Ақуыз құрылымын болжау: Аминоқышқыл тізбегінен үш өлшемді құрылымды анықтау

Кіріспе

Биологиялық болжау түрі

Белок құрылымын болжау – белоктың аминоқышқылдық тізбегінен оның үш өлшемді құрылымын анықтау, яғни бастапқы құрылымынан екінші және үшінші құрылымдарын болжау. Құрылымды болжау, белокты жобалаудың кері мәселесінен өзгеше. Белок құрылымын болжау – есептеу биологиясының ең маңызды мақсаттарының бірі; ол медицинада (мысалы, дәрі-дәрмектерді әзірлеуде) және биотехнологияда (мысалы, жаңа ферменттерді жобалауда) маңызды рөл атқарады. 1994 жылдан бастап, қазіргі әдістердің нәтижелері CASP (Белок құрылымын болжау техникаларын сыни бағалау) эксперименті арқылы екі жылда бір рет бағаланады. CAMEO3D қоғамдық жобасы белок құрылымын болжауға арналған веб-серверлерді үздіксіз бағалауды жүзеге асырады.

Белоктың құрылымы мен терминологиясы

Белоктар – пептидтік байланыстар арқылы біріктірілген аминқышқылдарының тізбегі. Бұл тізбектің көптеген конформациялары Cα атомындағы φ және ψ бұрыштық бұрыштарының айналуына байланысты мүмкін (суретті қараңыз). Бұл конформациялық икемділік ақуыздардың үш өлшемді құрылымындағы айырмашылықтарға жауап береді. Тізбектегі пептидтік байланыстар полярлы, яғни олар карбонил тобында оң және теріс зарядтарды (ішімдік зарядтарды) бөліп алады, бұл сутекті байланысты қабылдағыш ретінде әрекет етуге мүмкіндік береді, ал NH тобы – сутекті байланысты донор ретінде. Сондықтан бұл топтар ақуыз құрылымында өзара әрекеттесе алады. Белоктер негізінен 20 түрлі L α аминқышқылынан (протеиногенді аминқышқылдары) тұрады. Бұларды бүйірлік тізбектің химиялық қасиеттеріне сәйкес жіктеуге болады, ол маңызды құрылымдық рөл атқарады. Глицин ерекше орынға ие, себебі оның ең кішкентай бүйірлік тізбегі бар, тек бір сутек атомынан тұрады, сондықтан ол ақуыз құрылымының жергілікті икемділігін арттыра алады. Ал цистеин басқа цистеин қалдықтарымен реакцияласып, цистин құрауы мүмкін, осылайша бүкіл құрылымды тұрақтандыратын көпіршіктерді (қайыстырушы байланыстарды) жасайды. Ақуыз құрылымын α спиральдері мен β парақтары сияқты екіншілік құрылым элементтерінің тізбектері ретінде қарастыруға болады. Осы екіншілік құрылымдарда, жақын орналасқан аминқышқылдардың негізгі тізбектегі NH және CO топтары арасында H байланыстарының реттелген үлгілері қалыптасады, ал аминқышқылдардың φ және ψ бұрыштары ұқсас болады. Бұл екіншілік құрылымдардың пайда болуы пептидтік байланыстардың сутекті байланыс жасау қабілетін тиімді қанағаттандырады. Екіншілік құрылымдар гидрофобты ортада ақуыз ядросында тығыз жиналуы мүмкін, бірақ олар ақуыздың полярлық бетінде де кездесуі мүмкін. Әрбір аминқышқылдың бүйірлік тізбегі белгілі бір көлемді алып, жақын маңдағы басқа бүйірлік тізбектермен өзара әрекеттесуге шектеулі мүмкіндіктерге ие, бұл жағдай молекулалық модельдеу және сәйкестендіру кезінде ескерілуі тиіс.

α-спираль

А спиралі – ақуыздардағы екінші құрылымның ең көп таралған түрі. А спиралінде әрбір айналымда 3,6 аминқышқылы болады, әр төртінші қалдық арасында H байланысы қалыптасады; орташа ұзындығы 10 аминқышқылы (3 айналым) немесе 10 Å құрайды, бірақ 5-тен 40-қа дейін (1,5-тен 11 айналымға дейін) өзгереді. H байланыстарының орналасуы спираль үшін диполь моментін тудырады, нәтижесінде спиральдің амин ұшында жартылай оң заряд пайда болады. Бұл аймақта бос NH2 топтары болғандықтан, ол фосфаттар сияқты теріс зарядталған топтармен өзара әрекеттеседі. А спиральдерінің ең көп кездесетін орны – ақуыз ядросының беті, онда олар сулы ортамен байланыс жасайды. Спиральдің ішкі бетіне гидрофобты аминқышқылдары, ал сыртқы бетіне гидрофильді аминқышқылдары орналасады. Сондықтан, тізбектегі әр төртінші аминқышқылының бірі гидрофобты болуға бейім, бұл үлгіні оңай анықтауға болады. Лейцин циппері мотивінде екі жақын спиральдің қарама-қарсы жақтарындағы лейциндердің қайталама үлгісі мотивтің болуын жоғары дәлдікпен болжайды. Бұл қайталама үлгіні көрсету үшін спираль тәрізді график қолданылуы мүмкін. Ақуыз ядросына енген немесе жасушалық мембраналарда орналасқан басқа α спиральдер гидрофобты аминқышқылдарының жоғары және біркелкі таралуын көрсетеді, бұл мұндай құрылымдардың болуын күтілуге аспайды. Сыртқы бетте орналасқан спиральдерде гидрофобты аминқышқылдарының үлесі төмендеу болады. Аминқышқылдарының құрамы α спиральді аймақты болжауға көмектеседі. Аланин (A), глутамин қышқылы (E), лейцин (L) және метионин (M) аминқышқылдарына бай және пролин (P), глицин (G), тирозин (Y) және серин (S) аминқышқылдарына кедей аймақтар α спиралін қалыптастыруға бейім. Пролин α спиралін тұрақсыздандырады немесе бұзады, бірақ ұзын спиральдерде кездесіп, иілім түзе алады.

