Белок-белковое взаимодействие - Protein–protein interaction

Ингибитор рибонуклеазы в форме подковы (показан в виде каркаса) образует белок-белковое взаимодействие с белком рибонуклеазы. Контакты между двумя белками показаны цветными пятнами.

Белковые взаимодействия (ИЦП) являются физическими контактами высокой специфичности, установленными между двумя или более белок молекул в результате биохимических событий, управляемых взаимодействиями, которые включают электростатические силы, водородная связь и гидрофобный эффект. Многие из них представляют собой физические контакты с молекулярными ассоциациями между цепями, которые происходят в клетке или в живом организме в конкретном биомолекулярном контексте.[1]

Белки редко действуют в одиночку, так как их функции обычно регулируются. Многие молекулярные процессы внутри клетки выполняются молекулярные машины которые построены из многочисленных белковых компонентов, организованных их ИПП. Эти физиологические взаимодействия составляют так называемые интерактомика организма, в то время как аберрантные ИПП являются основой множества заболеваний, связанных с агрегацией, таких как Кройцфельдт – Якоб и Болезнь Альцгеймера.

ИПП изучались с много методов и с разных точек зрения: биохимия, квантовая химия, молекулярная динамика, преобразование сигнала, среди прочего.[2][3] Вся эта информация позволяет создавать большие сети взаимодействия белков.[4] - похожий на метаболический или же генетические / эпигенетические сети - которые расширяют возможности текущих знаний о биохимические каскады молекулярная этиология заболевания, а также открытие предполагаемых белковых мишеней, представляющих терапевтический интерес.

Примеры

Белки электронного переноса

Во многих метаболических реакциях белок, который действует как переносчик электронов, связывается с ферментом, который действует в его редуктаза. Получив электрон, он диссоциирует, а затем связывается со следующим ферментом, который действует на него. оксидаза (т.е. акцептор электрона). Эти взаимодействия между белками зависят от высокоспецифичного связывания между белками для обеспечения эффективного переноса электронов. Примеры: компоненты системы митохондриальной цепи окислительного фосфорилирования цитохром с-редуктаза / цитохром с / цитохром с оксидаза; микросомальные и митохондриальные системы P450.[5]

В случае митохондриальных систем P450 специфические остатки, участвующие в связывании белка переноса электронов адренодоксин к его редуктазе были идентифицированы как два основных остатка Arg на поверхности редуктазы и два кислых остатка Asp на адренодоксине.[6]Более поздняя работа по филогении редуктазы показала, что эти остатки, участвующие в белок-белковых взаимодействиях, сохранялись на протяжении всей эволюции этого фермента.[7]

Передача сигнала

Активность клетки регулируется внеклеточными сигналами. Распространение сигнала внутри и / или внутри клеток зависит от PPI ​​между различными сигнальными молекулами. Привлечение сигнальных путей через ИПП называется преобразование сигнала и играет фундаментальную роль во многих биологических процессах и многих заболеваниях, включая болезнь Паркинсона и рак.

Мембранный транспорт

Белок может нести другой белок (например, из цитоплазма к ядро или наоборот в случае ядерная пора importins).[нужна цитата ]

Клеточный метаболизм

Во многих биосинтетических процессах ферменты взаимодействуют друг с другом с образованием небольших соединений или других макромолекул.[нужна цитата ]

Сокращение мышц

Физиология сокращение мышц включает в себя несколько взаимодействий. Миозин волокна действуют как молекулярные моторы и привязав к актин обеспечивает скольжение нити.[8] Кроме того, члены скелетные мышцы липидные капельки-ассоциированные белки семья ассоциируется с другими белками, как активатор липаза триглицеридов жиров и это коактиватор сравнительная идентификация гена-58, для регулирования липолиз в скелетных мышцах

Типы

Основная статья: Мультибелковый комплекс

Для описания типов белок-белковых взаимодействий (ИПП) важно учитывать, что белки могут взаимодействовать «временным» образом (производить некоторый специфический эффект за короткое время, например, передача сигнала) или взаимодействовать с другими белками в «стабильный» способ формирования комплексов, которые становятся молекулярными машинами в живых системах. Сборка белкового комплекса может привести к образованию гомоолигомерные или гетероолигомерные комплексы. Помимо обычных комплексов, таких как фермент-ингибитор и антитело-антиген, взаимодействия также могут быть установлены между доменом-доменом и домен-пептидом. Другим важным отличием для идентификации взаимодействий белок-белок является способ их определения, поскольку существуют методы измерения прямых физических взаимодействий между парами белков, называемые «бинарными» методами, в то время как существуют другие методы измерения физических взаимодействий между группами белков, без попарного определения белков-партнеров, названных «ко-комплексными» методами.[1]

