ИПП и прогнозирование изменений свободной энергии связывания, вызванных мутациями: что все это означает
21 марта 2024 г.:::информация Этот документ доступен на Arxiv под лицензией CC 4.0.
Авторы:
(1) Доктор Масуд Рана, факультет математики, Университет Кентукки;
(2) Дык Дуй Нгуен, факультет математики, Университет Кентукки и amp; ducnguyen@uky.edu.
:::
Таблица ссылок
4 Заключение
Изучение белок-белковых взаимодействий (PPI) и предсказание изменений свободной энергии связывания, вызванных мутациями, имеют большое значение для понимания молекулярных основ биологических процессов.
Применение геометрической теории графов и методов раскраски графов на уровне атомов обеспечивает мощную основу для анализа биомолекул и выявления их сложных взаимосвязей.
Используя концепцию геометрических подграфов и создавая многомасштабные взвешенные цветные геометрические подграфы (MWCGS), мы можем эффективно представлять структурные и функциональные свойства ИЦП.
Сайт-специфичные функции MWCGS позволяют нам извлекать значимые закономерности и характеристики, проливая свет на эффекты мутаций и лежащие в их основе молекулярные взаимодействия.
В этой работе мы разработали предиктор изменения свободной энергии связывания, вызванный мутациями, названный GGL-PPI, путем включения специфичных для сайта функций MWCGS для PPI и деревьев, повышающих градиент. Наш метод демонстрирует превосходную эффективность по сравнению с существующими методами.
Модель была проверена на трех наборах данных: AB-Bind S645, SKEMPI 1.0 S1131 и SKEMPI 2.0 S4169 и S8338, что продемонстрировало ее надежность и эффективность. Кроме того, GGL-PPI оценивался на наборе слепых тестов — наборе данных Ssym.
Чтобы предотвратить утечку данных между тестовым и обучающим наборами, модель была обучена на сбалансированном обучающем наборе Q3488 с пониженной гомологией. Такой подход обеспечивает надежность и справедливость процесса оценки.
GGL-PPI демонстрирует наиболее беспристрастную и превосходную эффективность в прогнозировании изменений свободной энергии связывания как для прямых, так и для обратных мутаций, превосходя другие существующие методы, особенно для обратных мутаций.
В целом, результаты подчеркивают потенциал подхода GGL-PPI в точном прогнозировании вызванных мутациями изменений свободной энергии связывания во взаимодействиях белок-белок, предоставляя ценную информацию о молекулярных механизмах, лежащих в основе белок-белковых взаимодействий, и облегчая разработку лекарств и усилия по их открытию. /п>
5 Доступность данных и программного обеспечения
Исходный код доступен на Github: https://github.com/NguyenLabUKY/GGL-Mutation.
6 Конкурирующие интересы
Никаких конкурирующих интересов не заявлено.
7 благодарностей
Эта работа частично поддерживается средствами Национального научного фонда (NSF: № 2053284, № 2151802 и № 2245903) и Стартап-фонда Университета Кентукки.
Ссылки
[1] Дана Чудерленд и Рони Сигер. Белково-белковые взаимодействия в регуляции киназы, регулируемой внеклеточным сигналом. Мол. Биотехнологии., 29:57–74, 2005.
[2] Гарри Джабб, Том Л. Бланделл и Дэвид Б. Ашер. Гибкость и небольшие карманы на границах раздела белок-белок: новый взгляд на возможность применения лекарств. Прог. Биофиз. Мол., 119(1):2–9, 2015.
[3] Милейди В. Гонсалес и Марисель Г. Канн. Глава 4: Белковые взаимодействия и болезни. ПЛОС Компьютер. Биол., 8(12):e1002819, 2012.
[4] Цуньлян Гэн, Ли Сюэ, Хорхе Рул-Турис и Александр MJJ Бонвен. Нахождение пятна δδg: готовы ли к этому предикторы изменения аффинности связывания при мутациях в белок-белковых взаимодействиях? Уайли Междисциплин. Ред. Компьютер. Мол. Sci., 9(5):e1410, 2019.
[5] Рокко Моретти, Сарел Дж. Флейшман, Руди Агиус, Мечислав Торчала, Пол А. Бейтс, Панайотис Л. Кастритис, Жоао ПГЛМ Родригес, Микаэль Трелле, Александр М.Дж. Бонвен, Менг Куи и др. Общественная оценка методов прогнозирования влияния мутаций на белок-белковые взаимодействия. Белки: Структур. Функц. Genet., 81(11):1980–1987, 2013.
