidade, enquanto o SVM geralmente precisa de estratégias mais complexas, como estratégias um contra um.

Aprendizado de máquina para previsão estrutural de proteínas
A previsão da estrutura da proteína envolve a inferência da forma tridimensional de uma proteína a partir de sua sequência FASTA. Avanços recentes neste campo foram significativamente impulsionados pela aplicação de várias técnicas de aprendizado de máquina a dados evolutivos21,22. As primeiras abordagens para extrair informações de dados coevolutivos dependiam de métodos de aprendizado de máquina. No entanto, estratégias mais recentes, particularmente aquelas que utilizam redes residuais profundas, demonstraram desempenho superior na previsão de alvos potenciais23. O Alphafold é um banco de dados baseado em aprendizado profundo, enquanto o Rosetta é uma ferramenta de função de energia baseada em física. Essas ferramentas são usadas para prever a estrutura atômica 3D completa que pode ser aproximada de estruturas experimentais. Eles fornecem apenas coordenadas estruturais de resolução atômica, mas essas ferramentas não especificam os eventos de troca de domínio 3D. Em contraste, a abordagem sugerida não é um preditor completo de estrutura 3D, apenas prevê se uma proteína provavelmente sofrerá troca de domínio 3D ou não24,25.

As plantas medicinais têm sido utilizadas há séculos como recursos naturais para a prevenção e tratamento de diversas doenças, atribuídas aos seus compostos bioativos. Eles são essenciais na medicina tradicional e contribuem para o desenvolvimento de medicamentos farmacêuticos modernos. No entanto, não há nenhum trabalho significativo realizado no campo da troca de domínios de proteínas de plantas medicinais para descoberta de medicamentos. Algoritmos, incluindo aprendizado de máquina e seus modelos de conjunto, reconhecem padrões e relacionamentos em dados de sequência para prever a troca de domínio 3D. A razão por trás da escolha das plantas medicinais para este estudo é que ele pode detectar a diversidade funcional de uma proteína em plantas envolvidas na troca de domínio 3D, resultando na compreensão da resposta ao estresse, defesa contra patógenos e biossíntese metabólica. Os desafios técnicos associados à determinação da troca de domínio 3D de proteínas em grande número e conformações oligoméricas complexas e avançadas, utilizando técnicas de RMN ou cristalografia, destacam a necessidade de desenvolver abordagens computacionais avançadas.

O objetivo geral do trabalho de pesquisa proposto é empregar uma metodologia computacional usando algoritmos Random Forest (RF)26 e K-nearest neighbor (KNN)27 para sua tarefa de previsão de estrutura de sequência de proteínas e análise completa de todo o genoma de casos trocados em várias sequências de plantas medicinais. A Random Forest (RF) é um classificador binário; É um algoritmo de aprendizado de máquina robusto e versátil amplamente utilizado na análise de sequências de proteínas. Ele opera construindo um conjunto de árvores de decisão (DT) e atinge uma precisão bastante alta nos conjuntos de dados de treinamento e teste. Para tarefas de sequência de proteínas, a RF pode analisar uma variedade de características, incluindo propriedades físico-químicas, composição da sequência, estrutura secundária e informações evolutivas derivadas de alinhamentos ou perfis de sequência. Ele se destaca no manuseio de conjuntos de dados grandes e barulhentos e fornece métricas de importância de recursos28. O classificador K-Nearest Neighbors (KNN) é um algoritmo de aprendizado de máquina simples, mas eficaz, amplamente aplicado na análise de sequência de proteínas. Ele funciona classificando uma sequência de entrada com base na classe majoritária de seus k vizinhos mais próximos no espaço de recursos. Na análise de sequência de proteínas, o KNN pode ser usado para prever categorias funcionais, propriedades estruturais e localização subcelular. As características da classificação KNN geralmente incluem composição de aminoácidos, motivos de sequência, perfis evolutivos ou atributos físico-químicos. O KNN é uma escolha popular para análise de proteínas devido à sua simplicidade; A interpretabilidade e a eficácia o tornam uma ferramenta valiosa para a análise de sequências de proteínas29. Juntos, esses algoritmos fornecem pontos fortes complementares, permitindo uma estrutura computacional abrangente para o estudo da troca de domínio 3D em várias sequências de plantas medicinais. Esses dois modelos preveem apenas possíveis casos que podem sofrer troca de domínio; ele não prevê as coordenadas estruturais 3D completas ou qual parte ou resíduo está particularmente envolvido nesse processo de troca. Esta é uma questão de pesquisa adicional, pois a identificação de regiões ou resíduos específicos envolvidos na troca para esclarecer o mecanismo e os aspectos funcionais da troca de domínio 3D events.3D a troca de domínio compreende uma variedade de fenômenos estruturalmente distintos, como configurações de malha fechada, trocas abertas e outras diferenças que incluem diferentes regiões de dobradiça e arquiteturas de domínio. À luz disso, a abordagem sugerida categoriza apenas todos os tipos de eventos de troca de domínio 3D sob uma classificação unificada. Essa seleção foi inicialmente impulsionada pela disponibilidade limitada de dados anotados que podem especificar uma classe específica de troca de domínio 3D. Este é o primeiro tipo de tentativa em vários conjuntos de dados baseados em plantas medicinais, e sentimos que distinguir entre diferentes mecanismos de troca pode aumentar a precisão preditiva do modelo.