Гомоолигомеры против гетероолигомеров

Гомоолигомеры - это макромолекулярные комплексы, состоящие только из одного типа субъединица белка. Сборка белковых субъединиц регулируется установлением нековалентные взаимодействия в четвертичная структура белка. Разрушение гомоолигомеров с целью возврата к исходной особи мономеры часто требуется денатурация комплекса.[9] Несколько ферменты, белки-носители, каркасные белки и факторы регуляции транскрипции выполняют свои функции как гомоолигомеры. Отдельные белковые субъединицы взаимодействуют в гетероолигомерах, которые необходимы для контроля нескольких клеточных функций. Важность коммуникации между гетерологичными белками еще более очевидна во время событий передачи сигналов в клетке, и такие взаимодействия возможны только благодаря структурным доменам внутри белков (как описано ниже).

Стабильные взаимодействия против временных взаимодействий

Стабильные взаимодействия включают белки, которые взаимодействуют в течение длительного времени, принимая участие в постоянных комплексах в качестве субъединиц, чтобы выполнять функциональные роли. Обычно это гомоолигомеры (например, цитохром с ), и некоторые гетероолигомерные белки, как субъединицы АТФаза. С другой стороны, белок может взаимодействовать кратко и в обратимый образом с другими белками только в определенных клеточных контекстах - тип ячейки, стадия клеточного цикла, внешние факторы, присутствие других связывающих белков и т. д. - как это происходит с большинством белков, участвующих в биохимические каскады. Это называется временными взаимодействиями. Например, некоторые рецепторы, связанные с G-белком, только временно связываются с Gввод / вывод белки, когда они активируются внеклеточными лигандами,[10] в то время как некоторые Gq-связанные рецепторы, такие как мускариновый рецептор M3, предварительно спаренные с Gq белки до связывания рецептор-лиганд.[11] Взаимодействия между внутренне неупорядоченными областями белка и глобулярными доменами белка (т.е. MoRFs ) являются временными взаимодействиями.[12]

Ковалентные против нековалентных

Основные статьи: Ковалентная связь и Нековалентные взаимодействия

Ковалентные взаимодействия - это взаимодействия с наиболее сильной ассоциацией и формируются дисульфидные связи или же обмен электронами. Хотя эти взаимодействия редки, они являются определяющими для некоторых посттрансляционные модификации, так как убиквитинирование и СУМОилирование. Нековалентные связи обычно устанавливаются во время переходных взаимодействий за счет комбинации более слабых связей, таких как водородные связи, ионные взаимодействия, Силы Ван-дер-Ваальса, или гидрофобные связи.[13]

Роль воды

Молекулы воды играют важную роль во взаимодействиях между белками.[14][15] Кристаллические структуры комплексов, полученные с высоким разрешением из различных, но гомологичных белков, показали, что некоторые межфазные молекулы воды сохраняются между гомологичными комплексами. Большинство молекул воды на границе раздела образуют водородные связи с обоими партнерами каждого комплекса. Некоторые интерфейсные аминокислотные остатки или атомные группы одного белкового партнера вовлечены как в прямые, так и опосредованные водой взаимодействия с другим белковым партнером. Вдвойне косвенные взаимодействия, опосредованные двумя молекулами воды, более многочисленны в гомологичных комплексах с низким сродством.[16] Тщательно проведенные эксперименты по мутагенезу, например изменение остатка тирозина на фенилаланин, показали, что взаимодействия, опосредованные водой, могут вносить вклад в энергию взаимодействия.[17] Таким образом, молекулы воды могут способствовать взаимодействиям и перекрестному распознаванию между белками.