β-қағаз

β-қаптамалар тізбектің бір бөлігіндегі шамамен 5–10 тізбектес аминқышқылдары арасындағы H байланыстары арқылы, тізбектің басқа бөлігіндегі тағы 5–10 аминқышқылдарымен қалыптасады. Өзара әрекеттесетін аймақтар жақын орналасқан болуы мүмкін, олардың арасында қысқа тіекше орналасқан, немесе алыс орналасқан, араларында басқа құрылымдар бар. Барлық тізбек бір бағытта жүріп параллель қаптаманы құрауы мүмкін, немесе әрбір екінші тізбек кері химиялық бағытта жүріп антипараллель қаптаманы құрауы мүмкін, ал тізбектер параллель және антипараллель болып аралас қаптаманы құрауы да мүмкін. Параллель және антипараллель конфигурациялардағы H байланысының схемасы әртүрлі. Қабаттың ішкі тізбектеріндегі әрбір аминқышқыл көрші аминқышқылдармен екі H байланысын жасайды, ал сыртқы тізбектегі әрбір аминқышқыл ішкі тізбекпен бір ғана байланыс жасайды. Тізбектерге перпендикуляр қарағанда, алыс тізбектер сәл сағат тіліне қарсы бұрылып сол жақ бұрылысын құрайды. Cα атомдары қабатталған құрылымда қабаттың үстінде және астында кезектеседі, ал аминқышқылдардың R топтары қабаттардың үстінде және астында кезектеседі. Рамачандран диаграммасының бір аймағында аминқышқылдардың Φ және Ψ бұрыштары айтарлықтай өзгереді. β-қаптамалардың орналасуын α-спиральдарға қарағанда болжау қиынырақ. Аминқышқылдарының көптік тізбектердегі өзгерісін ескергенде жағдай шамалы жақсарады.

Бұрандалар

Белгінің кейбір бөліктері үш өлшемді құрылымға ие, бірақ ешқандай реттелген құрылымдарды қалыптастырмайды. Оларды протеиндердің ретсіз немесе жазылмаған сегменттерімен, немесе кездейсоқ ораммен – ешқандай бекітілген үш өлшемді құрылымы жоқ жазылмаған полипептидтік тізбекпен шатастырмау керек. Бұл бөліктер жиі "ілмектер" деп аталады, себебі олар β-парақтар мен α-спиральдарды байланыстырады. Ілмектер әдетте ақуыздың бетінде орналасқан, сондықтан олардың қалдықтарының мутацияларына оңай төтеп беруге болады. Бірқатар тізбектемелердің белгілі бір аймағында алмастырулардың, енгізулердің және жоюлардың көп болуы, мүмкін, ілмектердің болуын көрсетеді. Геномдық ДНҚ-дағы интронның орны, кодталған ақуыздағы ілмектердің орналасуымен сәйкес келуі мүмкін. Ілмектерде зарядталған және полярлы аминқышқылдары жиі кездеседі және олар белсенді орталықтардың құрауышы болып табылады.

