Yöntem makalesi

Tıbbi Bitkilerde 3D Alan Değiştirme Proteinlerinin Makine Öğrenmesi Tahmini

DOI:

10.3791/68519

⸱

15 Ağustos 2025

 , 
1Thapar Institute of Engineering and Technology

Bu makalede

Özet

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

Bu çalışma, çeşitli tıbbi bitki genomlarından 3 boyutlu alan takasında yer alan veya bu yönde rol oynayacağı tahmin edilen proteinleri incelemektedir. 3B alan değiştiren proteinleri doğru bir şekilde tahmin etmek ve işlevlerini ve ikincil metabolit üretimiyle ilgisini tahmin etmek için makine öğrenimi modellerini kullanır.

Özet

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

3B alan değişimi, iki veya daha fazla protein alt biriminin aynı yapısal alt birimleri değiştirdiği ve oligomerler oluşturduğu bir protein yapısal olgusudur. 3D alan değişimi sergileyen proteinler, ikincil metabolit biyosentezi gibi çeşitli biyolojik işlevlerde ve tıbbi bitkilerde çeşitli biyotik ve abiyotik streslerle başa çıkmada çok önemli bir rol oynar. Bu çalışma, rastgele orman ve K-en yakın komşu sınıflandırıcı modellerini kullanarak tıbbi bitkilerin genomları arasındaki 3B alan değiştirme modellerini tahmin etme yeteneğini araştırmakta ve sırasıyla %91.6 ve %88.7'lik doğruluklar göstermektedir. Toplam 420 (%31) dizinin varsayılan olarak 3D alan takasına dahil olduğu tahmin edildi. Gen Ontolojisi (GO) terimleri, Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) yolakları analizi ve bunların ikincil metabolitler biyosentez yolaklarındaki alan dağılımına dayalı fonksiyon açıklaması için çeşitli tıbbi bitkilerden tahmin edilen 3B alan değiştirmeli protein dizileri üzerinde bir zenginleştirme araştırması da yapılmıştır. Tahmin edilen dizilerin işlevsel açıklamaları, 3B alan değiştirmeli dizilerin, fotosentetik elektron taşınması gibi çeşitli moleküler fonksiyonlarda yer değiştirdiği sonucuna varır sistem II ve elektron taşıyıcıları, fotosentez aktivitesinin döngüsel elektron taşıma yolu içinde elektronların aktarılması, oksidatif fosforilasyon ve ikincil metabolitleri sentezleyerek çevresel streslerin (biyotik ve abiyotik) gen regülasyonu (terpenoidler, alkaloidler ve poliaminler). Bu bulgular, makine öğreniminin, proteinlerin 3B alan değiştirme fenomenine katılımını, ilgili işlevlerini ve ilaç keşfi ve biyomühendislik girişimlerini kolaylaştırma potansiyellerini tahmin etme yeteneğinin altını çizmektedir.

Giriş

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

Hesaplamalı yöntemler, protein yapıları, işlevleri ve etkileşimleri hakkında ayrıntılı analiz ve tahminler sağlayarak protein araştırmalarında devrim yaratmıştır. Protein fonksiyonlarının kesin olarak tanımlanması ve açıklanması, yaşamın moleküler mekanizmalarını çözmek için gereklidir ve tıp ve ilaç geliştirmedeki ilerlemeler için büyük önem taşır. Bununla birlikte, deneysel yöntemlerin doğasında var olan karmaşıklık ve masraf, büyük dizi verilerini barındırmak için ölçeklenebilirliklerini sınırlar. Sonuç olarak, protein fonksiyon tahmini için hesaplama yöntemlerinin geliştirilmesi, hesaplamalı ve moleküler biyolojide çok önemli bir alan olarak ortaya çıkmış ve bu boşluğu yenilikçi büyük ölçekli yaklaşımlarla ele almıştır1.

