Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.

Protein-RNA Interaction Prediction

1.813 Aufrufe

Veröffentlicht am

Veröffentlicht in: Technologie
  • Als Erste(r) kommentieren

Protein-RNA Interaction Prediction

  1. 1. Structural Prediction of Protein-RNA Interaction by Computational Docking with Propensity-based Statistical Potentials Laula Pérez-Cano, Albert Solernou, Carles Pons, Juan Fernández-Recio Pac Symp Biocomput. 2010, 293-301. 2010/10/12 論文輪講 M2 大上 雅史 BIOCOMPUTING 2010 Proceedings of the Pacific Symposium Kamuela, Hawaii, USA, 4 - 8 January 2010
  2. 2. 内容に入る前に
  3. 3. Fernandezらについて• ドッキングソフトPyDOCK開発チーム – FTDockがベース – CAPRIでも結構強い • FTDockが元References Grosdidier, S., Pons, C., Solernou, A., & Fernández-Recio, J. (2007). Prediction and scoring of docking poses with pyDock. Proteins, 69(4), 852-8. doi: 10.1002/prot.21796. Cheng, T. M., Blundell, T. L., & Fernandez-Recio, J. (2007). pyDock: electrostatics and desolvation for effective scoring of rigid-body protein-protein docking. Proteins, 68(2), 503-15. doi: 10.1002/prot.21419. Pons, C., Solernou, A., Perez-Cano, L., Grosdidier, S., & Fernandez-Recio, J. (2010). Optimization of pyDock for the new CAPRI challenges: Docking of homology- based models, domain-domain assembly and protein-RNA binding. Proteins, 1-7. doi: 10.1002/prot.22773. 3
  4. 4. Introduction
  5. 5. イントロダクション• この研究のテーマ 「タンパク質-RNA間相互作用」• この研究でやったこと →ドッキングのための新しい残基-リボ核酸 ペアワイズスコアの開発 – FFT-based rigid body dockingを想定 • ドッキングで大量生成したデコイに対して このスコアを用いて評価(フィルタリング)する 5
  6. 6. イントロダクション• タンパク質-RNA間相互作用が重要 – だが利用可能な構造はまだまだ少ない – 計算機による構造ベースの研究も少ない• ドッキング研究 – Protein-ProteinやProtein-Ligandに比べて 事例が圧倒的に少ない – 最近のCAPRIのターゲットにRNAが出現 6
  7. 7. イントロダクション• CAPRIにおけるPyDockチーム – Protein-RNAドッキングで2位 • Ligand-RMSD = 3.8Å – 課題・限界も見い出された • フレキシブルさの考慮 • Protein-RNAのためにチューニングされた スコアリングパラメータが必要 7
  8. 8. イントロダクション• Protein-RNA複合体の相互作用面の情報等 から相互作用の特徴の理解を目指した研究 – 水素結合の全原子統計的ポテンシャル [3] Chen, Y., Kortemme, T., Robertson, T., Baker, D., & Varani, G. (2004). A new hydrogen-bonding potential for the design of protein-RNA interactions predicts specific contacts and discriminates decoys. Nucleic acids research, 32(17), 5147-62. doi: 10.1093/nar/gkh785. • Rosetta(リガンドドッキングシステム)を使って decoy生成,near nativeとそうでないのを比較して チューニング 8
  9. 9. イントロダクション• 統計的ポテンシャルに関する研究(一部) [12] Lejeune, D., Delsaux, N., Charloteaux, B., Thomas, A., & Brasseur, R. (2005). Protein-nucleic acid recognition: statistical analysis of atomic interactions and influence of DNA structure. Proteins, 61(2), 258-71. doi: 10.1002/prot.20607. [9] Ellis, J. J., Broom, M., & Jones, S. (2007). Protein – RNA Interactions : Structural Analysis and Functional Classes. Bioinformatics, 911(December 2006), 903-911. [13] Jeong, E., Kim, H., Lee, S., & Han, K. (2003). Discovering the interaction propensities of amino acids and nucleotides from protein- RNA complexes. Molecules and cells, 16(2), 161-7. 9
  10. 10. イントロダクション• 類似の論文 [6] Pérez-Cano, L., & Fernández-Recio, J. (2010). Optimal protein-RNA area, OPRA: a propensity-based method to identify RNA-binding sites on proteins. Proteins, 78(1), 25-35. doi: 10.1002/prot.22527. 10
  11. 11. Methods
  12. 12. 提案手法Pairwise residue-ribonucleotide interface propensities p :アミノ酸の種類(1~20) q :RNAの種類(1~4) NIpq :相互作用面の(p, q)ペアの数 (4Å以内に1個でも互いの原子があればカウント) NSp/q :表面残基/RNAの数 (ASA>0.1Å2でカウント) 282のnon-redundant protein-RNA interaction を利用 12
  13. 13. Pairwise p-q interface propensities• 自由エネルギーの形に変換 ※ RT=0.59 kcal/mol 13
  14. 14. ドッキングへの利用• 手順 – FTDockで10000個のデコイ生成 • 静電的相互作用丌使用,1.2ÅGrid – デコイiに対するfinal score 14