Белоктарды жіктеу

Ақуыздар құрылымдық және реттілік ұқсастығы бойынша жіктелуі мүмкін. Құрылымдық жіктеу үшін жоғарыда сипатталған екінші құрылымдардың мөлшері мен кеңістіктегі орналасуы белгілі үш өлшемді құрылымдармен салыстырылады. Реттік ұқсастық негізіндегі жіктеу тарихта алғаш қолданылды. Бастапқыда толық реттіліктердің салыстырылуы негізінде ұқсастық анықталды. Кейін ақуыздар сақталған аминқышқылдарының үлгілерінің болуына сүйене отырып жіктелді. Ақуыздарды осы схемалардың бірі немесе бірнешесі бойынша жіктейтін деректер базалары бар. Ақуыз жіктеу схемаларын қарастырғанда бірнеше мәселені ескеру маңызды. Біріншіден, әртүрлі эволюциялық тегі бар екі әртүрлі ақуыз бірдей құрылымға ие болуы мүмкін. Керісінше, белгілі бір құрылым үшін ежелгі геннің реттілігі әртүрлі түрлерде айтарлықтай өзгеруі мүмкін, бірақ бірдей негізгі құрылымдық ерекшеліктерді сақтайды. Мұндай жағдайларда қалған реттілік ұқсастығын анықтау өте қиын болуы мүмкін. Екіншіден, бір-бірімен немесе үшінші реттілікпен маңызды дәрежеде ұқсас екі ақуыз бірдей эволюциялық тектен шыққан және олардың құрылымдық ерекшеліктері де ұқсас болуы керек. Дегенмен, эволюция кезінде геннің көшірілуі және генетикалық өзгерістер жаңа гендердің көшірмелерін тудыруы мүмкін, олар жаңа функциялар мен құрылымдарға ие ақуыздарға айналуы мүмкін. Мотив (құрылымдық контекст) – полипептидтік тізбектің жанындағы бөліктерінің бүгілуінен пайда болатын бірнеше екінші құрылымдық элементтердің комбинациясы, нәтижесінде нақты үш өлшемді конфигурация пайда болады. Мысалы, спираль-цикл мотиві. Құрылымдық мотивтер суперсекундылық құрылымдар және бүгілімдер деп те аталады. Позицияға қатысты бағалау матрицасы (реттік контекст, салмақ немесе бағалау матрицасы деп те аталады) – бірнеше реттіліктердің сәйкестендірілуінде бос орындарсыз сақталған аймақты көрсетеді. Әрбір матрица бағаны бірнеше реттіліктердің сәйкестендірілуінің бір бағанындағы өзгерісті көрсетеді. Позицияға қатысты бағалау матрицасы – 3D (құрылымдық контекст) бір құрылымдық кластың ақуыздарының сәйкестендірілуінде кездесетін аминқышқылының өзгерісін көрсетеді. Матрица бағандары сәйкестендірілген құрылымдардағы бір аминқышқылы позициясында табылған аминқышқылының өзгерісін көрсетеді. Біріншілік құрылым – ақуыздың сызықтық аминқышқылы реттілігі, химиялық тұрғыдан пептидтік байланыстармен байланысқан аминқышқылдарынан тұратын полипептидтік тізбек. Профиль (реттік контекст) – ақуыз отбасының бірнеше реттілік сәйкестендірілуін көрсететін бағалау матрицасы. Профиль әдетте бірнеше реттілік сәйкестендірілуде жақсы сақталған аймақтан алынады. Профиль матрица түрінде болады, әрбір бағаны сәйкестендірудегі бір позицияны, ал әр қатар бір аминқышқылын көрсетеді. Матрица мәндері сәйкестендірудегі тиісті позициядағы әрбір аминқышқылының ықтималдығын көрсетеді. Профильді динамикалық бағдарламалау алгоритмімен ең жақсы бағалайтын аймақтарды табу үшін мақсатты реттілік бойымен жылжытады. Сәйкестендіру кезінде бос орындарға рұқсат етіледі және аминқышқылы сәйкес келмеген жағдайда бос орынға айыппұл салынады. Реттік профильді жасырылған Марков моделімен де көрсетуге болады, ол профильдік HMM деп аталады. Профиль (құрылымдық контекст) – белгілі бір ақуыз құрылымындағы реттілік позицияларда қандай аминқышқылдары жақсы және нашар орналасатынын көрсететін бағалау матрицасы. Профиль бағандары құрылымдағы реттілік позицияларды, ал профиль қатарлары 20 аминқышқылын көрсетеді. Реттік профильдегідей, құрылымдық профильді динамикалық бағдарламалау алгоритмімен ең жоғары сәйкестендіру бағасын табу үшін мақсатты реттілік бойымен жылжытады. Ауысулар енгізілуі мүмкін және айыппұл салынады. Нәтижесінде алынған балл мақсатты ақуыздың осындай құрылымға ие болатынына нұсқа береді. Төртіншілік құрылым – бірнеше тәуелсіз полипептидтік тізбектерді қамтитын ақуыз молекуласының үш өлшемді конфигурациясы. Екіншілік құрылым – полипептидтік тізбектегі аминқышқылдарындағы C, O және NH топтары арасындағы өзара әрекеттесулер, нәтижесінде α-спиральдар, β-парақтар, бұрылыстар, циклдар және басқа да формалар пайда болады, бұл үш өлшемді құрылымға бүгілуді жеңілдетеді. Суперотбасы – бірдей немесе әртүрлі ұзындығы бар, бірақ алыстағы, бірақ анықталатын реттілік ұқсастығымен байланысқан ақуыз отбасыларының тобы. Белгілі бір суперотбасының мүшелері ортақ эволюциялық тектің иесі. Бастапқыда Дэйхофф суперотбасы статусының шегін реттіліктердің байланыссыз болу ықтималдығы 106 деп белгіледі, бұл сәйкестендіру бағасы негізінде есептелді (Dayhoff et al. 1978). Реттік сәйкестендіруде аз сәйкестік болған, бірақ құрылымдық және функционалдық ерекшеліктерінің сенімді саны ортақ болған ақуыздар бірдей суперотбасыға жатқызылады. Үш өлшемді құрылым деңгейінде суперотбасы ақуыздары ортақ құрылымдық ерекшеліктерді, мысалы, ортақ бүгілімді бөліседі, бірақ екінші құрылымдардың саны мен орналасуында да айырмашылықтар болуы мүмкін. PIR ресурсы суперотбасыларға қатысты гомеоморфты суперотбасылар терминін қолданады, олар сәйкестендірудің соңынан соңына дейін жүзеге асырылатын реттіліктерден құралған, яғни жалпы реттілік гомологиялық доменін бөлісетін суперотбасылар, сәйкестендірудің бойында созылатын ұқсастық аймағы. Бұл домен басқа ақуыз отбасыларымен және суперотбасыларымен бөлісетін кішірек гомологиялық домендерді де қамтуы мүмкін. Ақуыз реттілігі бірнеше суперотбасыларда табылған домендерді қамтуы мүмкін, осылайша күрделі эволюциялық тарихты көрсетеді, бірақ реттіліктер бірнеше реттілік сәйкестендіруінің бойындағы ұқсастықтың болуына негізделген тек бір гомеоморфты суперотбасыға жатқызылады. Суперотбасы сәйкестендіруі сәйкестендірудің ішінде немесе соңында сәйкес келмейтін аймақтарды да қамтуы мүмкін. Керісінше, бір отбасыдағы реттіліктер сәйкестендірудің бойында жақсы сәйкес келеді. Суперсекундылық құрылым – құрылымдық мотивке ұқсас мағынаға ие термин. Үшіншілік құрылым – полипептидтік тізбектің екінші құрылымдарының жиналуынан немесе бүгілуінен пайда болатын үш өлшемді немесе глобулярлық құрылым. Бұл жоғары дәлдік, бүгілімді тануды және ab initio ақуыз құрылымын болжауды жақсарту, құрылымдық мотивтерді жіктеу және реттілік сәйкестендіруін жақсарту үшін болжамдарды пайдалануға мүмкіндік береді. Ақуыздың екінші құрылымын болжаудың қазіргі әдістерінің дәлдігі LiveBench және EVA сияқты апталық бенчмарктерде бағаланады.

