Transcript Metody obliczeniowe przewidywania interakcji bia*ko-RNA

Metody obliczeniowe
przewidywania interakcji
białek z RNA
Przemysław Kluz
Wstęp
• Zrozumienie molekularnego mechanizmu
rozpoznawania kompleksów białek-RNA jest
głównym wyzwaniem biologii strukturalnej.
Podstawowe informacje
• Interakcje białko-RNA odgrywają ważną rolę w
wielu procesach komórkowych takich jak:
▫
▫
▫
▫
▫
▫
Transkrypcja RNA
Odwrotna transkrypcja
Replikacja RNA
Transport RNA
Translacja mRNA
Regulacja poziomu RNA w komórkach
Po co to robić?
• Defekty w interakcjach białko-RNA powodują
wiele chorób, od zaburzeń neurologicznych po
raka.
Dlaczego metody obliczeniowe?
• Niestety eksperymentalne wyznaczanie
kompleksów białko-RNA przy użyciu
krystalografii rentgenowskiej i spektroskopii jest
uciążliwe i trudne.
• Eksperymentalne metody są procesami
powolnymi i trudnymi.
Metody eksperymentalne
• 1203 kompleksy makromolekularne są dostępne
w „Protein Data Bank”
▫ 1035 dzięki krystalografii rentgenowskiej
▫ 69 dzięki spektroskopi magnetycznego rezonansu
jądrowego
▫ 99 dzięki innym metodom
Dane z września 2011
Metody eksperymentalne
Krystalografia rentgenowska
Metody eksperymentalne
Urządzenie do spektroskopi magnetycznego rezonansu jądrowego
Dlaczego metody obliczeniowe?
• Wykorzystywane alternatywnie do
przewidywania interakcji białko-RNA
• Mniej dokładne niż obserwacje eksperymentalne
• Dostatecznie dokładne by naprowadzić
eksperymenty
Do czego używane są metody
obliczeniowe?
• Czy dane białko wiąże RNA?
• Jeśli tak to które elementy sekwencji
proteinowej biorą udział w łączeniu z RNA?
• Jaka jest struktura kompleksu białko-RNA?
Przewidywanie białek łączących się z
RNA
• Większość tych metod identyfikuje białka
wiążące się z RNA bazując głównie na ładunku
elektrycznym, ponieważ szkielet fosforanowy
RNA jest negatywnie naładowany i raczej
wchodzi w interakcję z pozytywnie
naładowanymi białkami. Jednak nie jest to
reguła.
• Inne metody używają ogólnego składu
aminokwasowego, biegunowości itp.
Inne metody bioinformatyczne
• Metody polegające na uczeniu maszynowym,
głównie opierające się o „support vector
machines” (SVM)
• Niestety żadna z tych metod nie jest ogólnie
dostępna
Przewidywanie z sekwencji białka
• Głównie polega na używaniu:
• Uczenia maszynowego
• Ukrytych modeli Markova (HMM)
• „Support vector machines” (SVM)
Porównanie skuteczności opisanych
metod
• Wzięto 75 rekordów zawierających kompleksy
RNP z Protein Data Bank i porównano
przewidywane interakcje z obserwowanymi w
kompleksach RNP.
• Na tej podstawie stworzono charakterystykę
zestawiając „prawdziwie pozytywne trafienia”
(TPR) z „fałszywie pozytywnymi trafieniami”
oraz obliczając tzw. „Matthews Correlation
Coefficient” (MCC).
Wyniki porównania skuteczności
opisanych metod
Wyniki porównania skuteczności
opisanych metod
„Meta-predictor”
• Naukowcy prowadzący testy porównawcze
skuteczności tych metod stworzyli swój własny
„Meta-predictor”, który bazuje na trzech
najlepszych w powyższym rankingu metodach:
PiRaNhA, PPRInt oraz BindN+
„Meta-predictor” - wyniki
• „Meta-predictior” dał o 0.9% lepsze wyniki niż
metoda PiRaNhA co sugeruje, że opisywane
metody są ze sobą silnie skorelowane.
Podsumowanie
• W ostatnich latach ilość znanych kompleksów
białko-RNA znacznie wzrosła
• Metody znajdowania tych struktur są
pracochłonne i powolne, więc jest duże
zapotrzebowanie na metody obliczeniowe do ich
przewidywania
Podsumowanie
• Mimo, że obecnie stosowane metody są dalekie od
perfekcji, jesteśmy w stanie przy ich pomocy uzyskać
wskazówki co do prowadzenia analizy
eksperymentalnej
• Porównanie dostępnych w dzisiejszych czasach
metod pokazało, że metody te mają słabą
dokładność i można uzyskać minimalnie lepszą
dokładność łącząc je
Podsumowanie
• Porównanie tych metod pokazało też, że wyniki
pracy opisanych metod są ze sobą mocno
związane, co sugeruje, że lepsze wyniki można
osiągnąć tworząc nowe metody opierając się na
innych założeniach niż dotychczas