Структура

Кристаллическая структура модифицированного грамицидина S по горизонтали, определенная методом рентгеновской кристаллографии
Структура ЯМР цитохрома С, иллюстрирующая его динамику в растворе
Основные статьи: Рентгеновская кристаллография и Спектроскопия ядерного магнитного резонанса

В молекулярные структуры многих белковых комплексов были разблокированы методом Рентгеновская кристаллография.[18][19] Первой структурой, решаемой этим методом, была структура кашалот миоглобин к Сэр Джон Каудери Кендрю.[20] В этом методе углы и интенсивности пучка рентгеновских лучей, дифрагированного кристаллическими атомами, детектируются на пленке, таким образом создавая трехмерное изображение плотности электронов внутри кристалла.[21]

Потом, ядерный магнитный резонанс также начали применяться с целью разгадки молекулярной структуры белковых комплексов. Одним из первых примеров была структура кальмодулин-связывающих доменов, связанных с кальмодулин.[19][22] Этот метод основан на изучении магнитных свойств атомных ядер, тем самым определяя физические и химические свойства соответствующих атомов или молекул. Ядерный магнитный резонанс полезен для характеристики слабых PPI.[23]

Домены

Белки содержат структурные домены, которые позволяют им взаимодействовать и связываться со специфическими последовательностями других белков:

  • Src гомология 2 (SH2) домен
    Основная статья: SH2 домен
Домены SH2 структурно состоят из трехцепочечного скрученного бета-листа, окруженного двумя альфа-спиралями. Наличие глубокого связывающего кармана с высоким сродством к фосфотирозин, но не для фосфосерин или же фосфотреонин, необходим для распознавания белков, фосфорилированных тирозином, в основном аутофосфорилированных фактор роста рецепторы. Белки, связывающие рецептор фактора роста и фосфолипаза C γ являются примерами белков, которые имеют домены SH2.[24]
  • Src гомология 3 (SH3) домен
    Основная статья: SH3 домен
Структурно домены SH3 состоят из бета-бочки, образованной двумя ортогональными бета-слоями и тремя антипараллельными бета-цепями. Эти домены распознают пролин обогащенные последовательности в виде спиральной структуры полипролина типа II (мотивы PXXP)[требуется проверка ] в клеточных сигнальных белках, таких как белок тирозинкиназы и белок 2, связанный с рецептором фактора роста (Grb2 ).[24]
  • Фосфотирозин-связывающий (PTB) домен
    Основная статья: PTB домен
Домены PTB взаимодействуют с последовательностями, содержащими фосфотирозиновую группу. Эти домены можно найти в субстрат рецептора инсулина.[24]
Домены LIM были первоначально идентифицированы в трех факторы транскрипции гомеодомена (lin11, is11 и mec3). В дополнение к этому гомеодоменные белки и других белков, участвующих в развитии, LIM домены также были идентифицированы в негомеодоменных белках с соответствующими ролями в клеточная дифференциация, Ассоциация с цитоскелет и старение. Эти домены содержат тандемный, богатый цистеином Zn2+мотив пальца и принять консенсусная последовательность CX2CX16-23HX2CX2CX2CX16-21CX2C / H / D. Домены LIM связываются с доменами PDZ, факторами транскрипции bHLH и другими доменами LIM.[24]
  • Стерильный альфа-мотив (SAM) домен
    Основная статья: SAM домен
Домены SAM состоят из пяти спиралей, образующих компактную упаковку с консервативным гидрофобное ядро. Эти домены, которые можно найти в Рецептор Eph и молекула стромального взаимодействия (STIM ), например, связываются с белками, не содержащими домен SAM, и они также, по-видимому, обладают способностью связывать РНК.[24]
Домены PDZ были впервые идентифицированы в трех гуанилаткиназах: PSD-95, DlgA и ZO-1. Эти домены распознают карбоксиконцевые трипептидные мотивы (S / TXV), другие PDZ домены или же LIM домены и связывают их короткой пептидной последовательностью, имеющей C-терминал гидрофобный остаток. Некоторые из белков, идентифицированных как имеющие PDZ-домены, являются каркасными белками или, по-видимому, участвуют в сборке ионного рецептора и образовании комплексов рецептор-фермент.[24]
Домены FERM содержат основные остатки, способные связываться PtdIns (4,5) P2. Талин и киназа фокальной адгезии (FAK) - два белка, которые представляют домены FERM.[24]
Домены CH в основном присутствуют в белках цитоскелета в виде Парвин.[24]
Домены гомологии плекстрина связываются с фосфоинозитидами и кислотными доменами в сигнальных белках.
Домены WW связываются с последовательностями, обогащенными пролином.
  • Мотив WSxWS
Найдено в рецепторах цитокинов