3B alan değiştirme2 , paylaşılan bir yapının segmentlerinin bireysel zincirler arasında değiş tokuş edildiği proteinlerde yapısal bir fenomendir. 1994 yılında, 3B alan değiştirme mekanizması ile ilgili giriş belgeleri difteri toksini dimer3'te bulundu. Bununla birlikte, 3B alan değiştirmenin temel ilkeleri kırk yıl öncesine kadar izlenebilir. Sığır pankreas ribonükleaz A'nın (RNase A), karmaşık kimyasal modifikasyon deneyleri4 yoluyla asetik asitte liyofilizasyon sırasında dimerler oluşturduğu gözlemlenmiştir. Protein oligomerizasyonunda, iki veya daha fazla protein zinciri, esnek menteşe bölgeleri aracılığıyla aynı yapısal elemanları değiştirir. Proteinin monomerik alt birimler arasında değiş tokuş edilen kısmı, tüm bir küresel alandan, bir döngüden veya belirli proteinlerde ikincil bir yapısal elemandan oluşabilen takas edilmiş alan olarak adlandırılır. Tersine, monomerler içindeki orijinal konumlarında değişmeden kalan bölgeler, değiştirilmemiş alanlar5 olarak adlandırılır. Değiştirilmemiş etki alanları arasındaki bağlantı, Şekil 1'de gösterilen değiştirilmeyen etki alanı arabirimi (NSDI) olarak tanımlanır. 3B alan takasında, bir protein alt biriminin değiştirilmemiş alanı ile başka bir alt birimin zaten değiş tokuş edilmiş alanı arasındaki ilişki, değiştirilen alan arayüzü (SDI) olarak adlandırılır. Bu fenomenin bir diğer önemli yönü, takas edilmemiş ve takas edilmiş etki alanlarını birbirine bağlayan esnek bir bağlayıcı segmenti olan menteşe bölgesidir. Bu menteşe bölgesi, 3B alan değişiminin hareketine yardımcı olmada önemli bir işlev görür ve alan değişiminin gerçekleşmesi için gerekli yapısal yeniden yapılandırmayı sağlayan konformasyonel bir anahtar görevi görür. 3D alan değişimi, protein montajı ve fonksiyonel düzenleme5 dahil olmak üzere çeşitli biyolojik süreçlerde rol oynamıştır. Aynı zamanda, anormal takasın agregaların veya amiloid fibrillerin oluşumuna yol açabileceği bazı protein yanlış katlanma hastalıkları ile de ilişkilidir.

figure-introduction-1
Şekil 1: 3B alan değiştirmenin yapısal gösterimi. Gösterim, iki protein monomeri arasında esnek bir menteşe bölgesi aracılığıyla özdeş yapısal elemanların değişimini gösterir, bu da alan değiştirmeli bir dimerik veya oligomerik düzeneğin oluşumuyla sonuçlanır Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Değiştirilen alanların doğasına ve ortaya çıkan oligomerik yapılara bağlı olarak farklı 3B alan değiştirme türleri tanımlanmıştır6. 2002 yılında, Eisenberg ve meslektaşları üç tür 3B alan adı değişimi tanımladılar: Bonafide alan adı değiştirme (BDS), yarı alan değiştirme (QDS) ve 3D alan değiştirme adayı (CDS)7. En yaygın protein sınıfı, iyi niyetli alan takasıdır. Hem dimer hem de monomer moleküllerinin kararlı bir formda bulunduğu, dimerin alan değiştirmeli bir konfigürasyonu benimsemesi beklenirken, monomerin kapalı bir konfigürasyonu benimsemesi gereken bir durumu ifade eder. Yarı alan değiştirmede, bir proteinin oligomerik durumda mevcut olduğu bilinmektedir, ancak homolog yapısının monomerik durumda mevcut olduğu bilinmektedir. CDS'de, yalnızca alan değiştirmiş kategoriler altında protein sınıflandırmasını doğrularken, ilgili monomerlerin veya bunların monomerik homologlarının yapısal bilgisi mevcut değildir8. Bu prosedürde, monomerler veya bunların monomerik homologları yoktur; daha ziyade heterolog protein molekülleri mevcuttur. Tablo 1'de bu üç kategorinin bir örneği gösterilmektedir9.

