Введение
Прогноз местонахождения белка в клетке. Прогноз субклеточной локализации белка (или просто прогноз локализации белка) заключается в определении того, где находится белок в клетке, его субклеточной локализации. Как правило, инструменты прогнозирования принимают на вход информацию о белке, такую как последовательность аминокислот, и выдают в качестве результата предсказанное местоположение внутри клетки, например, ядро, эндоплазматическая сеть, аппарат Гольджи, внеклеточное пространство или другие органеллы. Цель состоит в разработке инструментов, способных точно предсказывать исход направленного транспорта белков в клетках. Прогнозирование субклеточной локализации белка является важной составляющей биоинформатического прогнозирования функции белка и аннотации генома, а также может способствовать выявлению мишеней для лекарственных препаратов.
Protein subcellular localization prediction (or just protein localization prediction) involves the prediction of where a protein resides in a cell, its subcellular localization. In general, prediction tools take as input information about a protein, such as a protein sequence of amino acids, and produce a predicted location within the cell as output, such as the nucleus, Endoplasmic reticulum, Golgi apparatus, extracellular space, or other organelles. The aim is to build tools that can accurately predict the outcome of protein targeting in cells. Prediction of protein subcellular localization is an important component of bioinformatics based prediction of protein function and genome annotation, and it can aid the identification of drug targets.
Предыстория
Экспериментальное определение подклеточной локализации белка может быть трудоемким и занимать много времени. Часто используются иммуномаркировка или мечение (например, с помощью зеленого флуоресцентного белка) для визуализации локализации с помощью флуоресцентной микроскопии. Высокопроизводительной альтернативой является предсказание. Благодаря разработке новых подходов в компьютерных науках и увеличению набора данных белков с известной локализацией, вычислительные инструменты теперь могут обеспечивать быстрые и точные прогнозы локализации для многих организмов. Это сделало предсказание подклеточной локализации одной из задач, успешно решаемых с помощью биоинформатики и машинного обучения. Многие методы предсказания в настоящее время превосходят точность некоторых высокопроизводительных лабораторных методов идентификации подклеточной локализации белков. В частности, разработаны предикторы, которые могут использоваться для анализа белков, которые могут одновременно находиться или перемещаться между двумя или более различными подклеточными локализациями. Экспериментальная валидация обычно необходима для подтверждения предсказанной локализации.
Инструменты
В 1999 году PSORT стала первой опубликованной программой для предсказания субклеточной локализации. После этого были выпущены другие инструменты и веб-сайты, использующие такие методы, как искусственные нейронные сети, метод опорных векторов и белковые мотивы. Предсказатели могут быть специализированы для белков различных организмов. Некоторые предназначены для эукариотических белков, другие – для белков человека, а третьи – для растительных белков. Методы прогнозирования локализации бактериальных белков и их точность были рассмотрены в обзорах. В 2021 году был опубликован SCLpred MEM – инструмент для предсказания мембранных белков, основанный на искусственных нейронных сетях. SCLpred EMS – это еще один инструмент, использующий искусственные нейронные сети для классификации белков на белки эндомембранной системы и секреторного пути (EMS) и все остальные. Аналогично, Light Attention использует методы машинного обучения для предсказания десяти различных распространенных субклеточных локализаций. Развитие предсказания субклеточной локализации белков было обобщено в двух всесторонних обзорных статьях. Недавние инструменты и результаты практического применения описаны в недавней статье Meinken и Min (2012).
Применение
Знание субклеточной локализации белка может значительно улучшить идентификацию мишеней в процессе разработки лекарств. Например, секретируемые белки и белки плазматической мембраны легко доступны для лекарственных молекул благодаря их локализации во внеклеточном пространстве или на поверхности клетки. Поверхностные белки и секретируемые белки бактерий также представляют интерес как потенциальные кандидаты на вакцины или как диагностические мишени. Нарушенная субклеточная локализация белков наблюдается в клетках при различных заболеваниях, таких как рак и болезнь Альцгеймера. Секретируемые белки некоторых архей, способных выживать в экстремальных условиях, имеют важное промышленное применение. С помощью предсказания можно оценить большое количество белков для выявления кандидатов, транспортируемых в нужное место.
Базы данных
Результаты предсказания субклеточной локализации могут храниться в базах данных. Примеры включают многовидовую базу данных Compartments, FunSecKB2 – базу данных грибов, PlantSecKB – базу данных растений, MetazSecKB – базу данных животных и человека, и ProtSecKB – базу данных протистов.