Свойства интерфейса

Изучение молекулярной структуры может дать подробные сведения о интерфейсе, который обеспечивает взаимодействие между белками. При характеристике интерфейсов PPI важно учитывать тип комплекса.[9]

Оцениваемые параметры включают размер (измеренный в абсолютных размерах). Å2 или в площадь поверхности, доступная для растворителей (SASA) ), форма, комплементарность между поверхностями, склонность к границе раздела остатков, гидрофобность, сегментация и вторичная структура, а также конформационные изменения при образовании комплекса.[9]

Подавляющее большинство интерфейсов PPI отражает состав поверхностей белков, а не ядер белков, несмотря на то, что они часто обогащены гидрофобными остатками, особенно ароматическими остатками.[25] Интерфейсы PPI являются динамическими и часто плоскими, хотя они также могут быть шаровидными и выступающими.[26] На основе трех структур - инсулин димер, трипсин комплекс ингибиторов трипсина поджелудочной железы, и оксигемоглобин – Сайрус Чотия и Джоэл Джанин обнаружили, что между 1130 и 1720 Å2 Площадь поверхности была удалена от контакта с водой, что указывает на то, что гидрофобность является основным фактором стабилизации PPI.[27] Более поздние исследования уточнили площадь скрытой поверхности большинства взаимодействий до 1600 ± 350 Å.2. Однако наблюдались и гораздо большие интерфейсы взаимодействия, которые были связаны с значительные изменения в экстерьере одного из партнеров по взаимодействию.[18] Интерфейсы PPI демонстрируют как форму, так и электростатическую взаимодополняемость.[9][11]

Регулирование

  • Концентрация белка, на которую, в свою очередь, влияют уровни экспрессии и скорость деградации;
  • Сродство белков к белкам или другим связывающим лигандам;
  • Концентрации лигандов (субстраты, ионы, так далее.);
  • Наличие других белки, нуклеиновые кислоты, и ионы;
  • Электрические поля вокруг белков.
  • Возникновение ковалентных модификаций;

Экспериментальные методы

Основная статья: Методы исследования белок-белковых взаимодействий

Есть множество методов их обнаружения.[2][28] У каждого из подходов есть свои сильные и слабые стороны, особенно в отношении чувствительность и специфичность метода. Наиболее обычные и широко используемые высокопроизводительные методы: двухгибридный скрининг дрожжей и аффинная очистка в сочетании с масс-спектрометрии.[1]

Принципы двугибридных систем дрожжей и млекопитающих

Скрининг двугибридных дрожжей

Основная статья: Двухгибридный скрининг

Эта система была впервые описана в 1989 г. Филдсом и Сонгом с использованием Saccharomyces cerevisiae как биологическая модель.[29] Двухгибридные дрожжи позволяют идентифицировать попарные ИЦП (бинарный метод) in vivo, в котором два белка тестируются на биофизически прямое взаимодействие. Y2H основан на функциональном восстановлении дрожжевого транскрипционного фактора Gal4 и последующей активации селективного репортера, такого как His3. Для проверки взаимодействия двух белков создаются две конструкции для экспрессии белков: один белок (X) слит с ДНК-связывающим доменом (DB) Gal4, а второй белок (Y) слит с доменом активации Gal4 (AD). В анализе дрожжевые клетки трансформируются этими конструкциями. Транскрипция репортерных генов не происходит, если приманка (DB-X) и жертва (AD-Y) не взаимодействуют друг с другом и не образуют функциональный фактор транскрипции Gal4. Таким образом, о взаимодействии между белками можно судить по присутствию продуктов, являющихся результатом экспрессии репортерного гена.[13][30] В случаях, когда репортерный ген экспрессирует ферменты, которые позволяют дрожжам синтезировать незаменимые аминокислоты или нуклеотиды, рост дрожжей в условиях селективной среды указывает на то, что два протестированных белка взаимодействуют.

