ИнтерПро: База данных семейств, доменов и функциональных участков белков.

Введение

База данных семейств белков, доменов и функциональных участков

InterPro – это база данных семейств белков, доменов белков и функциональных участков, в которой идентифицируемые признаки, обнаруженные в известных белках, могут быть применены к новым последовательностям белков для их функциональной характеристики. Содержимое InterPro состоит из диагностических сигнатур и белков, которым эти сигнатуры существенно соответствуют. Сигнатуры состоят из моделей (от простых, таких как регулярные выражения, до более сложных, таких как скрытые марковские модели), описывающих белковые семейства, домены или участки. Модели строятся на основе аминокислотных последовательностей известных семейств или доменов и впоследствии используются для поиска в неизвестных последовательностях (например, полученных при секвенировании новых геномов) с целью их классификации. Каждая из баз данных, входящих в состав InterPro, специализируется в определенной области, от классификаций высокого уровня, основанных на структуре (SUPERFAMILY и CATH Gene3D), до более специфических классификаций подсемейств (PRINTS и PANTHER). InterPro стремится предоставить единую платформу для классификации белков, объединяя все сигнатуры, созданные различными базами данных-членами, в записи базы данных InterPro. Сигнатуры, представляющие эквивалентные домены, участки или семейства, объединяются в одну запись, а записи могут быть связаны между собой. К каждой записи, по возможности, прилагается дополнительная информация, такая как описание, унифицированные названия и термины генной онтологии (GO).

Данные, содержащиеся в InterPro

InterPro содержит три основных сущности: белки, сигнатуры (также называемые «методами» или «моделями») и записи. Белки в UniProtKB также являются центральными белковыми сущностями в InterPro. Информация о том, какие сигнатуры значительно соответствуют этим белкам, рассчитывается по мере публикации последовательностей UniProtKB, и эти результаты становятся общедоступными (см. ниже). Соответствие сигнатур белкам определяет, как сигнатуры объединяются в записи InterPro: сравнительное перекрытие соответствующих наборов белков и расположение соответствий сигнатур на последовательностях используются в качестве индикаторов родства. В InterPro интегрируются только сигнатуры, признанные достаточно качественными. По состоянию на версию 81.0 (выпущенную 21 августа 2020 года) записи InterPro аннотировали 73,9% аминокислотных остатков, найденных в UniProtKB, еще 9,2% аннотированы сигнатурами, ожидающими интеграции. Система классификации белков PIRSF представляет собой сеть с множеством уровней разнообразия последовательностей, от суперсемейств до подсемейств, отражающую эволюционные взаимосвязи белков и доменов полной длины. Основной классификационной единицей PIRSF является гомеоморфное семейство, члены которого одновременно гомологичны (произошли от общего предка) и гомеоморфны (обладают сходством последовательностей по всей длине и общей архитектурой доменов). PRINTS – это сборник протеиновых отпечатков. Отпечаток – это группа консервативных мотивов, используемых для характеристики семейства белков; его диагностическая сила уточняется итеративным сканированием UniProt. Обычно мотивы не перекрываются, но разделены вдоль последовательности, хотя они могут быть соединены в трехмерном пространстве. Отпечатки могут кодировать белковые фолдинги и функциональность более гибко и эффективно, чем отдельные мотивы, их полная диагностическая сила обусловлена взаимным контекстом, обеспечиваемым соседними мотивами. PROSITE – это база данных семейств и доменов белков. Она состоит из биологически значимых сайтов, паттернов и профилей, которые помогают надежно определить, к какому известному семейству белков (если таковое имеется) принадлежит новая последовательность. SMART (Simple Modular Architecture Research Tool) позволяет идентифицировать и аннотировать генетически мобильные домены и анализировать архитектуру доменов. Обнаружено более 800 семейств доменов, встречающихся в сигнальных, внеклеточных и хроматин-ассоциированных белках. Эти домены широко аннотированы в отношении филетического распределения, функционального класса, третичных структур и функционально важных остатков. SUPERFAMILY – это библиотека скрытых моделей Маркова, представляющих все белки с известной структурой. Библиотека основана на классификации белков SCOP: каждая модель соответствует домену SCOP и направлена на представление всего суперсемейства SCOP, к которому принадлежит домен. SUPERFAMILY использовалась для структурной аннотации всех полностью секвенированных геномов. SFLD – иерархическая классификация ферментов, связывающая специфические особенности структуры последовательности со специфическими химическими возможностями. TIGRFAMs – это коллекция семейств белков, включающая курируемые множественные выравнивания последовательностей, скрытые модели Маркова (HMM) и аннотации, предоставляющие инструмент для идентификации функционально связанных белков на основе гомологии последовательностей. Записи, которые являются «эквивалогами», группируют гомологичные белки, консервативные по функции.