Tablo 1: Örnekle 3B alan adı değiştirme türleri. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Daha sonraki çalışmalar, 3D alan değiştirme kavramının anlaşılmasının önünü açan çok sayıda alan değiştiren yapıyı ortaya çıkardı. Bu fenomeni destekleyen en eski yapısal kanıt, C-terminal ipliklerinin değişimi yoluyla dimerik bir yapı oluşturan bakteriyofaj λ'dan gelen Cro baskılayıcı proteinin molekülünde gözlendi. 1996'da araştırmacı, monomerik Cro molekülünün 3D alan değiştirme10'da yer aldığını buldu. βB2-kristallin12, insan CksHs213, sığır karaciğeri katalaz14 ve rekombinant insan interlökin-515 gibi diğer yapı11



Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

NOT: Bu bölüm, altı ana adımı kapsayan önerilen metodolojinin kapsamlı bir taslağını sağlar: (a) veri toplama, (b) özellik seçimi, (c) veri ön işleme, (d) veri işleme sonrası (e) model geliştirme (f) önerilen modelin sonuç değerlendirmesi ve (g) pozitif olarak tahmin edilen dizilerin farklı seviyelerinde zenginleştirme analizi. Core i5-10500, bu araştırma çalışmasında kullanılan 10. nesil bir işlemcidir. Temel frekansı 3,10 GHz ve maksimum turbo hızı 4,50 GHz olan altı çekirdeğe ve 12 iş parçacığına sahiptir. 12 MB Intel Smart Cache ile donatılmıştır, DDR4-2666 belleği destekler ve entegre görseller için UHD Graphics 630 içerir. Verimli çoklu görev ve üretkenlik için tasarlanan LGA 1200 soketi ile uyumludur ve 65W TDP'de çalışır.

1. Veri toplama

  1. Use3d3dswap-pred (https://caps.ncbs.res.in/3dswap-pred/3dswap-pred.html) ve 3DSwap+ (https://caps.ncbs.res.in/3Dswapplus/index.html)30 30 Ek Tablo 1, Ek Tablo 2, Ek Dosya 1, Ek Dosya 2). Başta şifalı bitkilerden olmak üzere, 3B alan değiştirmeli moleküllerin toplam 573 manuel olarak seçilmiş PDB girişini kullanın.
  2. Her bir Pfam31 protein ailesine (http://pfam.xfam.org/) bir En İyi Temsili Dizi (BRS) atayarak negatif veri kümesini oluşturmak için En İyi Temsilci Profili (BRP) yöntemini kullanın. 0,001 E değeri eşiği ile HMMER32 (https://www.ebi.ac.uk/Tools/hmmer/) kullanarak tüm Pfam BRP'lere karşı toplam 10.112 yapısal dizi arayın. Yapısal alanları (https://bioinformaticshome.com/db/tool/DIAL) tanımlamak için DIAL kullanarak elde edilen diziyi işleyin. Negatif veri kümesi (eğitim) olarak 575 PDB girişi ekleyin.
  3. BRP yöntemiyle türetilen 314 protein dizisini ve 3DSwap+ tarafından negatif bir veri kümesi olarak tanımlanan, manuel olarak küratörlüğünü yapan, 3B alan değiştirmeli 261 diziyi dahil edin.
  4. UniProt 33'ten (https://www.uniprot.org/) çeşitli tıbbi bitkilerden toplam 1.355 gözden geçirilmiş protein dizisi girişi alın. Bu çalışmaya 13 şifalı bitki dahil edin (test / tahmin veri seti): 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), Hibiscus (RS-88), Yasemin (RS-89), Kekik (RS-30), Thymus (RS-14), Illicium oligandrum (RS-72) ve Narenciye limon (RS-12). Filogenetik ağaç Ek Şekil 1'de verilmiştir.

2. Model oluşturma özelliğini kullanma

  1. Tıbbi bitkilerde protein dizilerini tahmin etmek için 453 özellikten oluşan kapsamlı bir özellik setinden yararlanın. Kapsamlı bir literatür taramasına dayalı olarak özenle seçilmiş 439 yerleşik özellik ve 16 yeni özellik içerir.
  2. Amino asidin fizikokimyasal özelliklerini belirlemek için AAindex veri tabanını34(https://www.genome.jp/aaindex/) kullanın. Özellik seçimi için WEKA35 makine öğrenimi platformunu (https://www.waikato.ac.nz/int/research/institutes-centres-entities/institutes/artificial-intelligence-institute/research/software/) uygulayın. Yeni eklenen özellikler için Tablo 2'ye bakın.

Tablo 2: Açıklamalarıyla birlikte yeni eklenen özelliklerin listesi. Bu tabloda, 3B etki alanı değişimini tahmin etmede model performansını artırmak için özellik ayıklama aşamasında tasarlanan yeni özellikler özetlenmektedir. Her özellik, alan değiştirme eğilimlerini etkilediği varsayılan proteinlerin belirli dizi tabanlı, fizikokimyasal veya yapısal özelliklerini yakalar. Her bir özelliğin biyolojik uygunluğunu ve hesaplamalı türetilmesini açıklığa kavuşturmak için ayrıntılı açıklamalar sağlanmıştır. Bu Tabloyu indirmek için lütfen buraya tıklayın.