[6] Джеффри Р. Брендер и Ян Чжан. Прогнозирование влияния мутаций на белок-белковые связывающие взаимодействия с помощью структурных профилей интерфейса. ПЛОС Компьютер. Биол., 11(10):e1004494, 2015.
[7] Нин Чжан, Ютин Чен, Хаою Лу, Фейян Чжао, Роберто Вера Альварес, Александр Гончаренко, Анна Р. Панченко и Минхуэй Ли. Mutabind2: прогнозирование влияния одиночных и множественных мутаций на белок-белковые взаимодействия. Iscience, 23(3):100939, 2020.
[8] Карлос Х.М. Родригес, Ючан Мён, Дуглас Э.В. Пирес и Дэвид Б. Ашер. mcsm-ppi2: прогнозирование влияния мутаций на белок-белковые взаимодействия. Nucleic Acids Res., 47(W1):W338–W344, 2019.
[9] Минхуэй Ли, Маргарита Петух, Эмиль Алексов и Анна Р. Панченко. Прогнозирование влияния миссенс-мутаций на аффинность связывания белок-белок. Дж. Хим. Theory Comput., 10(4):1770–1780, 2014.
[10] Хафуми Ниси, Манодж Тьяги, Шаолей Тенг, Бенджамин Шумейкер, Косуке Хасимото, Эмиль Алексов, Стефан Вухти и Анна Р. Панченко. Раковые миссенс-мутации изменяют связывающие свойства белков и сетей их взаимодействия. PloS one, 8(6):e66273, 2013.
[11] Му Гао, Хунъи Чжоу и Джеффри Сколник. Понимание связанных с заболеваниями мутаций в протеоме человека посредством структурного анализа белков. Структура, 23(7):1362–1369, 2015.
[12] Алессия Дэвид, Розами Разали, Марк Н. Васс и Майкл Дж. Э. Штернберг. Сайты белок-белкового взаимодействия являются «горячими точками» для несинонимичных snps, связанных с заболеванием. Хм. Мутат., 33(2):359–363, 2012.
[13] Х. Биллур Энгин, Джейсон Ф. Крейсберг и Ханна Картер. Структурный анализ показывает, что раковые миссенс-мутации нацелены на интерфейсы взаимодействия белков. PLoS One, 11(4):e0152929, 2016.
[14] Амели Штайн, Дуглас М. Фаулер, Расмус Хартманн-Петерсен и Крестен Линдорф-Ларсен. Биофизические и механистические модели вариантов белков, вызывающих заболевания. Тенденции биохимии. Sci., 44(7):575–588, 2019.
[15] Стефани Портелли, Джоди Э. Фелан, Дэвид Б. Ашер, Таан Дж. Кларк и Николас Фернхэм. Понимание молекулярных последствий предполагаемых мутаций микобактерии туберкулеза, устойчивых к лекарствам. наук. Республика, 8(1):1–12, 2018 г.
[16] Сандип Чайтанья Ведити, Сони Малхотра, Мадхусмита Дас, Шила Дэниел, Нанда Кишор, Ануджа Джордж, Шанта Арумугам, Лакшми Раджан, Маннам Эбенезер, Дэвид Б. Ашер и др. Структурные последствия мутаций, придающих микобактериям лепры устойчивость к рифампину. наук. Реп., 8(1):5016, 2018.
[17] Витаутас Гапсис, Серваас Михильсенс, Даниэль Зеелигер и Берт Л де Гроот. Точный и строгий прогноз изменений свободной энергии белка при крупномасштабном сканировании мутаций. Энджью. хим., межд. Ред., 55(26):7364–7368, 2016.
[18] Элизабет Х. Келлог, Эндрю Ливер-Фэй и Дэвид Бейкер. Роль конформационной выборки в вычислении изменений в структуре и стабильности белка, вызванных мутациями. Белки: структура, функции и биоинформатика, 79(3):830–838, 2011.
[19] Брайан Дж. Бендер, Альберто Сиснерос III, Аманда М. Дюран, Джессика А. Финн, Дарвин Фу, Алисса Д. Локитс, Бенджамин К. Мюллер, Амандип К. Сангха, Мэрион Ф. Зауэр, Александр М. Севи и др. Протоколы молекулярного моделирования с помощью Rosetta3 и Rosettascripts. Биохимия, 55(34):4748–4763, 2016.