Proteins may be classified according to both structural and sequential similarity. For structural classification, the sizes and spatial arrangements of secondary structures described in the above paragraph are compared in known three dimensional structures. Classification based on sequence similarity was historically the first to be used. Initially, similarity based on alignments of whole sequences was performed. Later, proteins were classified on the basis of the occurrence of conserved amino acid patterns. Databases that classify proteins by one or more of these schemes are available. In considering protein classification schemes, it is important to keep several observations in mind. First, two entirely different protein sequences from different evolutionary origins may fold into a similar structure. Conversely, the sequence of an ancient gene for a given structure may have diverged considerably in different species while at the same time maintaining the same basic structural features. Recognizing any remaining sequence similarity in such cases may be a very difficult task. Second, two proteins that share a significant degree of sequence similarity either with each other or with a third sequence also share an evolutionary origin and should share some structural features also. However, gene duplication and genetic rearrangements during evolution may give rise to new gene copies, which can then evolve into proteins with new function and structure. Motif (structural context) a combination of several secondary structural elements produced by the folding of adjacent sections of the polypeptide chain into a specific three dimensional configuration. An example is the helix loop helix motif. Structural motifs are also referred to as supersecondary structures and folds. Position specific scoring matrix (sequence context, also known as weight or scoring matrix) represents a conserved region in a multiple sequence alignment with no gaps. Each matrix column represents the variation found in one column of the multiple sequence alignment. Position specific scoring matrix—3D (structural context) represents the amino acid variation found in an alignment of proteins that fall into the same structural class. Matrix columns represent the amino acid variation found at one amino acid position in the aligned structures. Primary structure the linear amino acid sequence of a protein, which chemically is a polypeptide chain composed of amino acids joined by peptide bonds. Profile (sequence context) a scoring matrix that represents a multiple sequence alignment of a protein family. The profile is usually obtained from a well conserved region in a multiple sequence alignment. The profile is in the form of a matrix with each column representing a position in the alignment and each row one of the amino acids. Matrix values give the likelihood of each amino acid at the corresponding position in the alignment. The profile is moved along the target sequence to locate the best scoring regions by a dynamic programming algorithm. Gaps are allowed during matching and a gap penalty is included in this case as a negative score when no amino acid is matched. A sequence profile may also be represented by a hidden Markov model, referred to as a profile HMM. Profile (structural context) a scoring matrix that represents which amino acids should fit well and which should fit poorly at sequential positions in a known protein structure. Profile columns represent sequential positions in the structure, and profile rows represent the 20 amino acids. As with a sequence profile, the structural profile is moved along a target sequence to find the highest possible alignment score by a dynamic programming algorithm. Gaps may be included and receive a penalty. The resulting score provides an indication as to whether or not the target protein might adopt such a structure. Quaternary structure the three dimensional configuration of a protein molecule comprising several independent polypeptide chains. Secondary structure the interactions that occur between the C, O, and NH groups on amino acids in a polypeptide chain to form α helices, β sheets, turns, loops, and other forms, and that facilitate the folding into a three dimensional structure. Superfamily a group of protein families of the same or different lengths that are related by distant yet detectable sequence similarity. Members of a given superfamily thus have a common evolutionary origin. Originally, Dayhoff defined the cutoff for superfamily status as being the chance that the sequences are not related of 10 6, on the basis of an alignment score (Dayhoff et al. 1978). Proteins with few identities in an alignment of the sequences but with a convincingly common number of structural and functional features are placed in the same superfamily. At the level of three dimensional structure, superfamily proteins will share common structural features such as a common fold, but there may also be differences in the number and arrangement of secondary structures. The PIR resource uses the term homeomorphic superfamilies to refer to superfamilies that are composed of sequences that can be aligned from end to end, representing a sharing of single sequence homology domain, a region of similarity that extends throughout the alignment. This domain may also comprise smaller homology domains that are shared with other protein families and superfamilies. Although a given protein sequence may contain domains found in several superfamilies, thus indicating a complex evolutionary history, sequences will be assigned to only one homeomorphic superfamily based on the presence of similarity throughout a multiple sequence alignment. The superfamily alignment may also include regions that do not align either within or at the ends of the alignment. In contrast, sequences in the same family align well throughout the alignment. Supersecondary structure a term with similar meaning to a structural motif. Tertiary structure is the three dimensional or globular structure formed by the packing together or folding of secondary structures of a polypeptide chain. this high accuracy allows the use of the predictions as feature improving fold recognition and ab initio protein structure prediction, classification of structural motifs, and refinement of sequence alignments. The accuracy of current protein secondary structure prediction methods is assessed in weekly benchmarks such as LiveBench and EVA.