3. Veri işleme öncesi ve sonrası

NOT: Veri önişleme. Veri ön işleme, ham verilerin analiz için hazırlanmasını içeren makine öğreniminde önemli bir adımdır. Bu, verilerin temizlenmesini içerir (örneğin, kopyaları kaldırmak, eksik değerleri işlemek vb.).

  1. Kategorik değişkenleri sayısal formda kodlamak için dört ana adımdan oluşan Ek Kodlama Dosyası 1'i kullanın: (1) Skor diktelerini tanımlayın, (2) fasta dizisini seq I0 ile işleyin. ayrıştırma, (3) veri çerçevesi oluşturma, (4) 3B etki alanı değiştirme özelliklerinin sayısal analizi.
  2. Veri işleme sonrası aracılığıyla modelin çıktısını iyileştirin ve yorumlayın. Tahminleri yeniden kalibre edin, sonuçları toplayın ve sınıflandırma için bir eşik uygulayın. Önceki çalışmalar 36,37,38 tarafından desteklendiği gibi, β = 0.5 (aralık 0-1) eşik değerini kullanarak iki modlu 3B etki alanı değiştirme veri kümesini sınıflandırın.
  3. Veri kümesini 70:30 tren testi bölünmesiyle bölün ve model eğitimi için p ve bağımsız değerlendirme için 0 ayırın.
  4. Özellik değerlerini ortalama 0 ve standart sapma 1 olarak ayarlamak için Standart Ölçekleyici yöntemini kullanarak eğitim verilerini standartlaştırın ve makine öğrenimi tahmincileriyle daha iyi uyumluluk sağlayın. En etkili değişkenleri belirlemek için özellik seçimi yapın.
    NOT: Bir veri kümesini standartlaştırmak, en iyi performansı sağlamak için birçok makine öğrenimi algoritması için yaygın olarak kullanılan bir ön koşuldur. Normal dağılımdan uzak veriler, makine öğrenimi modellerinin performansını olumsuz etkileyebilir39.
  5. Doğrulama yapın. Sağlam ve tarafsız model değerlendirmesini sağlamak için, K-katlamalı çapraz doğrulama da Ek Tablo 3'te uygulanmıştır.
  6. Veri kümesini K alt kümelerine bölün. Bağımsız test için kalan alt kümeyi kullanırken modeli K=5 alt kümelerinde yinelemeli olarak eğitin ve değerlendirin.

4. Modelin oluşturulması ve uygulanması

  1. Tahmine dayalı performansı optimize etmek için Rastgele Orman (RF) ve K-En Yakın Komşular (KNN) algoritmalarını uygulayın ve ince ayar yapın. Eğitim için 573 ve 575 protein dizisini ve test için 1.355 protein dizisini kullanarak modelleri eğitin, doğrulayın ve test edin.
  2. Seçilen protein dizisine göre sayısal özellik değerlerini ayıklamak için bir Python betiği (Ek Kodlama Dosyası 1) kullanın. Her iki veri kümesi için bu sayısal değerleri CSV dosyalarına kaydedin ve ikili sınıflandırma modeli oluşturma için RF ve KNN sınıflandırıcılarına gönderin.
  3. 3B alan değiştirme proteinleri ve 3B alan değiştirme olmayan proteinleri ayırt etmek için bu modelleri kullanın. 3B etki alanı değişimini tahmin etmek için genelleştirilmiş çerçeve için Şekil 2 ve Şekil 3'e bakın.
  4. RF modeli için n_estimators=20, max_depth=4 ve random_state=42 gibi hiper parametreler uygulayın.
  5. KNN sınıflandırıcı modeli için neighbors=5 hiper parametresini uygulayın.
    NOT: Bu parametre ayarları, modellerin manuel olarak seçilmiş tıbbi bitki veri setindeki performansını artırmak için ince ayar yapılmıştır.