[20] Курт С. Торн и Эндрю А. Боган. Asedb: база данных мутаций аланина и их влияния на свободную энергию связывания во взаимодействиях белков. Биоинформатика, 17(3):284–285, 2001.
[21] Доктор медицинских наук Шаджи Кумар и Михаил Громиха. Пинта: термодинамическая база данных межбелковых взаимодействий. Nucleic Acids Res., 34 (приложение 1): D195–D198, 2006.
[22] Доктор медицинских наук Шаджи Кумар, К. Абдулла Бава, М. Майкл Громиха, Понрадж Прабакаран, Кодзи Китадзима, Хацухо Уэдайра и Акинори Сараи. Протерм и пронит: термодинамические базы данных по белкам и взаимодействиям белок-нуклеиновая кислота. Nucleic Acids Res., 34 (приложение 1): D204–D206, 2006.
[23] Иэн Х. Моал и Хуан Фернандес-Ресио. Скемпи: структурно-кинетическая и энергетическая база данных взаимодействий мутантных белков и ее использование в эмпирических моделях. Биоинформатика, 28(20):2600–2607, 2012.
[24] Юстина Янкаускайте, Брайан Хименес-Гарсия, Юстас Дапкунас, Хуан Фернандес-Ресио и Иэн Х. Моал. Skempi 2.0: обновленный эталон изменений энергии связывания белок-белок, кинетики и термодинамики при мутации. Биоинформатика, 35(3):462–469, 2019.
[25] Сара Сирин, Джеймс Р. Апгар, Эрик М. Беннетт и Эми Э. Китинг. Ab-bind: база данных мутаций связывания антител для компьютерного прогнозирования аффинности. Protein Sci., 25(2):393–409, 2016.
[26] Цуньлян Гэн, Анна Вангоне и Александр MJJ Бонвен. Изучение взаимодействия между экспериментальными методами и эффективностью предикторов изменения аффинности связывания при мутациях в белковых комплексах. Белок англ. Дес. Сел., 29(8):291–299, 2016.
[27] Шерлин Джемайма, К. Югандхар и М. Майкл Громиха. Proximate: база данных термодинамики и кинетики мутантного белок-белкового комплекса. Биоинформатика, 33(17):2787–2788, 2017.
[28] Дуглас Э.В. Пирес, Дэвид Б. Ашер и Том Л. Бланделл. mcsm: прогнозирование последствий мутаций в белках с использованием сигнатур на основе графов. Биоинформатика, 30(3):335–342, 2014.
[29] Цуньлян Гэн, Анна Вангоне, Герт Э. Фолкерс, Ли Сюэ и Александр MJJ Бонвен. isee: структура интерфейса, эволюция и основанный на энергии машинное обучение предсказывают изменения аффинности связывания при мутациях. Белки: структура, функции и биоинформатика, 87(2):110–119, 2019.
[30] Шерлин Джемайма, Масакадзу Сэкидзима и М. Майкл Громиха. Proaffimuseq: метод на основе последовательностей для прогнозирования изменения свободной энергии связывания белок-белковых комплексов при мутации с использованием функциональной классификации. Биоинформатика, 36(6):1725–1730, 2020.
[31] Гуанъюй Чжоу, Мухао Чен, Челси Джей Ти Джу, Чжэн Ван, Цзюнь-Ю Цзян и Вэй Ван. Оценка влияния мутации на белок-белковые взаимодействия с использованием глубокого контекстуального обучения представлению. геном НАР. биоинформ., 2(2):lqaa015, 2020.
[32] Алексей Строкач, Тянь Ю Лу и Филип М. Ким. Elaspic2 (el2): объединение контекстуализированных языковых моделей и графовых нейронных сетей для прогнозирования эффектов мутаций. Дж. Мол. Биол., 433(11):166810, 2021.
[33] Сянген Лю, Юнань Ло, Пэнгён Ли, Сен Сун и Цзянь Пэн. Глубокие геометрические представления для моделирования влияния мутаций на аффинность связывания белок-белок. ПЛОС Компьютер. Биол., 17(8):e1009284, 2021.
[34] Пьеро Фариселли, Пьер Луиджи Мартелли, Кастренсе Савохардо и Рита Касадио. Inps: прогнозирование влияния несинонимичных вариаций на стабильность белка по последовательности. Биоинформатика, 31(17):2816–2821, 2015.