Uma análise de enriquecimento nas plantas medicinais ajuda a identificar genes, proteínas e vias importantes envolvidos na síntese de compostos bioativos e na resposta ao estresse. Ele fornece insights sobre mecanismos moleculares. Essas análises em plantas medicinais investigam genes, proteínas e processos biológicos essenciais associados à síntese de produtos químicos bioativos, resiliência ao estresse e resistência a doenças. A anotação funcional de proteínas selecionadas, como Gene Ontology (GO) e análise da via KEGG, revela mecanismos moleculares subjacentes à produção de metabólitos secundários e respostas ao estresse ambiental. Essa abordagem auxilia substancialmente na descoberta de medicamentos, melhora a resiliência das culturas e elucida as vias metabólicas das plantas para a agricultura sustentável e os avanços medicinais.

Novas contribuições do estudo
Este estudo destaca as capacidades do aprendizado de máquina para promover modelos mais precisos e eficientes para prever padrões estruturais de proteínas em conjuntos de dados biológicos.

Esta pesquisa integra novos recursos em algoritmos de aprendizado de máquina, melhorando sua capacidade de prever funções de proteínas com maior clareza. Tais recursos fornecem uma compreensão aprimorada das relações estrutura-função das proteínas, auxiliando no design e otimização de proteínas mais precisos na engenharia de proteínas.

A análise de enriquecimento de proteínas previstas ajuda a descobrir as principais vias biológicas, processos celulares e funções moleculares, fornecendo alvos valiosos para a descoberta de biomarcadores, design de medicamentos e compreensão do mecanismo da doença. Esta análise aumenta a precisão nas intervenções baseadas em vias e na identificação de alvos terapêuticos.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

NOTA: Este segmento fornece um esboço abrangente da metodologia sugerida, que engloba seis etapas principais: (a) coleta de dados, (b) seleção de recursos, (c) pré-processamento de dados, (d) pós-processamento de dados (e) desenvolvimento de modelo (f) avaliação de resultados do modelo proposto e (g) análise de enriquecimento em diferentes níveis de sequências previstas positivamente. O Core i5-10500 é um processador de 10ª geração que foi usado neste trabalho de pesquisa. Possui seis núcleos e 12 threads, com frequência base de 3.10 GHz e velocidade turbo máxima de 4.50 GHz. Ele vem equipado com 12 MB de Intel Smart Cache, suporta memória DDR4-2666 e inclui UHD Graphics 630 para visuais integrados. Construído para multitarefa e produtividade eficientes, é compatível com o soquete LGA 1200 e opera a um TDP de 65W.