Өмірбаян

Екінші құрылымды болжаудың алғашқы әдістері 1960 және 1970 жылдары енгізілді, олар негізінен альфа-спиральдарды анықтауға бағытталған және спираль-катушка өту модельдеріне негізделген. 1970 жылдары бета-парақтарды қамтитын айқын дәлдіктегі болжамдар енгізілді, олар белгілі шешілген құрылымдардан алынған ықтималдық параметрлеріне негізделген статистикалық бағалауларды пайдаланды. Бұл әдістер бір тізбекке қолданылғанда, әдетте 60-65% шамасындағы дәлдікке жетеді және көбінесе бета-парақтарды жеткіліксіз болжайды. Екінші құрылымдардың эволюциялық сақталуын көптеген гомологты тізбектерді бір мезгілде бағалау арқылы, сондай-ақ тізбектелген аминокислота бағанасының жалпы екінші құрылымдық бейімділігін есептеу арқылы пайдалануға болады. Белгілі белок құрылымдарының үлкен дерекқорларымен және нейрондық желілер мен қолдау векторлық машиналар сияқты қазіргі заманғы машиналық оқыту әдістерімен бірлесе отырып, бұл әдістер шар тәрізді белоктарда 80% дейін жалпы дәлдікке жете алады. Теориялық жоғары шекті дәлдік шамамен 90% құрайды. 1970 жылдардың ортасында шешілген құрылымдардың шағын үлгісінен анықталған бастапқы Чжоу-Фасман параметрлері, қазіргі заманғы әдістермен салыстырғанда нашар нәтижелер береді, бірақ параметрлер алғаш жарияланғаннан бері жаңартылды. Чжоу-Фасман әдісі екінші құрылымдарды болжауда шамамен 50-60% дәлдікке ие. GOR әдісі әрбір аминокислотаның белгілі бір екінші құрылымға ие болу ықтималдығын ғана емес, сонымен қатар оның көршілерінің үлесін ескере отырып, аминокислотаның әрбір құрылымды қабылдауының шартты ықтималдығын да ескереді (көршілердің сол құрылымға ие екенін қабылдамайды). Бұл тәсіл Чжоу мен Фасманның әдісіне қарағанда сезімтал және дәл, өйткені аминокислоталардың құрылымдық бейімділігі тек пролин және глицин сияқты аминокислоталардың шағын тобы үшін ғана күшті. Көптеген көршілердің әлсіз үлесі жалпы әсерге әкелуі мүмкін. Бастапқы GOR әдісі шамамен 65% дәлдікке ие болды және бета-парақтарға қарағанда альфа-спиральдарды болжауда айқын сәттілікке жетті, олар көбінесе бұрандалар немесе ұйымдаспаған аймақтар ретінде қате болжанатын. Машиналық оқыту әдістерінің кеңейтілуі белгіленбеген аймақтардағы тіректің диэдрлік бұрыштары сияқты белоктердің ұсақ түйірлі жергілікті қасиеттерін болжауға тырысады. Бұл мәселеге SVM және нейрондық желілер қолданылды.

Early methods of secondary structure prediction, introduced in the 1960s and early 1970s, focused on identifying likely alpha helices and were based mainly on helix coil transition models. Significantly more accurate predictions that included beta sheets were introduced in the 1970s and relied on statistical assessments based on probability parameters derived from known solved structures. These methods, applied to a single sequence, are typically at most about 60 65% accurate, and often underpredict beta sheets. The evolutionary conservation of secondary structures can be exploited by simultaneously assessing many homologous sequences in a multiple sequence alignment, by calculating the net secondary structure propensity of an aligned column of amino acids. In concert with larger databases of known protein structures and modern machine learning methods such as neural nets and support vector machines, these methods can achieve up to 80% overall accuracy in globular proteins. The theoretical upper limit of accuracy is around 90%, The original Chou Fasman parameters, determined from the small sample of structures solved in the mid 1970s, produce poor results compared to modern methods, though the parameterization has been updated since it was first published. The Chou Fasman method is roughly 50 60% accurate in predicting secondary structures. The GOR method takes into account not only the probability of each amino acid having a particular secondary structure, but also the conditional probability of the amino acid assuming each structure given the contributions of its neighbors (it does not assume that the neighbors have that same structure). The approach is both more sensitive and more accurate than that of Chou and Fasman because amino acid structural propensities are only strong for a small number of amino acids such as proline and glycine. Weak contributions from each of many neighbors can add up to strong effects overall. The original GOR method was roughly 65% accurate and is dramatically more successful in predicting alpha helices than beta sheets, which it frequently mispredicted as loops or disorganized regions. Extensions of machine learning techniques attempt to predict more fine grained local properties of proteins, such as backbone dihedral angles in unassigned regions. Both SVMs and neural networks have been applied to this problem.

Басқа да жақсартулар

Белоктың аминқышқылдық тізбегінен басқа, екіншілік құрылымның қалыптасуы басқа да факторларға байланысты екені хабарланды. Мысалы, екіншілік құрылымға бейімділік жергілікті ортаға, қалдықтардың еріткішпен қолжетімділігіне, белоктың құрылымдық класына және тіпті белок алынған организмге де байланысты екені көрсетілген. Осындай байқауларға негізделген кейбір зерттеулер, белоктың құрылымдық класы, қалдықтардың қолжетімді бетінің ауданы және контактілік сан туралы ақпаратты қосу арқылы екіншілік құрылымды болжауды жақсартуға болады екенін көрсетті.