figure-protocol-1
Şekil 2: Açıklayıcı şematik gösterim. Gösterim, Rastgele Orman ve K-En Yakın Komşu (KNN) makine öğrenimi modellerini, ikili sınıflandırma görevleri bağlamında algoritmik yapılarını ve işlevsel iş akışlarını sergileyerek gösterir Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-2
Şekil 3: Makine öğrenimi tabanlı iş akışı. Diyagramda, tıbbi bitki proteinlerinde 3B alan değiştirmeyi tahmin etmek için makine öğrenimi tabanlı bir iş akışı gösterilmektedir. Süreç, kıyaslama ve meta veri kümelerini birleştiren veri kümesi edinme ile başlar. Özellik ekstraksiyonu, protein dizilerinden hem mevcut hem de yeni özelliklerin türetilmesini içerir. Veri kümesi ön işlemede, FASTA dizileri, belirli 3B etki alanı değiştirme özellikleri de dahil olmak üzere yapılandırılmış veri çerçeveleri oluşturmak için dizi ayrıştırma ve sözlük eşleme kullanılarak sayısal değerlere dönüştürülür. İşlem sonrası, bir eşik (β = 0,5) kullanarak etki alanı takas durumu atamayı, verileri eğitim ve test kümelerine bölmeyi (70-30 oranı), özellikleri standartlaştırmayı ve k-katlama doğrulaması ile özellik seçimi gerçekleştirmeyi içerir. Rastgele Orman (RF) ve K-En Yakın Komşular (KNN) olmak üzere iki makine öğrenimi modeli eğitilir ve performansları, tahmine dayalı doğruluğu ve sağlamlığı değerlendirmek için AUROC ve AUPRC ile birlikte model ölçümleri kullanılarak değerlendirilir Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

5. Makine öğrenimi sınıflandırıcılarının statik değerlendirmesi ve model değerlendirmeleri

  1. Tahmine dayalı performansı optimize etmek için Rastgele Orman (RF) ve K-En Yakın Komşular (KNN) algoritmalarını uygulayın ve ince ayar yapın. Eğitim için 573 ve 575 protein dizisini ve test için 1.355 protein dizisini kullanarak modelleri eğitin, doğrulayın ve test edin.
    figure-protocol-3(1)
    figure-protocol-4(2)
    figure-protocol-5(3)
    figure-protocol-6(4)
    figure-protocol-7(5)
    figure-protocol-8(6)
    NOT: TP'yi (Gerçek Pozitif), modeller tarafından etki alanı değiştirilen olarak doğru bir şekilde tahmin edilen dizilerin yüzdesi olarak tanımlayın. TN'yi (Gerçek Negatif), etki alanı değiştirilmemiş olarak doğru bir şekilde tahmin edilen dizilerin yüzdesi olarak tanımlayın. Yanlış Pozitifi (FP), alan değiştirmeli olmayan proteinlerin yanlış bir şekilde alan değiştirmeli olarak tahmin edildiği durumlar olarak tanımlayın. Yanlış Negatifi (FN), alan değiştiren proteinlerin yanlış bir şekilde alan değiştirmemiş olarak tahmin edildiği durumlar olarak tanımlayın.
  2. Xsen'i doğru bir şekilde tanımlanan gerçek pozitiflerin oranı olarak ve Xspe'yi model tarafından doğru bir şekilde tanımlanan gerçek negatiflerin oranı olarak hesaplayın.
    NOT: Karışıklık matrisinden Doğru Pozitifleri, Gerçek Negatifleri, Yanlış Pozitifleri ve Yanlış Negatifleri analiz ederek ikili sınıflandırmaların kalitesini değerlendirmek için MCC'yi kullanın.
  3. Doğru tahminlerin toplam tahminler arasındaki oranını ölçmek için Doğruluğu (ACC) hesaplayın.
    NOT: Kesinlik, tahmin edilen tüm pozitifler arasında doğru tanımlanmış pozitiflerin bir oranını değerlendirirken, F1 puanı, Yanlış Pozitifleri ve Yanlış Negatifleri dengeleyen Hassasiyet ve Hassasiyetin harmonik ortalamasıdır.
  4. İkili sınıflandırma görevlerinde sınıflandırma modellerinin performansını değerlendirmek için AUC'yi kullanın. Pozitif ve negatif olarak sınıflandırılmış proteinlere dayalı olarak Scikit-learn Python kitaplığı40'ı kullanarak AUC'yi (Eğrinin Altındaki Alan) hesaplayın.
  5. Bu parametreleri değerlendirmek için test verilerini kullanın.