1. Coleta de dados

  1. use3d3dswap-pred (https://caps.ncbs.res.in/3dswap-pred/3dswap-pred.html) e 3DSwap+ (https://caps.ncbs.res.in/3Dswapplus/index.html)3030 Tabela Suplementar 1, Tabela Suplementar 2, Arquivo Suplementar 1, Arquivo Suplementar 2). Use um total de 573 entradas PDB selecionadas manualmente de moléculas trocadas de domínio 3D, principalmente de plantas medicinais.
  2. Empregue o método Best Representative Profile (BRP) para construir o conjunto de dados negativo, atribuindo uma Best Representative Sequence (BRS) a cada família de proteínas Pfam31 (http://pfam.xfam.org/). Pesquise um total de 10.112 sequências estruturais em relação a todos os BRPs Pfam usando HMMER32 (https://www.ebi.ac.uk/Tools/hmmer/) com um limite de valor E de 0,001. Processe a sequência resultante usando DIAL para identificar domínios estruturais (https://bioinformaticshome.com/db/tool/DIAL). Inclua 575 entradas PDB como um conjunto de dados negativo (treinamento).
  3. Inclua 314 sequências de proteínas derivadas por meio do método BRP e 261 sequências não trocadas de domínio 3D selecionadas manualmente identificadas pelo 3DSwap+ como um conjunto de dados negativo.
  4. Recupere um total de 1.355 entradas de sequência de proteínas revisadas de várias plantas medicinais do UniProt33 (https://www.uniprot.org/). Inclua 13 plantas medicinais neste estudo (conjunto de dados de teste/previsão): 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), Hibisco (RS-88), Jasmim (RS-89), Tomilho (RS-30), Timo (RS-14), Illicium oligandrum (RS-72) e Citrus limon (RS-12). A árvore filogenética é dada na Figura Suplementar 1.

2. Usando o recurso para criação de modelo

  1. Utilize um conjunto abrangente de recursos que compreende 453 recursos para prever sequências de proteínas em plantas medicinais. Inclui 439 recursos estabelecidos e 16 novos recursos, cuidadosamente selecionados com base em uma revisão completa da literatura.
  2. Use o banco de dados AAindex34 (https://www.genome.jp/aaindex/) para determinar as propriedades físico-químicas dos aminoácidos. Aplique a plataforma de aprendizado de máquina WEKA35 (https://www.waikato.ac.nz/int/research/institutes-centres-entities/institutes/artificial-intelligence-institute/research/software/) para seleção de recursos. Consulte a Tabela 2 para obter os recursos recém-incorporados.

Tabela 2: Lista de recursos recém-adicionados junto com suas descrições. Esta tabela resume os novos recursos projetados durante a fase de extração de recursos para melhorar o desempenho do modelo na previsão de troca de domínio 3D. Cada recurso captura propriedades específicas baseadas em sequência, físico-químicas ou estruturais das proteínas que supostamente influenciam sua propensão à troca de domínio. Descrições detalhadas são fornecidas para esclarecer a relevância biológica e a derivação computacional de cada característica. Clique aqui para baixar esta tabela.

3. Pré e pós-processamento de dados

NOTA: Pré-processamento de dados. O pré-processamento de dados é uma etapa essencial no aprendizado de máquina que envolve a preparação de dados brutos para análise. Isso inclui limpar os dados (por exemplo, remover duplicatas, lidar com valores ausentes, etc.).

  1. Use o Arquivo de Codificação Suplementar 1 para codificar variáveis categóricas em formato numérico, que inclui quatro etapas principais: (1) Definir dicts de pontuação, (2) processar a sequência fasta por seq I0. analisar, (3) Criar quadro de dados, (4) análise numérica de recursos 3D trocados de domínio.
  2. Refine e interprete a saída do modelo por meio do pós-processamento de dados. Recalibre as previsões, agregue resultados e aplique um limite para classificação. Classifique o conjunto de dados de troca de domínio 3D bimodal usando um valor limite β = 0,5 (intervalo 0-1), conforme apoiado por estudos anteriores 36,37,38.
  3. Particione o conjunto de dados com uma divisão de teste de treinamento de 70:30, alocando 70% para treinamento de modelo e 30% para avaliação independente.
  4. Padronize os dados de treinamento usando o método Standard Scaler para ajustar os valores de recursos para uma média de 0 e um desvio padrão de 1, garantindo melhor compatibilidade com estimadores de aprendizado de máquina. Realize a seleção de recursos para identificar as variáveis mais impactantes.
    NOTA: A padronização de um conjunto de dados é um pré-requisito amplamente usado para muitos algoritmos de aprendizado de máquina para garantir o desempenho ideal. Dados que estão longe da distribuição normal podem afetar negativamente o desempenho dos modelos de aprendizado de máquina39.
  5. Faça validação. Para garantir uma avaliação robusta e imparcial do modelo, a validação cruzada de K dobras também foi implementada Tabela Suplementar 3.
  6. Particione o conjunto de dados em K subconjuntos. Treine e avalie o modelo iterativamente em subconjuntos K=5 enquanto usa o subconjunto restante para testes independentes.

