Трансмембрандық ақуыздардың топологиясын болжау әдістері

Кіріспе

Трансмембраналық белоктың топологиясы – белок орналасқан биологиялық мембрананың ішкі немесе сыртқы жақтарына қатысты мембрананы кесіп өтетін полипептидтік тізбектегі N және C шеттерінің орналасуын білдіреді. Бірнеше деректер базасы мембраналық ақуыздардың эксперименталды анықталған топологиясын ұсынады. Олардың ішінде Uniprot, TOPDB, OPM және ExTopoDB бар. Сондай-ақ, мембрананың белгілі бір жағында консервативті орналасқан домендер туралы деректер қоры бар, TOPDOM. Трансмембраналық альфа-спиральдер мен олардың топологиясын болжау үшін бірнеше есептеу әдістері әзірленді, бірақ сәттілігі шектеулі болды. Алғашқы әдістер мембрананы кесіп өтетін аймақтарда ақуыздың басқа бөліктеріне қарағанда гидрофобтық қалдықтар көбірек болатынын пайдаланды, алайда әртүрлі гидрофобтық шкалаларды қолдану болжау нәтижелерін өзгертті. Кейіннен топографиялық болжауды жақсарту үшін бірнеше статистикалық әдістер жасалды және арнайы теңестіру әдісі енгізілді. «Ішіндегі оң ережеге» сәйкес, липидтік екі қабаттың жанындағы цитозольдік циклдерде оң зарядталған аминқышқылдары көбірек болады. Бұл ережені қолдану алғашқы топология болжау әдістеріне әкелді. Сонымен қатар, бір рет мембрананы кесіп өтетін ақуыздардың трансмембраналық альфа-спиральдерінде «сыртқы теріс ереже» бар, бірақ ақуыздың трансмембраналық сегменттеріндегі теріс зарядталған қалдықтар оң зарядталған қалдықтарға қарағанда сирек кездеседі. Көп құрылымдар анықталған сайын машиналық оқыту алгоритмдері пайда болды. Бақыланатын оқыту әдістері эксперименталды анықталған құрылымдар жиынтығында оқытылады, алайда бұл әдістер оқыту жиынтығына күшті тәуелді. Бақыланбайтын оқыту әдістері топологияның әртүрлі құрылымдық бөліктердегі аминқышқылдарының таралуының ең үлкен айырмашылығына байланысты деген қағидаға негізделген. Сондай-ақ, құрылым туралы алдын ала білімге негізделген сегменттің орналасуын бекіту болжаудың дәлдігін жақсартатыны көрсетілді. Бұл мүмкіндік кейбір алдын ала болжау әдістеріне қосылды және бұрын анықталған эксперименталдық ақпаратты автоматты түрде енгізеді. HTP деректер қоры адамның трансмембраналық ақуыздары үшін есептеу арқылы болжанатын топологиялар жинағын ұсынады. Сигналдық пептидтерді және трансмембраналық сегменттерді ажырату – топология болжауында әртүрлі әдістермен шектеулі табысқа қол жеткізген қосымша мәселе. Сигналдық пептидтер де, трансмембраналық сегменттер де α-спираль құрайтын гидрофобтық аймақтарды қамтиды. Бұл олардың арасындағы қате болжауға әкеледі, бұл көптеген трансмембраналық топология болжаушылардың әлсіздігі. Сигналдық пептидтер мен трансмембраналық спиральдерді бір мезгілде болжау арқылы (Phobius).

Topology of a transmembrane protein refers to locations of N and C termini of membrane spanning polypeptide chain with respect to the inner or outer sides of the biological membrane occupied by the protein. Several databases provide experimentally determined topologies of membrane proteins. They include Uniprot, TOPDB, OPM, and ExTopoDB. There is also a database of domains located conservatively on a certain side of membranes, TOPDOM. Several computational methods were developed, with a limited success, for predicting transmembrane alpha helices and their topology. Pioneer methods utilized the fact that membrane spanning regions contain more hydrophobic residues than other parts of the protein, however applying different hydrophobic scales altered the prediction results. Later, several statistical methods were developed to improve the topography prediction and a special alignment method was introduced. According to the positive inside rule, cytosolic loops near the lipid bilayer contain more positively charged amino acids. Applying this rule resulted in the first topology prediction methods. There is also a negative outside rule in transmembrane alpha helices from single pass proteins, although negatively charged residues are rarer than positively charged residues in transmembrane segments of proteins. As more structures were determined, machine learning algorithms appeared. Supervised learning methods are trained on a set of experimentally determined structures, however, these methods highly depend on the training set. Unsupervised learning methods are based on the principle that topology depends on the maximum divergence of the amino acid distributions in different structural parts. It was also shown that locking a segment location based on prior knowledge about the structure improves the prediction accuracy. This feature has been added to some of the existing prediction methods. and automatically incorporate previously determined experimental informations. HTP database provides a collection of topologies that are computationally predicted for human transmembrane proteins. Discrimination of signal peptides and transmembrane segments is an additional problem in topology prediction treated with a limited success by different methods. Both signal peptides and transmembrane segments contain hydrophobic regions which form α helices. This causes the cross prediction between them, which is a weakness of many transmembrane topology predictors. By predicting signal peptides and transmembrane helices simultaneously (Phobius