Прогнозирование субклеточной локализации белка - Protein subcellular localization prediction

Прогнозирование субклеточной локализации белка (или просто предсказание локализации белка) предполагает предсказание того, где белок проживает в клетка, это субклеточная локализация.

Как правило, инструменты прогнозирования принимают в качестве входных данных информацию о белке, например о белковая последовательность из аминокислоты, и создать прогнозируемое местоположение в ячейке в качестве вывода, например ядро, Эндоплазматический ретикулум, аппарат Гольджи, внеклеточное пространство, или другой органеллы. Цель состоит в том, чтобы создать инструменты, которые могут точно предсказать результат нацеливание на белок в камерах.

Прогнозирование субклеточной локализации белков - важный компонент биоинформатика основанный на прогнозе функция белка и аннотация генома, и это может помочь в идентификации мишеней для наркотиков.

Фон

Экспериментально определяя субклеточная локализация из белок может быть трудоемкой и трудоемкой задачей. Иммуномечение или тегами (например, с зеленый флуоресцентный белок ) для просмотра локализации с помощью флуоресцентный микроскоп часто используются. Альтернативой высокой пропускной способности является использование прогнозирования.

Благодаря развитию новых подходов в информатике в сочетании с увеличенным набором данных о белках известной локализации, вычислительные инструменты теперь могут обеспечивать быстрые и точные прогнозы локализации для многих организмов. Это привело к тому, что прогнозирование субклеточной локализации стало одной из задач, которым успешно помогает биоинформатика, и машинное обучение.

Многие методы прогнозирования сегодня превышают точность некоторых высокопроизводительных лабораторных методов для определения субклеточной локализации белков.[1][2] В частности, были разработаны некоторые предикторы[3] которые могут использоваться для работы с белками, которые могут одновременно существовать или перемещаться между двумя или более различными субклеточными локациями. Для подтверждения предсказанных локализаций обычно требуется экспериментальная проверка.

Инструменты

Основная статья: Список инструментов для прогнозирования субклеточной локализации белка

В 1999 году PSORT была первой опубликованной программой для предсказания субклеточной локализации.[4] Последующие инструменты и веб-сайты были выпущены с использованием таких методов, как искусственные нейронные сети, Машина опорных векторов и белковые мотивы. Предикторы могут быть специализированы для белков в разных организмах. Некоторые специализируются на эукариотических белках,[5] некоторые для белков человека,[6] и некоторые для растительных белков.[7] Рассмотрены методы прогнозирования предикторов локализации бактерий и их точность.[8]

Развитие предсказания субклеточного местоположения белков было обобщено в двух всеобъемлющих обзорных статьях.[9][10] Последние инструменты и отчет об опыте можно найти в недавней статье Мейнкен и Мин (2012).

Заявление

Знание субклеточной локализации белка может значительно улучшить идентификацию цели во время открытие лекарств процесс. Например, секретируемые белки и плазматическая мембрана белки легко доступны для молекул лекарств из-за их локализации во внеклеточном пространстве или на поверхности клетки.

Поверхность бактериальных клеток и секретируемые белки также представляют интерес в связи с их потенциалом в качестве кандидатов на вакцины или диагностических целей. Аберрантная субклеточная локализация белков наблюдалась в клетках нескольких заболеваний, таких как рак и Болезнь Альцгеймера. Секретные белки некоторых архей, которые могут выжить в необычных условиях, имеют важное промышленное применение.

Используя прогнозирование, можно оценить большое количество белков, чтобы найти кандидатов, которые доставляются в желаемое место.

