Predyktory oparte na sekwencji rozdzielania faz ciecz-ciecz
LLPS często obejmuje regiony sekwencji, które mają unikalne cechy funkcjonalne, a także obecność domen podobnych do prionów i domen wiążących RNA. Obecnie istnieje tylko kilka metod przewidywania skłonności białka do kierowania LLPS. Zakres mechanizmów biologicznych zaangażowanych w LLPS, ograniczona wiedza na temat tych mechanizmów oraz ważny komponent LLPS zależny od kontekstu sprawiają, że problem ten jest trudny. W ostatnich latach, pomimo postępu w tej dziedzinie, opracowano zaledwie kilka predyktorów specyficznych dla LLPS, starając się zrozumieć związek między właściwościami sekwencji białek a zdolnością do kierowania LLPS. Tutaj dokonamy przeglądu najnowocześniejszych predyktorów opartych na sekwencji LLPS, krótko je przedstawiając i wyjaśniając, jakie są indywidualne cechy białek, które identyfikują w kontekście LLPS.
| Urządzenie prognozujące | Opublikowany | Opis - Typ danych |
|---|---|---|
| PSPer | 2019 | PSPer to metoda przeszkolona do identyfikacji białek rozdzielania faz wiążących RNA podobnych do prionów (PSP). Ta metoda koncentruje się na określonej cesze białek LLPS i zapewnia ogólną ocenę dla danego białka w zależności od obecności tej cechy. Metoda jest szkolona na eksperymentalnym zbiorze danych PSP podobnych do FUS oraz cechach biofizycznych (domena wiążąca PLD i RNA, motyw rozpoznawania RNA, domeny nieuporządkowane i dodatkowe), które należą do każdego regionu, zaimplementowanych w modelu probabilistycznym. Ta metoda została również przeszkolona z uwzględnieniem negatywnego zestawu danych uporządkowanych białek, więc oczekuje się, że jej wydajność wzrośnie w przypadku tych nieuporządkowanych białek sterowanych LLPS. |
| PLAC | 2014 | PLAAC przewiduje skład aminokwasowy podobny do prionu, zwykle wzbogacony w reszty polarne, za pomocą ukrytego modelu Markowa (HMM). Ta metoda została pierwotnie opracowana przed uświadomieniem sobie implikacji PLD w LLPS, w związku z czym nie jest przeszkolona do identyfikacji większości regionów separacji faz. |
| Wynik PS | 2017 | PScore to statystyczny algorytm oceny, który przewiduje interakcje pi-pi. Porównuje interakcje pi-pi przewidywane w białkach docelowych ze wszystkimi białkami znalezionymi w PDB, aby przypisać ocenę skłonności do separacji faz. |
| kotGRANULE | 2016 | catGRANULE to metoda, która została pierwotnie przeszkolona w stosunku do białka drożdży, ale wykazano, że jest przydatna do przewidywania ludzkich białek rozdzielających fazy. Algorytm opiera się na statystyce składu sekwencji w celu odróżnienia białek zlokalizowanych w granulkach drożdży od reszty proteomu drożdży. Cechami branymi pod uwagę przy ważeniu reszt są nieuporządkowanie i skłonność do wiązania kwasów nukleinowych, a także właściwości niektórych aminokwasów. |
| PSPredictor | 2019 | PSPredictor to podejście oparte na uczeniu maszynowym do przewidywania separacji faz białek, trenowane na zestawie eksperymentalnie zweryfikowanych sekwencji białek w bazie danych LLPSDB. |
| PSAP | 2021 | PSAP to losowy klasyfikator leśny do przewidywania prawdopodobieństwa, że białka będą pośredniczyć w rozdzielaniu faz. Ten klasyfikator jest szkolony na zestawie 90 białek LUDZKICH o wysokim stopniu pewności, które napędzają LLPS. |
| FuzDrop | 2020 | FuzDrop to metoda przewidywania regionów i białek promujących sterownik kropli. Algorytm został przeszkolony na zbiorze danych kierowców zebranych z różnych publicznych baz danych, a wynikiem jest prawdopodobieństwo formowania się kropel na pozostałość. |
Symulacje LLPS
Innym ważnym zasobem obliczeniowym w dziedzinie LLPS są teoretyczne symulacje białek, zwłaszcza białek wewnętrznie nieuporządkowanych (IDP), prowadzenie LLPS. Symulacje te uzupełniają eksperymenty i dostarczają ważnych informacji na temat mechanizmów molekularnych poszczególnych białek napędzających LLPS. Przegląd z Dignon et al. omówili, w jaki sposób można zastosować te symulacje do interpretacji wyników eksperymentów, wyjaśnienia zachowania fazowego i zapewnienia ram predykcyjnych do projektowania białek o regulowanych właściwościach przejścia fazowego. Wyzwaniem jest kompromis między rozdzielczością modelu a wydajnością obliczeniową, ponieważ symulacje wszystkich atomów dużych systemów z udziałem IDP są nadal trudne do wykonania. Co więcej, interakcje molekularne między IDP w stanie kropelkowym są nadal słabo poznane, a połączenie danych eksperymentalnych i symulacji jest niezbędne do ich wyjaśnienia. W ciągu najbliższych kilku lat mogą nastąpić ulepszenia metod pobierania próbek i symulacji, aby wyjaśnić te mechanizmy.