Үшінші деңгейлі құрылым

Белок құрылымын болжаудың практикалық маңызы қазір бұрынғыдан да артып отыр. Адам геномдық жобасы сияқты, қазіргі заманғы ірі масштабты ДНК тізбектеу жұмыстарының нәтижесінде, белок тізбектерінің үлкен көлемдегі деректері жасалуда. Құрылымдық геномика саласындағы қауымдастық күш-жігеріне қарамастан, эксперименттік жолмен анықталған белок құрылымдарының шығысы – әдетте, уақытты көп алатын және салыстырмалы түрде қымбат рентгендік кристаллография немесе ЯМР спектроскопиясы арқылы – белок тізбектерінің шығысынан қалып қоюда. Белок құрылымын болжау әлі де өте қиын және шешілмеген мәселе болып табылады. Екі негізгі мәселе – белоктың бос энергиясын есептеу және осы энергияның глобальдық минимумдарын табу. Белок құрылымын болжау әдісі астрономиялық мөлшердегі мүмкін белок құрылымдары кеңістігін зерттеуі керек. Бұл мәселелерді "салыстырмалы" немесе гомологиялық модельдеу және бүктелуді тану әдістерінде ішінара айналып өтуге болады, онда іздеу кеңістігі зерттеліп отырған белоктың басқа гомологты белоктың эксперименттік анықталған құрылымына жақын құрылымды қабылдайды деген болжаммен қысқартылады. Де ново белок құрылымын болжау әдістері болса, осы мәселелерді нақты шешуі тиіс. Белок құрылымын болжаудағы прогресс пен қиындықтарды Жан зерттеді. Немесе тек тізбекпен (әдетте, машиналық оқыту арқылы, ковариацияның көмегімен). Жеке домендердің құрылымдары домендік құрастыру деп аталатын процесте соңғы үшіншілік құрылымды құру үшін біріктіріледі.

Энергия және фрагменттер негізінде әдістер

Ab initio немесе de novo протеин моделеу әдістері үш өлшемді протеин модельдерін "бастапқыдан" құруға тырысады, яғни бұрын шешілген құрылымдарға емес (тікелей) физикалық принциптерге негізделген. Протеин қалыбына келтіруді имитациялауға тырысатын немесе мүмкін болатын шешімдерді іздеу үшін кейбір стохастикалық әдіс қолданатын көптеген процедуралар бар (яғни, қолайлы энергия функциясының жаһандық оптимизациясы). Бұл процедуралар көп есептеу ресурстарын қажет етеді, сондықтан олар тек кішкентай протеиндер үшін ғана жүзеге асырылды. Үлкен протеиндердің құрылымын de novo болжау үшін күшті суперкомпьютерлер (мысалы, Blue Gene немесе MDGRAPE 3) немесе үлестірілген есептеулер (мысалы, Folding@home, Human Proteome Folding Project және Rosetta@Home) сияқты жақсырақ алгоритмдер мен үлкен есептеу ресурстары қажет. Бұл есептеулерге кедергілер өте зор болғанымен, құрылымдық геномиканың әлеуетті пайдасы (болжамдық немесе эксперименттік әдістермен) ab initio құрылымды болжауды белсенді зерттеу саласына айналдырады. 2009 жылы суперкомпьютерде 50 қалдықтан тұратын протеин атомдық деңгейде 1 миллисекунд бойында модельделуі мүмкін болды. 2012 жылдан бастап, жаңа графикалық карта және күрделі алгоритмдері бар стандартты компьютерде салыстырмалы тұрақты күйді үлгілеуге болады. Дәл модельдеу арқылы симуляция уақытын ұзартуға болады.

3D байланыстарды болжау үшін эволюциялық ковариация

1990 жылдары секвенирлеу кеңінен таралғандықтан, бірнеше топтар ақуыз тізбектерінің сәйкестігін пайдаланып, байланысты мутацияларды болжауға тырысты және осы коэволюцияланған қалдықтарды үшіншілік құрылымды болжау үшін пайдалануға үміттенді (NMR сияқты тәжірибелік әдістерден алынған қашықтық шектеулеріне ұқсастықпен). Егер жеке қалдық мутациялары аз дәрежеде зиянды болса, қалдықтар арасындағы өзара әрекеттесуді қайта жандандыру үшін компенсаторлық мутациялар пайда болуы мүмкін. Бұл алғашқы жұмыстар ақуыз тізбектерінен байланысты мутацияларды есептеу үшін "жергілікті әдістер" деп аталатын әдістерді қолданды, бірақ әрбір қалдық жұбын басқа жұптардан тәуелсіз қарау нәтижесінде туындайтын жанама, жалған корреляциялардан зардап шекті. 2011 жылы, мүлдем жаңа, жаһандық статистикалық тәсіл, болжалған коэволюцияланған қалдықтардың жеткілікті мөлшерде тізбектер болған жағдайда (>1000 гомологты тізбек қажет) ақуыздың 3D құрылымын болжауға жеткілікті екенін көрсетті. EVfold әдісі гомологиялық модельдеуді, тізбектеуді немесе 3D құрылым фрагменттерін пайдаланбайды және оны жүздеген қалдықтары бар ақуыздар үшін де стандартты жеке компьютерде іске қосуға болады. Осы және ұқсас тәсілдерді қолдану арқылы болжанатын контактілердің дәлдігі көптеген белгілі құрылымдар мен контактілік карталарда, соның ішінде эксперименттік жолмен шешілмеген трансмембраналық ақуыздарды болжау арқылы расталды.