4. Criação e implementação do modelo

  1. Implemente e ajuste os algoritmos Random Forest (RF) e K-Nearest Neighbors (KNN) para otimizar o desempenho preditivo. Treine, valide e teste os modelos usando 573 e 575 sequências de proteínas para treinamento e 1.355 sequências de proteínas para teste.
  2. Use um script Python (Arquivo de Codificação Suplementar 1) para extrair valores numéricos de características com base na sequência de proteínas selecionada. Salve esses valores numéricos para ambos os conjuntos de dados em arquivos CSV e envie-os para os classificadores RF e KNN para geração de modelo de classificação binária.
  3. Use esses modelos para distinguir entre proteínas trocadas de domínio 3D e proteínas não trocadas de domínio 3D. Consulte a Figura 2 e a Figura 3 para obter a estrutura generalizada para prever a troca de domínio 3D.
  4. Aplique hiperparâmetros como n_estimators=20, max_depth=4 e random_state=42 para o modelo de RF.
  5. Aplique o hiperparâmetro neighbors=5 para o modelo de classificador KNN.
    NOTA: Essas configurações de parâmetros foram ajustadas para melhorar o desempenho dos modelos no conjunto de dados de plantas medicinais selecionadas manualmente.

figure-protocol-1
Figura 2: Representação esquemática ilustrativa. A representação mostra os modelos de aprendizado de máquina Random Forest e K-Nearest Neighbor (KNN), mostrando sua estrutura algorítmica e fluxo de trabalho funcional no contexto de tarefas de classificação binária Clique aqui para ver uma versão maior desta figura.

figure-protocol-2
Figura 3: Fluxo de trabalho baseado em aprendizado de máquina. O diagrama ilustra um fluxo de trabalho baseado em aprendizado de máquina para prever a troca de domínio 3D em proteínas de plantas medicinais. O processo começa com a aquisição do conjunto de dados, combinando os conjuntos de dados de referência e meta. A extração de características envolve a derivação de características existentes e novas de sequências de proteínas. No pré-processamento do conjunto de dados, as sequências FASTA são convertidas em valores numéricos usando análise de sequência e mapeamento de dicionário para criar quadros de dados estruturados, incluindo recursos específicos de troca de domínio 3D. O pós-processamento inclui a atribuição do status de troca de domínio usando um limite (β = 0,5), divisão de dados em conjuntos de treinamento e teste (proporção de 70-30), padronização de recursos e execução da seleção de recursos com validação de k vezes. Dois modelos de aprendizado de máquina, Random Forest (RF) e K-Nearest Neighbors (KNN), são treinados e seu desempenho é avaliado usando métricas de modelo junto com AUROC e AUPRC para avaliar a precisão e a robustez preditivas Clique aqui para ver uma versão maior desta figura.

5. Avaliação estática e avaliações de modelos de classificadores de ML

  1. Implemente e ajuste os algoritmos Random Forest (RF) e K-Nearest Neighbors (KNN) para otimizar o desempenho preditivo. Treine, valide e teste os modelos usando 573 e 575 sequências de proteínas para treinamento e 1.355 sequências de proteínas para teste.
    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: Defina TP (True Positive) como a porcentagem de sequências corretamente previstas como trocadas de domínio pelos modelos. Defina TN (True Negative) como a porcentagem de sequências corretamente previstas como não trocadas de domínio. Defina Falso Positivo (FP) como os casos em que proteínas não trocadas de domínio são incorretamente previstas como trocadas de domínio. Defina Falso Negativo (FN) como os casos em que as proteínas trocadas de domínio são previstas incorretamente como não trocadas de domínio.
  2. Calcule Xsen como a proporção de verdadeiros positivos identificados com precisão e Xspe como a proporção de verdadeiros negativos identificados corretamente pelo modelo.
    NOTA: Use o MCC para avaliar a qualidade das classificações binárias analisando Verdadeiros Positivos, Verdadeiros Negativos, Falsos Positivos e Falsos Negativos da matriz de confusão.
  3. Calcular Precisão (ACC) para medir a proporção de previsões corretas entre o total de previsões.
    NOTA: A precisão avalia uma proporção de positivos identificados corretamente entre todos os positivos previstos, enquanto o escore F1 é a média harmônica de precisão e sensibilidade, equilibrando falsos positivos e falsos negativos.
  4. Use a AUC para avaliar o desempenho de modelos de classificação em tarefas de classificação binária. Calcule a AUC (Área Sob a Curva) usando a biblioteca PythonScikit-learn 40, com base em proteínas classificadas positiva e negativamente.
  5. Use os dados de teste para avaliar esses parâmetros.