Zobacz też
- ^ ab Orlando , Gabriele; Raimondi, Daniele; Tabaro, Francesco; Kodeks, Francesco; Moreau, Yves; Vranken, Wim F (2019-04-17). „Obliczeniowa identyfikacja prionopodobnych białek wiążących RNA, które tworzą ciekłe kondensaty rozdzielone fazami” . Bioinformatyka . 35 (22): 4617–4623. doi : 10.1093/bioinformatyka/btz274 . ISSN 1367-4803 . PMID 30994888 .
- ^ a b Lancaster, AK; Nutter-Upham, A.; Lindquist, S.; Król, OD (2014-05-13). „PLAAC: aplikacja internetowa i wiersza poleceń do identyfikacji białek o składzie aminokwasowym podobnym do prionów” . Bioinformatyka . 30 (17): 2501–2502. doi : 10.1093/bioinformatyka/btu310 . ISSN 1367-4803 . PMC 4147883 . PMID 24825614 .
- ^ ab ; Vernon, Robert McCoy Chong, Paweł Andrzej; Tsang, Brian; Kim, Tae Hun; Ba, Alaji; Farber, Patryk; Lin, Hong; Forman-Kay, Julie Deborah (2018-02-09). Shan, Yibing (red.). „Kontakty Pi-Pi to pomijana cecha białka związana z separacją faz” . eŻycie . 7 : e31486. doi : 10.7554/eLife.31486 . ISSN 2050-084X . PMC 5847340 . PMID 29424691 .
- ^ a b Bolognesi, Benedetta; Gotor, Nieves Lorenzo; Dhar, Riddhiman; Cirillo, Davide; Baldrighi, Marta; Tartaglia, Gian Gaetano; Lehner, Ben (2016-06-28). „Zależna od stężenia separacja fazy ciekłej może powodować toksyczność przy zwiększonej ekspresji białka” . Raporty komórkowe . 16 (1): 222–231. doi : 10.1016/j.celrep.2016.05.076 . ISSN 2211-1247 . PMC 4929146 . PMID 27320918 .
- ^ Ambadipudi, Susmitha; Biernat, Jacek; Riedel, Dietmar; Mandelkow, Eckhard; Zweckstetter, Markus (2017-08-17). „Rozdzielenie faz ciecz-ciecz powtórzeń wiążących mikrotubule białka Tau związanego z chorobą Alzheimera” . Komunikacja natury . 8 (1): 275. Bibcode : 2017NatCo...8..275A . doi : 10.1038/s41467-017-00480-0 . ISSN 2041-1723 . PMC 5561136 . PMID 28819146 .
-
^ ab Słońce
, Tanlin; Li, Qian; Xu, Youjun; Zhang, Zhuqing; Lai, Luhua; Pei, Jianfeng (2019-11-15). „Przewidywanie białek rozdzielających fazę ciecz-ciecz przy użyciu uczenia maszynowego” : 842336. doi : 10.1101/842336 . S2CID 209574590 .
{{ cite journal }}: Cite journal wymaga|journal=( pomoc ) - ^ ab Mierlo , Guido van; Jansen, Jurriaan RG; Wang, Jie; Poser, Ina; Heeringen, Simon J. van; Vermeulen, Michiel (2021-02-02). „Przewidywanie tworzenia się kondensatu białek za pomocą uczenia maszynowego” . Raporty komórkowe . 34 (5): 108705. doi : 10.1016/j.celrep.2021.108705 . ISSN 2211-1247 . PMID 33535034 . S2CID 231804701 .
- ^ ab Hardenberg , Maarten; Horvath, Attyla; Ambrus, Wiktor; Fuxreiter, Monika; Vendruscolo, Michele (29.12.2020). „Powszechne występowanie stanu kropelkowego białek w ludzkim proteomie” . Obrady Narodowej Akademii Nauk . 117 (52): 33254–33262. doi : 10.1073/pnas.2007670117 . ISSN 0027-8424 . PMC 7777240 . PMID 33318217 .
- Bibliografia _ Zheng, Wenwei; Mittal, Jeetain (2019-03-01). „Metody symulacyjne rozdzielania faz ciecz-ciecz nieuporządkowanych białek” . Aktualna opinia w inżynierii chemicznej . Granice inżynierii chemicznej: modelowanie molekularne . 23 : 92–98. doi : 10.1016/j.coche.2019.03.004 . ISSN 2211-3398 . PMC 7426017 . PMID 32802734 .
- ^ Shea, Joan-Emma; Najlepszy, Robert B.; Mittal, Jeetain (2021-04-01). „Obliczeniowe i teoretyczne podejście oparte na fizyce do białek wewnętrznie nieuporządkowanych” . Aktualna opinia w biologii strukturalnej . Teoria i symulacja/metody obliczeniowe ● Zespoły makrocząsteczkowe. 67 : 219–225. doi : 10.1016/j.sbi.2020.12.012 . ISSN 0959-440X . PMC 8150118 . PMID 33545530 .