Салыстырмалы ақуыздық модельдеу

Салыстырмалы ақуыздық модельдеу бұрын шешілген құрылымдарды бастапқы нүктелер немесе үлгілер ретінде пайдаланады. Бұл тиімді, себебі нақты ақуыздардың саны өте көп болғанымен, көптеген ақуыздарға тән үшіншілік құрылымдық мотивтердің шектеулі жиынтығы бар. Табиғатта бар болғаны шамамен 2000 түрлі ақуыздық бүктеу бар деген болжам бар, бірақ миллиондаған түрлі ақуыздар кездеседі. Салыстырмалы ақуыздық модельдеу құрылымды болжауда эволюциялық ковариациямен үйлестірілуі мүмкін. Бұл әдістерді екі топқа бөлуге болады: Күдіксіз, гомологиялық модельдеу мақсатты және үлгілік ақуыздардың реттіліктері ұқсас болғанда ең дәл нәтижелер береді. Ақуыздық жіптеу (threading) белгісіз құрылымның аминокислоталық тізбесін шешілген құрылымдардың деректер базасымен салыстырып қарастырады. Әрбір жағдайда реттіліктің құрылыммен сәйкестігін бағалау үшін бағалау функциясы қолданылады, осылайша мүмкін үш өлшемді модельдер алынады. Бұл әдіс сондай-ақ үш өлшемді құрылымдар мен сызықтық ақуыз тізбектері арасындағы сәйкестікті талдауға негіделген 3D-1D бүктеуді тану ретінде де белгілі. Бұл әдіс берілген құрылымның үлкен тізбектер базасымен сәйкестігін бағалау арқылы кері бүктеу іздеуін жүзеге асыратын әдістерді де тудырды, осылайша қандай тізбектердің белгілі бір бүктеуді жасауға қабілетті екенін болжауға мүмкіндік береді.

Бүйірлік тізбектің пішіндерін модельдеу

Аминқышқылдарының бүйірлік тізбектерін дәл орналастыру ақуыз құрылымын болжауда жеке проблеманы құрайды. Бүйірлік тізбек геометриясын болжау мәселесін шешетін әдістерге соқпаққа тірелуді жою және өзіне сәйкес келетін орташа өріс әдістері жатады. Төмен энергиялы бүйірлік тізбек конформациялары әдетте қатаң полипептид тірегінде анықталады және "ротамерлер" деп аталатын дискретті бүйірлік тізбек конформациялары жиынтығы қолданылады. Бұл әдістер модельдің жалпы энергиясын ең төмендететін ротамерлер жиынтығын табуға тырысады. Бұл әдістерде ротамерлік кітапханалар пайдаланылады, олар ақуыздағы әрбір қалдық түрі үшін қолайлы конформациялар жинағы болып табылады. Ротамерлік кітапханаларда конформация, оның жиілігі және орташа диэдрлік бұрыштардың стандартты ауытқулары туралы ақпарат болуы мүмкін, олар үлгі алу кезінде қолданылады. Ротамерлік кітапханалар белгілі эксперименттік құрылымдардағы бүйірлік тізбек конформацияларының құрылымдық биоинформатикасы немесе басқа статистикалық талдауынан алынады, мысалы, тетраэдрлі көміртектердің байқалған конформацияларын шашыраңқы (60°, 180°, 60°) мәндеріне жақын топтастыру арқылы. Ротамерлік кітапханалар тірекке тәуелсіз, екіншілік құрылымға тәуелді немесе тірекке тәуелді болуы мүмкін. Тірекке тәуелсіз ротамерлік кітапханалар тірек конформациясына сілтеме жасамайды және белгілі бір типтегі барлық қолжетімді бүйірлік тізбектерден есептеледі (мысалы, ротамерлік кітапхананың алғашқы мысалы, 1987 жылы Йельде Пондер және Ричардс жасаған). Екіншілік құрылымға тәуелді кітапханалар спиральді, қабатты немесе орамды екіншілік құрылымдар үшін әртүрлі диэдрлік бұрыштарды және/немесе ротамер жиіліктерін ұсынады. Тірекке тәуелді ротамерлік кітапханалар екіншілік құрылымға қарамастан, тіректің диэдрлік бұрыштарымен анықталатын жергілікті тірек конформациясына тәуелді конформацияларды және/немесе жиіліктерді ұсынады. Көптеген бағдарламалық құралдарда қолданылатын осы кітапханалардың қазіргі нұсқалары ықтималдық немесе жиілік үлестірімдері түрінде ұсынылады, мұндағы шыңдар тізімдердегі жеке ротамерлер ретінде қарастырылатын диэдрлік бұрыш конформацияларына сәйкес келеді. Кейбір нұсқалар өте мұқият жинақталған деректерге негізделген және негізінен құрылымды тексеру үшін қолданылады, ал басқалары әлдеқайда үлкен деректер жиынтықтарындағы салыстырмалы жиіліктерге баса назар аударады және негізінен құрылымды болжау үшін қолданылатын форма, мысалы, Данбрак ротамерлік кітапханалары. Бүйірлік тізбекті орналастыру әдістері ақуыздың гидрофобтық ядросын талдау үшін өте пайдалы, онда бүйірлік тізбектер тығыз орналасқан; олар беттік қалдықтардың бос шектеулерін және жоғары икемділігін шешуде қиындықтарға тап болады, олар көбінесе бір ғана емес, бірнеше ротамерлік конформацияларды алады.