[35] Грант Тилтген и Ричард Гольдштейн. Оценка предикторов изменений стабильности белка при мутации с использованием самосогласованности. PLoS One, 7(10):e46084, 2012.
[36] Фабрицио Пуччи, Катриен В. Бернартс, Жан Марк Квасигрок и Марианна Руман. Количественная оценка систематических ошибок в предсказаниях изменений стабильности белков в результате мутаций. Биоинформатика, 34(21):3659–3665, 2018.
[37] Динара Р. Усманова, Наталья С. Богатырева, Джоан Ариньо Бернад, Александра А. Еремина, Анастасия А. Горшкова, Герман М. Каневский, Любовь Р. Лонишин, Александр В. Мейстер, Алиса Г. Якупова, Федор А. Кондрашов и др. Тест самосогласованности выявляет систематическую ошибку в программах прогнозирования изменения стабильности при мутации. Биоинформатика, 34(21):3653–3658, 2018.
[38] Дык Д. Нгуен, Тянь Сяо, Мэнглун Ван и Го-Вэй Вэй. Усиление жесткости: механизм связывания белок-лиганд. Дж. Хим. Инф. Модель., 57(7):1715–1721, 2017.
[39] Господин Масуд Рана и Дук Дуй Нгуен. Обучение геометрическим графам с расширенными функциями типов атомов для прогнозирования аффинности связывания белков-лигандов. Вычислить. Биол. Мед., 164:107250, 2023.
[41] Мэнглун Ван, Цзысюань Цан и Го-Вэй Вэй. Сетевое дерево на основе топологии для прогнозирования изменений аффинности связывания белок-белок после мутации. Нат. Мах. Интел., 2(2):116–123, 2020.
[42] Duan Chen, Zhan Chen, Changjun Chen, Weihua Geng, and Guo-Wei Wei. Mibpb: a software package for electrostatic analysis. J. Comput. Chem., 32(4):756–770, 2011.
[43] Сян Лю, Хуитао Фэн, Цзе Ву и Келин Ся. Машинное обучение на основе Hom-комплекса (hcml) для прогнозирования изменений аффинности связывания белок-белок при мутации. Дж. Хим. Инф. Модель., 62(17):3961–3969, 2022.
[44] Дуглас Э.В. Пирес и Дэвид Б. Ашер. mcsm-ab: веб-сервер для прогнозирования изменений сродства антитела к антигену при мутации с помощью графических сигнатур. Nucleic Acids Res., 44(W1):W469–W473, 2016.
[45] Пэн Сюн, Чэнсинь Чжан, Вэй Чжэн и Ян Чжан. Bindprofx: оценка изменения аффинности связывания, вызванного мутацией, по профилям интерфейса белков с псевдосчетами. Дж. Мол. биол., 429(3):426–434, 2017.
[46] Цюанья Лю, Пэн Чен, Бин Ван, Цзюнь Чжан и Цзинььян Ли. dbmpikt: база данных кинетических и термодинамических взаимодействий мутантных белков. Биоинформатика BMC, 19(1):1–7, 2018.
[47] Бянь Ли, Юйчэн Т. Ян, Джон А. Капра и Марк Б. Герштейн. Прогнозирование изменений термодинамической стабильности белков при точечной мутации с помощью глубоких трехмерных сверточных нейронных сетей. PLoS Комп. Био., 16(11):e1008291, 2020.
[48] Лицзюнь Цюань, Цян Льв и Ян Чжан. Струм: предсказание изменений стабильности белка на основе структуры при одноточечной мутации. Биоинформатика, 32(19):2936–2946, 2016.
[49] Лео Брейман. Случайные леса. Машинное обучение, 45:5–32, 2001 г.
[50] Коринна Кортес и Владимир Вапник. Сети опорных векторов. Машинное обучение, 20:273–297, 1995.
[51] Дук Дуй Нгуен, Кайфу Гао, Менглун Ван и Го-Вэй Вэй. Mathdl: глубокое математическое обучение для грандиозной задачи d3r 4. J. Comput. Помог. Мол. Дес., 34(2):131–147, 2020.
[52] Джером Х. Фридман. Аппроксимация жадной функции: машина повышения градиента. Анналы статистики, страницы 1189–1232, 2001 г.
:::информация Этот документ доступен на Arxiv под лицензией CC 4.0.
:::
Оригинал