Несмотря на свою полезность, двугибридная система дрожжей имеет ограничения. Он использует дрожжи в качестве основной системы хозяина, что может быть проблемой при изучении белков, которые содержат специфические для млекопитающих посттрансляционные модификации. Количество выявленных ИЦП обычно невелико из-за высокого уровня ложноотрицательных результатов;[31] и, занижает мембранные белки, Например.[32][33]

В первоначальных исследованиях, в которых использовался Y2H, надлежащий контроль ложноположительных результатов (например, когда DB-X активирует репортерный ген без присутствия AD-Y) часто не проводился, что приводило к более высокому, чем обычно, уровню ложноположительных результатов. Для контроля этих ложных срабатываний необходимо внедрить эмпирическую основу.[34] Ограничения в отношении более низкого покрытия мембранными белками были преодолены благодаря появлению дрожжевых двугибридных вариантов, таких как двухгибридный мембранный дрожжевой (MYTH)[33] и сплит-убиквитиновая система,[30] которые не ограничиваются взаимодействиями, происходящими в ядре; и бактериальная двугибридная система, реализованная на бактериях;[35]

Принцип тандемной аффинной очистки

Аффинная очистка в сочетании с масс-спектрометрией

Основная статья: Масс-спектрометрии

Аффинная очистка в сочетании с масс-спектрометрией в основном выявляет стабильные взаимодействия и, таким образом, лучше показывает функциональные ИПП in vivo.[36][30] Этот метод начинается с очистки меченого белка, который обычно экспрессируется в клетке при in vivo концентрации и взаимодействующие с ним белки (аффинная очистка). Одним из наиболее выгодных и широко используемых методов очистки белков с очень низким фоном загрязнения является тандемная аффинная очистка, разработанный Бертраном Серафином и Матиасом Манном и соответствующими коллегами. Затем ИПП можно количественно и качественно анализировать с помощью масс-спектрометрии с использованием различных методов: химического включения, биологического или метаболического включения (SILAC) и методов без метки.[9] Более того, теория сети был использован для изучения всего набора идентифицированных белок-белковых взаимодействий в клетках.[37].

Программируемый протеиновый массив нуклеиновых кислот

Эта система была впервые разработана ЛаБэром и его коллегами в 2004 году с использованием системы транскрипции и трансляции in vitro. Они использовали матрицу ДНК, кодирующую интересующий ген, слитый с белком GST, и он был иммобилизован на твердой поверхности. Антитело против GST и биотинилированная плазмидная ДНК связывали на предметном стекле, покрытом аминопропилтриэтоксисиланом (APTES). BSA может улучшить эффективность связывания ДНК. Биотинилированная плазмидная ДНК была связана авидином. Новый белок был синтезирован с использованием бесклеточной системы экспрессии, то есть лизата ретикулоцитов кролика (RRL), а затем новый белок был захвачен с помощью антитела против GST, связанного на предметном стекле. Для проверки взаимодействия белок-белок кДНК целевого белка и кДНК запрашиваемого белка были иммобилизованы на одном и том же покрытом предметном стекле. Используя систему транскрипции и трансляции in vitro, целевой и запрашиваемый белок был синтезирован одним и тем же экстрактом. Целевой белок связывали с массивом антителом, нанесенным на предметное стекло, и запрашиваемый белок использовали для зондирования массива. Белок запроса был помечен эпитопом гемагглютинина (НА). Таким образом, взаимодействие между двумя белками было визуализировано с помощью антитела против НА.[38][39]

Другие возможные методы

По мере развития технологий появляются разнообразные методы определения ИЦП. К ним относятся коиммунопреципитация, белковые микрочипы, аналитическое ультрацентрифугирование, рассеяние света, флуоресцентная спектроскопия, картирование взаимодействий млекопитающих на основе люминесценции (LUMIER), системы резонансного переноса энергии, ловушка межбелкового взаимодействия млекопитающих, электрически переключаемые биоповерхности, анализ комплементации белок-фрагмент, а также измерения в реальном времени без этикеток поверхностный плазмонный резонанс, и калориметрия.[32][33]

Вычислительные методы

Текстовый анализ протокол.

Вычислительное прогнозирование белок-белковых взаимодействий

Экспериментальное обнаружение и определение характеристик ИПП трудоемкое и требует много времени. Однако многие PPI также можно предсказать с помощью вычислений, обычно используя экспериментальные данные в качестве отправной точки. Однако были также разработаны методы, позволяющие прогнозировать PPI de novo, то есть без предварительных доказательств этих взаимодействий.

Методы геномного контекста

Метод Розеттского камня или Domain Fusion основан на гипотезе о том, что взаимодействующие белки иногда сливаются в один белок в другом геноме.[40] Следовательно, мы можем предсказать, могут ли два белка взаимодействовать, определив, имеют ли каждый из них неперекрывающееся сходство последовательностей с областью одной последовательности белка в другом геноме.