InterPro contains three main entities: proteins, signatures (also referred to as "methods" or "models") and entries. The proteins in UniProtKB are also the central protein entities in InterPro. Information regarding which signatures significantly match these proteins are calculated as the sequences are released by UniProtKB and these results are made available to the public (see below). The matches of signatures to proteins are what determine how signatures are integrated together into InterPro entries: comparative overlap of matched protein sets and the location of the signatures' matches on the sequences are used as indicators of relatedness. Only signatures deemed to be of sufficient quality are integrated into InterPro. As of version 81.0 (released 21 August 2020) InterPro entries annotated 73.9% of residues found in UniProtKB with another 9.2% annotated by signatures that are pending integration. PIRSF Protein classification system is a network with multiple levels of sequence diversity from superfamilies to subfamilies that reflects the evolutionary relationship of full length proteins and domains. The primary PIRSF classification unit is the homeomorphic family, whose members are both homologous (evolved from a common ancestor) and homeomorphic (sharing full length sequence similarity and a common domain architecture). PRINTS PRINTS is a compendium of protein fingerprints. A fingerprint is a group of conserved motifs used to characterise a protein family; its diagnostic power is refined by iterative scanning of UniProt. Usually the motifs do not overlap, but are separated along a sequence, though they may be contiguous in 3D space. Fingerprints can encode protein folds and functionalities more flexibly and powerfully than can single motifs, their full diagnostic potency deriving from the mutual context afforded by motif neighbours. PROSITE PROSITE is a database of protein families and domains. It consists of biologically significant sites, patterns and profiles that help to reliably identify to which known protein family (if any) a new sequence belongs. SMART Simple Modular Architecture Research Tool Allows the identification and annotation of genetically mobile domains and the analysis of domain architectures. More than 800 domain families found in signaling, extracellular and chromatin associated proteins are detectable. These domains are extensively annotated with respect to phyletic distributions, functional class, tertiary structures and functionally important residues. SUPERFAMILY SUPERFAMILY is a library of profile hidden Markov models that represent all proteins of known structure. The library is based on the SCOP classification of proteins: each model corresponds to a SCOP domain and aims to represent the entire SCOP superfamily that the domain belongs to. SUPERFAMILY has been used to carry out structural assignments to all completely sequenced genomes. SFLD A hierarchical classification of enzymes that relates specific sequence structure features to specific chemical capabilities. TIGRFAMs TIGRFAMs is a collection of protein families, featuring curated multiple sequence alignments, hidden Markov models (HMMs) and annotation, which provides a tool for identifying functionally related proteins based on sequence homology. Those entries which are "equivalogs" group homologous proteins which are conserved with respect to function.

Доступ

База данных доступна для поиска по тексту и последовательностям через веб-сервер, а также для загрузки по анонимному FTP. Как и другие базы данных EBI, она находится в общественном достоянии, поскольку её содержимое может использоваться любым лицом и для любых целей. InterPro стремится публиковать данные каждые 8 недель, обычно в течение суток после публикации UniProtKB тех же белков.

Интерфейс программирования приложений InterPro (API)

InterPro предоставляет API для программного доступа ко всем записям InterPro и связанным с ними записям в формате JSON. Существует шесть основных конечных точек API, соответствующих различным типам данных InterPro: запись, белок, структура, таксономия, протеом и набор.

InterProScan

InterProScan – это программный пакет, позволяющий пользователям сканировать последовательности на соответствие сигнатурам баз данных. Пользователи могут использовать это программное обеспечение для сканирования сигнатур с целью функциональной характеристики новых нуклеотидных или белковых последовательностей. InterProScan часто используется в геномных проектах для получения первичной характеристики интересующего генома. По состоянию на 2020 год, публичная версия InterProScan (v5.x) использует архитектуру на основе Java. В настоящее время программный пакет поддерживается только на 64-битных операционных системах Linux. InterProScan, наряду со многими другими биоинформатическими инструментами EMBL-EBI, также может быть доступен программно через RESTful и SOAP Web Services API.