6. Çeşitli tıbbi bitki türlerinde 3 boyutlu alan değişiminin tahmini için modelin uygulanması

  1. Citrus sinensis, Mentha, Vitis vinifera, Kekik, Thymus vulgaris, Yasemin, Hibiscus, Papaver somniferum, Illicium oligandrum, Narenciye limonu, Acorus calamus, Cannabis sativa ve Coffea arabica dahil olmak üzere 13 farklı şifalı bitkiden toplam 1.355 gözden geçirilmiş diziye (tahmin veri seti) RF ve KNN uygulayın.
    NOT: Bu proteinler Citrus sinensis, Mentha, kekik gibi çeşitli işlevlerle ilişkilidir hazımsızlığa yardımcı olur. Vitis vinifera, Yasemin, Hibiscus çok zengin bir antioksidan kaynağıdır ve ayrıca cilt sağlığını iyileştirir. Illicium oligandrum , antifungal ve antibakteriyel özellikleri vb. ile bilinir.

7. Tıbbi bitkiden pozitif öngörülü 3 boyutlu alan değiştirmiş proteinlerin zenginleştirme araştırması

  1. UniProt'tan alınan verileri kullanarak bu protein dizilerinin erişim kodlarını ikincil metabolit kategorilerine eşleyin.
  2. Tahmin edilen dizilerden gen kimliğini çıkarın.
  3. İlgili yollarını kontrol etmek için bireysel gen kimliğini veya protein adını yapıştırarak KEGG yol zenginleştirme analizi yapmak için KEGG çevrimiçi web sunucusu41'i (https://www.genome.jp/kegg/) açın.
  4. Belirli gen ontolojisi (GO) terimlerinin ve biyolojik yolların istatistiksel olarak anlamlı aşırı temsilini tespit etmek için tahmin edilen 3B alan değiştiren proteinleri bir tahmin veri kümesiyle karşılaştırarak karşılaştırmalı bir analiz gerçekleştirin. Tahmin edilen dizinin gen kimliğini ShinyGO v0.742'ye (https://bioinformatics.sdstate.edu/go74/) yapıştırın ve istenen işlevi veya yol kategorisini seçin (biyolojik işlev, Hücresel bileşen, moleküler işlev, KEGG, vb.).
    NOT: Bu ek açıklamaları, kullanıcıların Python kodu yazmasına ve yürütmesine olanak tanıyan çevrimiçi bulut tabanlı bir platform43 kullanarak görselleştirin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

3D alan değişimi sergileyen proteinler sıklıkla çeşitli biyolojik işlevlerle bağlantılıdır. Bununla birlikte, 3D alan takasında yer alan protein dizilerinin sistematik, genom çapında bir analizi büyük ölçüde keşfedilmemiş kalmaktadır. Bu araştırmada, 13 şifalı bitkiden 3D alan değiştirmeli proteinleri varsayılan olarak tahmin etmek için, ikincil metabolit alanları, KEGG yolları ve Gen Ontolojisi (GO) terimleri ile ilişkilerine odaklanarak bir ilk araştırma yaptık. Erişilebilir literatürün kapsamlı bir analizi ve uygulana...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Proteinlerin tüm genomları boyunca 3B alan değişiminin anlaşılması, çeşitli alanlarda büyük önem taşımaktadır. Makine öğrenimi yaklaşımları, özellikle rastgele orman ve K-en yakın komşusu26,27, genom düzeyinde protein dizisi verilerinden doğrudan 3D alan değişimini tahmin etmek için kullanılmıştır. Bu iki makine öğrenimi modeli, veri kümesi toplama, özellik seçimi, veri ön/son işleme, özelleştirilmiş model betiğinin uygulanması v...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar, bu yazıda rapor edilen çalışmayı etkilemiş gibi görünebilecek bilinen hiçbir rakip mali çıkarları veya kişisel ilişkileri olmadığını beyan ederler.

Teşekkürler

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

Bu araştırma için herhangi bir fon alınmadı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
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: 
WEKAWekatohttps://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/:   Üniversitesi

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

3B Domain De i imiProtein OligomerizasyonuRastgele OrmanK En Yak n Kom uFonksiyonel AnotasyonSekonder Metabolit BiyosenteziGen OntolojisiKEGG Yolaklar
Video yakında

İlgili makaleler