Метод консервативного соседства основан на гипотезе о том, что если гены, кодирующие два белка, являются соседями по хромосоме во многих геномах, то они, вероятно, функционально связаны (и, возможно, физически взаимодействуют)[41].

Метод филогенетического профиля основан на гипотезе о том, что если два или более белка одновременно присутствуют или отсутствуют в нескольких геномах, то они, вероятно, функционально связаны.[41] Следовательно, потенциально взаимодействующие белки можно идентифицировать, определяя наличие или отсутствие генов во многих геномах и выбирая те гены, которые всегда присутствуют или отсутствуют вместе.

Методы интеллектуального анализа текста

Дальнейшая информация: интеллектуальный анализ текста

Публично доступная информация из биомедицинских документов легко доступна через Интернет и становится мощным ресурсом для сбора данных об известных белок-белковых взаимодействиях (PPI), прогнозирования PPI и стыковки белков. Интеллектуальный анализ текста намного дешевле и требует больше времени по сравнению с другими высокопроизводительными методами. В настоящее время методы интеллектуального анализа текста обычно обнаруживают бинарные отношения между взаимодействующими белками из отдельных предложений с использованием извлечения информации на основе правил / шаблонов и машинное обучение подходы.[42] Для публичного использования доступно большое количество приложений интеллектуального анализа текста для извлечения и / или прогнозирования PPI, а также репозитории, в которых часто хранятся проверенные вручную и / или рассчитанные с помощью вычислений PPI. Интеллектуальный анализ текста можно реализовать в два этапа: поиск информации, где извлекаются тексты, содержащие названия одного или обоих взаимодействующих белков, и извлечение информации, где извлекается целевая информация (взаимодействующие белки, задействованные остатки, типы взаимодействия и т. д.).

Есть также исследования с использованием филогенетическое профилирование, основывая свои функции на теории, что белки, участвующие в общих путях, эволюционируют коррелированным образом у разных видов. Некоторые более сложные методологии интеллектуального анализа текста используют расширенные Обработка естественного языка (НЛП) и построение сетей знаний (например, рассмотрение имен генов как узлов, а глаголов как ребер). Другие разработки включают методы ядра для прогнозирования белковых взаимодействий.[43]

Методы машинного обучения

Иерархия классификации методов машинного обучения.

Были предложены и рассмотрены многие вычислительные методы для прогнозирования белок-белковых взаимодействий.[44][45][46] Подходы к прогнозированию могут быть сгруппированы по категориям на основе данных прогнозирования: последовательность белков, сравнительная геномика, домены белков, третичная структура белка и топология сети взаимодействия.[44] Построение положительного набора (известные взаимодействующие пары белков) и отрицательного набора (невзаимодействующие пары белков) необходимо для разработки модели вычислительного прогнозирования.[45] Модели прогнозирования с использованием методов машинного обучения можно в общих чертах разделить на две основные группы: контролируемые и неконтролируемые, основываясь на маркировке входных переменных в соответствии с ожидаемым результатом.[46]

В 2006 г. случайный лес, пример контролируемой техники, оказался наиболее эффективным методом машинного обучения для прогнозирования взаимодействия белков.[47] Такие методы применялись для обнаружения взаимодействий с белками на интерактоме человека, в частности на интерактоме Мембранные белки[48] и интерактом белков, ассоциированных с шизофренией.[49]

По состоянию на 2020 год модель с использованием классов кластеров остатков (RCC), построенная из 3DID и базы данных Negatome, в результате 96-99% правильно классифицированных случаев белок-белковых взаимодействий.[50] ПКР представляют собой вычислительное векторное пространство, которое имитирует пространство складок белка и включает в себя все одновременно контактировавшие наборы остатков, которые можно использовать для анализа взаимосвязи и эволюции структуры и функции белка.[51]

Базы данных

Крупномасштабная идентификация ИЦП привела к сотням тысяч взаимодействий, которые были собраны вместе в специализированных биологические базы данных которые постоянно обновляются, чтобы предоставить полную интерактомы. Первой из этих баз данных была База данных взаимодействующих белков (DIP).[52] С тех пор количество общедоступных баз данных увеличивалось. Базы данных можно подразделить на первичные базы данных, мета-базы данных и базы данных прогнозов.[1]