6. Implementação de modelo para a predição de troca de domínio 3D em várias espécies de plantas medicinais

  1. Aplique RF e KNN em um total de 1.355 sequências revisadas (conjunto de dados de previsão) de 13 plantas medicinais diferentes, incluindo Citrus sinensis, Mentha, Vitis vinifera, Tomilho, Thymus vulgaris, Jasmim, Hibisco, Papaver somniferum, Illicium oligandrum, Citrus limon, Acorus calamus, Cannabis sativa e Coffea arabica.
    NOTA: Essas proteínas estão associadas a várias funções, como Citrus sinensis, Mentha, tomilho ajuda na indigestão. Vitis vinifera, Jasmim, Hibisco é uma fonte muito rica de antioxidantes e também melhora a saúde da pele. Illicium oligandrum é conhecido por suas propriedades antifúngicas e antibacterianas, etc.

7. Investigação de enriquecimento de proteínas trocadas de domínio 3D preditas positivamente de plantas medicinais

  1. Mapeie os códigos de acesso dessas sequências de proteínas para categorias de metabólitos secundários usando dados do UniProt.
  2. Extraia o ID do gene das sequências previstas.
  3. Abra o servidor online KEGG41 (https://www.genome.jp/kegg/) para realizar a análise de enriquecimento da via KEGG colando o ID do gene individual ou o nome da proteína para verificar suas respectivas vias.
  4. Realize uma análise comparativa contrastando as proteínas de troca de domínio 3D previstas com um conjunto de dados de previsão para detectar uma super-representação estatisticamente significativa de termos específicos de ontologia genética (GO) e vias biológicas. Cole o ID do gene da sequência prevista no ShinyGO v0.742 (https://bioinformatics.sdstate.edu/go74/) e selecione a função desejada ou categoria de via (função biológica, componente celular, função molecular, KEGG, etc.).
    NOTA: Visualize essas anotações usando uma plataforma online baseada em nuvem43 que permite aos usuários escrever e executar código Python.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

As proteínas que exibem troca de domínio 3D estão frequentemente ligadas a uma variedade de funções biológicas. No entanto, uma análise sistemática de todo o genoma de sequências de proteínas envolvidas na troca de domínio 3D permanece amplamente inexplorada. Nesta pesquisa, conduzimos uma investigação inicial para prever supostamente proteínas trocadas de domínio 3D de 13 plantas medicinais, com foco em sua associação com domínios metabólitos secundários, vias KEGG e termos de Ontologia Gênica (GO). Uma análise abrangen...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

A compreensão da troca de domínio 3D em proteínas em seu genoma completo tem importância significativa em vários campos. Abordagens de aprendizado de máquina, especialmente floresta aleatória e vizinho mais próximoK 26,27, foram empregadas para prever a troca de domínio 3D diretamente dos dados da sequência de proteínas no nível do genoma. Esses dois modelos de ML incluem várias etapas, como coleta de conjunto de dados, seleção d...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores declaram que não têm interesses financeiros concorrentes conhecidos ou relacionamentos pessoais que possam ter influenciado o trabalho relatado neste artigo.

Agradecimentos

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

Nenhum financiamento foi recebido para esta pesquisa.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
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: 
WEKAA Universidade de 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/:  

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Troca de Dom nios 3DOligomeriza o de Prote nasFloresta Aleat riaK Vizinhos Mais Pr ximosAnota o FuncionalBioss ntese de Metab litos Secund riosGene OntologyVias KEGG
Vídeo em breve

Artigos relacionados