  15. 15. 評価実験~使用データunbound proteinはboundと95%以上の配列類似性のもの,unbound RNAは85% 15
  16. 16. 評価実験~評価方法• RNAのRMSDで評価 – タンパク質のCαをフィッティング – RNA全原子でRMSDを計算 – near-native solutionは10Å以下(CAPRI基準) • 特定のdecoy中に含まれるNNS数の割合を ランダム生成と比較 16
  17. 17. Results
  18. 18. interface propensities favorable pair disfavored – アルギニン(R),リジン(K),ヒスチジン(H)がよくいる – RNA側では変化はあまり見られない→残基が重要 18
  19. 19. interface propensitiesProtein-RNAの相互作用では静電的効果が重要 RNAの負電荷がタンパク質のRNA binding siteで 重要な効果を発揮している ※Protein-Proteinではdesolvation/hydrophobic effectが重要 19
  20. 20. Protein-RNA rigid-body docking and scoring 10,000個のFTDock生成decoy中にNNSがあったもの(12複合体中7複合体)・fnat is the fraction of RNA-protein contacts that is also found in the native (target) structure・fnon-nat is the fraction of RNA-protein contacts that is found, but that is not present in the native (target) structure・FTDock&Propensity はスコアの和(重み付けなし) 20
  21. 21. Protein-RNA rigid-body docking and scoring 10000 1WSUBest near-native rank 2PJP 1000 1LNG 1E7K 1WPU 100 2QUX 2JEA 10 1 FTDock Propensity FTDock&Propensity 21
  22. 22. Protein-RNA rigid-body docking and scoring 10000 1WSUBest near-native rank 2PJP 1000 1LNG 1E7K 1WPU 100 2QUX 2JEA 10 1 FTDock FTDock&Propensity 22
  23. 23. Protein-RNA rigid-body docking and scoring• 組合せて使うとよくなる – FTDockと相補的に働いている? – 3つの例ではFTDockとPropensityのどちらかに 10位以下がいる 23
  24. 24. Example of successful prediction PDB id : 2QUXunbound protein vs. bound RNARMSD = 8.7Å(Propensityで1位が当たったやつ) シアン:予測 マゼンタ:X-ray タンパク質表面での位置が 結構近いから良いんじゃね 24
  25. 25. Discussion
  26. 26. 他のpropensity score• 関連研究と比較 – favored残基は全てにおいて共通 →アルギニン(R)とリジン(K) • この論文で見られたヒスチジン(H)は環境によっては 正電荷として機能するので重要 – 相手RNAによって変化 • R-UとK-Aが特に強い • この論文では相手RNAによる変化は殆ど無いと結論 – トリプトファン(W)とチロシン(Y)も割と関係している • 特にRNA側がAかUのとき母集団の大きさがでかい(282 nr PRIを使用)から,他よりも一般の複合体に適用するときでは良いはず 26
  27. 27. 他のpropensity score [16]Treger, M., & Westhof, E. (2001). Statistical analysis of atomic contacts at RNA-protein interfaces. Journal of molecular recognition : JMR, 14(4), 199-214. doi: 10.1002/jmr.534.[9] Ellis, J. J., Broom, M., & Jones, S. (2007). Protein-RNAinteractions: structural analysis and functional classes. Proteins,66(4), 903-11. John Wiley & Sons. doi: 10.1002/prot.21211. 27
  28. 28. 他のpropensity score [15]Jones, S., Daley, D. T., Luscombe, N. M., Berman, H. M., & Thornton, J. M. (2001). Protein-RNA interactions: a structural analysis. Nucleic acids research, 29(4), 943-54. 28
  29. 29. 他のpropensity score [13]Jeong, E., Kim, H., Lee, S., & Han, K. (2003). Discovering the interaction propensities of amino acids and nucleotides from protein- RNA complexes. Molecules and cells, 16(2), 161-7. Retrieved from http://www.ncbi.nlm.nih.gov/pubmed/14651256. 29
  30. 30. 性能比較 4/7 [16] [9] [15] 10,000decoyをテキトウに順位付け 100回平均 2/7 1/7 30
  31. 31. まとめると• 2つのことが結論づけられた – Protein-RNAの特異性の決定要因がほとんど Proteinの残基にある – 統計ポテンシャルの予測値はデータベースの 大きさに依る• ドッキング性能 – Protein-Proteinよりは悪い – が,1E7Kと1WPUは Protein-Proteinより良い 31
  32. 32. まとめると• Protein-RNAドッキング – FTDockだけでもそこそこ良い結果のものが出る • 「top10にNNSがいる率」が高い 10000 • PPDではそんなに高くならない Best near-native rank 1000 →(Elecを使ってないことから) 100 Protein-RNAでは形状相補性が (PPDより)さらに重要なのでは 10 ※ただし良くなったのはbound RNA 1 FTDock Propensity 32
  33. 33. Conclusions
  34. 34. Summary• Protein-RNAドッキングのための新しい手法を提案 – 新しいpairwise propensity scoreを提案 – FTDockの形状相補性と組合せて良い結果を得た • RNAがbound構造ならかなり良い• Protein-RNAドッキングの戦略 – 剛体ドッキングの実行 – 形状相補性とpropensityでranking,上位数100を抽出 – 制限距離(?)などの情報でrankingを改良• bottleneck – 利用可能なunbound構造の少なさ • homology-basedモデルのRNA構造の利用を 考える必要がある 34
  35. 35. Future work• Protein-DNA pairwise propensityの開発 – Protein-RNAと似た結果になりそう – DNA結合位置の予測やドッキングに応用したい 35

×