Accurate packing of the amino acid side chains represents a separate problem in protein structure prediction. Methods that specifically address the problem of predicting side chain geometry include dead end elimination and the self consistent mean field methods. The side chain conformations with low energy are usually determined on the rigid polypeptide backbone and using a set of discrete side chain conformations known as "rotamers." The methods attempt to identify the set of rotamers that minimize the model's overall energy. These methods use rotamer libraries, which are collections of favorable conformations for each residue type in proteins. Rotamer libraries may contain information about the conformation, its frequency, and the standard deviations about mean dihedral angles, which can be used in sampling. Rotamer libraries are derived from structural bioinformatics or other statistical analysis of side chain conformations in known experimental structures of proteins, such as by clustering the observed conformations for tetrahedral carbons near the staggered (60°, 180°, 60°) values. Rotamer libraries can be backbone independent, secondary structure dependent, or backbone dependent. Backbone independent rotamer libraries make no reference to backbone conformation, and are calculated from all available side chains of a certain type (for instance, the first example of a rotamer library, done by Ponder and Richards at Yale in 1987). Secondary structure dependent libraries present different dihedral angles and/or rotamer frequencies for helix, sheet, or coil secondary structures. Backbone dependent rotamer libraries present conformations and/or frequencies dependent on the local backbone conformation as defined by the backbone dihedral angles and , regardless of secondary structure. The modern versions of these libraries as used in most software are presented as multidimensional distributions of probability or frequency, where the peaks correspond to the dihedral angle conformations considered as individual rotamers in the lists. Some versions are based on very carefully curated data and are used primarily for structure validation, while others emphasize relative frequencies in much larger data sets and are the form used primarily for structure prediction, such as the Dunbrack rotamer libraries. Side chain packing methods are most useful for analyzing the protein's hydrophobic core, where side chains are more closely packed; they have more difficulty addressing the looser constraints and higher flexibility of surface residues, which often occupy multiple rotamer conformations rather than just one.

Төртіншілік құрылым

Екі немесе одан көп ақуыздық кешендердің жағдайында, егер ақуыздардың құрылымы белгілі болса немесе жоғары дәлдікпен болжау мүмкіндігі болса, кешеннің құрылымын болжау үшін ақуыз-ақуыз байланысу әдістерін қолдануға болады. Нақты орналасқан мутациялардың кешеннің байланысу қабілетіне тигізетін әсері туралы мәліметтер кешеннің құрылымын түсінуге және байланысу әдістерін дұрыс бағыттауға көмектеседі.

Бағдарламалық жасақтама

Белок құрылымын болжауға арналған көптеген бағдарламалық құралдар бар. Осы әдістерге гомологиялық модельдеу, белоктарды жіктеу, ab initio әдістері, екіншілік құрылымды болжау, трансмембраналық спиральдар мен сигналдық пептидтерді болжау кіреді. Атап айтқанда, ұзақ мерзімді және қысқа мерзімді жадқа негізделген терең оқыту 2007 жылдан бері осы мақсатта қолданылып келеді, ол белок гомологиясын анықтау және белоктардың субклеткалық орналасуын болжау үшін сәтті пайдаланылды. CASP эксперименттеріне негізделген соңғы сәтті әдістердің қатарында I-TASSER, HHpred және AlphaFold бар. 2021 жылы AlphaFold қазіргі таңдағы ең жақсы нәтижелерді көрсетіп тұр деген хабарлама тарады. Белок құрылымын білу жиі оның функциясын болжауға да мүмкіндік береді. Мысалы, коллаген ұзын созылған талшық тәрізді бүктеліп, оны талшықты белок етеді. Соңғы уақыттарда белокты бүктеуді және осылайша белок құрылымын болжау үшін бірнеше техникалар әзірленді, мысалы, I-TASSER және AlphaFold.

ЖА әдістері

AlphaFold ақуыз құрылымын болжауға қолданылған алғашқы жасанды интеллекттердің бірі болды. Ол Google-дің DeepMind компаниясы 2018 жылы өткен 13-ші CASP бәйгесінде ұсынды. AlphaFold-ты RoseTTAFold, содан кейін OmegaFold және ESM Metagenomic Atlas іздестіріп келді. Жақындағы зерттеуде Sommer және авторлар (2022) геномды түсіндіруде ақуыз құрылымын болжаудың қолданылуын көрсетті, атап айтқанда, есептеу арқылы болжалган құрылымдарды пайдаланып функционалдық ақуыз изоформаларын анықтауды, ол https://www.isoform.io мекенжайында қолжетімді. Бұл зерттеу геномды түсіндіру құралы ретінде ақуыз құрылымын болжаудың перспективасын көрсетеді және кез келген геномды түсіндіруді жақсартуға пайдаланылатын практикалық, құрылымға бағытталған тәсілді ұсынады. Еуропалық биоинформатика институты DeepMind компаниясымен бірлесіп болжалган ақуыз құрылымдары үшін AlphaFold EBI дерекқорын құрды.

Автоматты құрылымды болжау серверлерін бағалау

CASP – бұл Ақуыз құрылымын болжау техникаларын сыни бағалау, 1994 жылдан бері екі жылда бір рет өткізілетін, ақуыз құрылымын болжау бойынша қоғамдық эксперимент. CASP адамның автоматтандырылмаған әдістемесінің (адамдар санаты) және ақуыз құрылымын болжауға арналған автоматты серверлердің (CASP7-де енгізілген сервер санаты) сапасын бағалау мүмкіндігін ұсынады. CAMEO3D үздіксіз автоматты модельді бағалау сервері, жаңадан жарияланған ақуыз құрылымдары үшін «көре алмау» принципімен жасалған болжамдарды пайдалана отырып, апта сайын ақуыз құрылымын болжаудың автоматты серверлерін бағалайды. CAMEO нәтижелерді өз сайтында жариялайды.