Базы данных

Результаты прогноза субклеточной локализации могут храниться в базах данных. Примеры включают многовидовую базу данных Отделения, FunSecKB2, грибковая база данных;[11] PlantSecKB, база данных растений;[12] MetazSecKB, база данных о животных и людях;[13] и ProtSecKB, протистская база данных.[14]

Рекомендации

  1. ^ Kaleel, M; Чжэн, Y; Чен, Дж; Фэн, X; Симпсон, JC; Полластри, Г; Муни, К. (6 марта 2020 г.). «SCLpred-EMS: предсказание субклеточной локализации эндомембранной системы и белков секреторного пути с помощью сверточных нейронных сетей Deep N-to-1». Биоинформатика (Оксфорд, Англия). 36 (11): 3343–3349. Дои:10.1093 / биоинформатика / btaa156. PMID  32142105.
  2. ^ Рей С., Гарди Дж. Л., Бринкман Ф. С. (2005). «Оценка точности высокопроизводительных вычислительных и лабораторных подходов для полногеномной идентификации субклеточной локализации белка у бактерий». BMC Genomics. 6: 162. Дои:10.1186/1471-2164-6-162. ЧВК  1314894. PMID  16288665.
  3. ^ Чжоу KC, Шен HB (2008). «Cell-PLoc: пакет веб-серверов для прогнозирования внутриклеточной локализации белков в различных организмах». Протоколы природы. 3 (2): 153–62. Дои:10.1038 / nprot.2007.494. PMID  18274516. S2CID  226104.
  4. ^ «Прогнозирование субклеточной локализации белка». www.ncbi.nlm.nih.gov. Получено 2016-12-31.
  5. ^ Чжоу KC, Wu ZC, Сяо X (2011). «iLoc-Euk: мульти-меточный классификатор для прогнозирования субклеточной локализации одноплексных и мультиплексных эукариотических белков». PLOS ONE. 6 (3): e18258. Bibcode:2011PLoSO ... 618258C. Дои:10.1371 / journal.pone.0018258. ЧВК  3068162. PMID  21483473.
  6. ^ Шен HB, Chou KC (ноябрь 2009 г.). «Нисходящий подход для повышения эффективности прогнозирования субклеточной локализации человеческого белка: Hum-mPLoc 2.0». Аналитическая биохимия. 394 (2): 269–74. Дои:10.1016 / j.ab.2009.07.046. PMID  19651102.
  7. ^ Чжоу KC, Шен HB (2010). «Plant-mPLoc: нисходящая стратегия для увеличения возможностей прогнозирования субклеточной локализации растительного белка». PLOS ONE. 5 (6): e11335. Bibcode:2010PLoSO ... 511335C. Дои:10.1371 / journal.pone.0011335. ЧВК  2893129. PMID  20596258.
  8. ^ Гарди Дж. Л., Бринкман Ф. С. (октябрь 2006 г.). «Методы прогнозирования субклеточной локализации бактериальных белков». Обзоры природы. Микробиология. 4 (10): 741–51. Дои:10.1038 / nrmicro1494. PMID  16964270. S2CID  62781755.
  9. ^ Накай, К. Сигналы сортировки белков и предсказание субклеточной локализации. Adv. Protein Chem., 2000, 54, 277-344.
  10. ^ Chou, K. C .; Шен, Х. Б. Обзор: Последние достижения в предсказании субклеточного местоположения белков » Анальный. Биохим 2007, 370, 1-16.
  11. ^ «FunSecKB2 (База знаний 2.1 о грибковом секрете и субклеточном протеоме)». bioinformatics.ysu.edu. Архивировано из оригинал на 2016-04-10. Получено 2017-09-17.
  12. ^ «PlantSecKB (База знаний о секретах растений и субклеточных протеомах)». bioinformatics.ysu.edu. Архивировано из оригинал на 2016-04-06. Получено 2017-09-17.
  13. ^ «MetazSecKB (База данных по субклеточному расположению белков Metazoa (человека и животных), секретам и субклеточным протеомам)». bioinformatics.ysu.edu. Архивировано из оригинал на 2016-04-06. Получено 2017-09-17.
  14. ^ "ProtSecKB (База знаний о протистском секрете и субклеточном протеоме)". proteomics.ysu.edu. Получено 2017-09-17.

дальнейшее чтение