Первичные базы данных собирать информацию об опубликованных ИЦП, существование которых доказано с помощью мелкомасштабных или крупномасштабных экспериментальных методов. Примеры: ОКУНАТЬ, База данных сети биомолекулярного взаимодействия (BIND), Общий биологический репозиторий для наборов данных взаимодействия (BioGRID ), Справочная база данных белков человека (HPRD), База данных молекулярных взаимодействий IntAct, База данных молекулярных взаимодействий (MINT), Ресурс взаимодействия белков MIPS на дрожжах (MIPS-MPact) и База данных белок-белковых взаимодействий MIPS млекопитающих (MIPS-MPPI).[1]

Мета-базы данных обычно возникают в результате интеграции информации первичных баз данных, но могут также собирать некоторые исходные данные. Примеры: Agile Protein Interactomes Dataserver (APID),[53] База данных микробного взаимодействия белков (MPIDB),[54] Платформа для анализа взаимодействия белков (PINA), (GPS-Prot),[55] и Wiki-Pi.[56]

Базы данных прогнозов включают множество PPI, которые прогнозируются с использованием нескольких методов (основная статья). Примеры: База данных по прогнозированию белкового взаимодействия человека (PIP),[57] База данных межлогичного взаимодействия (I2D), Известные и прогнозируемые белок-белковые взаимодействия (STRING-db), и Unified Human Interactive (UniHI).[1]

Все вышеупомянутые вычислительные методы зависят от исходных баз данных, данные которых могут быть экстраполированы для прогнозирования новых белок-белковых взаимодействий.. Покрытие сильно различается между базами данных. В общем, первичные базы данных имеют наименьшее количество зарегистрированных взаимодействий с белками, поскольку они не объединяют данные из нескольких других баз данных, в то время как базы данных прогнозов имеют наибольшее количество данных, поскольку они включают другие формы свидетельств в дополнение к экспериментальным. Например, основная база данных IntAct имеет 572063 взаимодействия,[58] APID мета-базы данных содержит 678 000 взаимодействий,[59] а в базе данных прогнозирования STRING - 25 914 693 взаимодействия.[60] Однако важно отметить, что некоторые взаимодействия в базе данных STRING предсказываются только вычислительными методами, такими как геномный контекст, и не проверяются экспериментально.

Сети взаимодействия

Основная статья: Интерактом
Шизофрения ИПП.[61]

Информация, содержащаяся в базах данных PPI, поддерживает построение сетей взаимодействия. Хотя сеть PPI данного белка запроса может быть представлена ​​в учебниках, диаграммы целочисленных PPI откровенно сложны и трудны для создания.

Одним из примеров карты молекулярного взаимодействия, созданной вручную, является карта контроля клеточного цикла Курта Кона 1999 года.[62] Опираясь на карту Кона, Schwikowski et al. в 2000 г. опубликовал статью о ИПП в дрожжах, связав 1548 взаимодействующих белков, определенных с помощью двухгибридного скрининга. Они использовали метод рисования многоуровневого графа, чтобы найти начальное размещение узлов, а затем улучшили компоновку с помощью алгоритма на основе силы.[63][64]

Биоинформатические инструменты были разработаны для упрощения сложной задачи визуализации сетей молекулярного взаимодействия и дополнения их другими типами данных. Например, Cytoscape - это широко используемое программное обеспечение с открытым исходным кодом, и в настоящее время доступно множество плагинов.[1][65] Программное обеспечение Pajek полезно для визуализации и анализа очень больших сетей.[66]

Идентификация функциональных модулей в сетях PPI - важная задача в биоинформатике. Функциональные модули - это набор белков, которые связаны друг к другу в сети PPI. Это почти такая же проблема, как обнаружение сообщества в социальные сети. Есть такие методы, как Jactive[67] модули и MoBaS.[68] Jactive модули объединяют сеть PPI и экспрессия гена данные, где как MoBaS интегрируют сеть PPI и Общегеномные ассоциации исследований.

Осознание основной роли ИПП во многих физиологических и патологических процессах привело к необходимости разгадать множество взаимодействий. Примеры опубликованных интерактомов - это специфичный для щитовидной железы интерактом DREAM.[69] и интерактом PP1α в человеческом мозге.[70]

Отношения белок-белок часто являются результатом нескольких типов взаимодействий или выводятся из различных подходов, включая совместную локализацию, прямое взаимодействие, супрессивное генетическое взаимодействие, аддитивное генетическое взаимодействие, физическую ассоциацию и другие ассоциации.[71]

Подписанные сети взаимодействия

Взаимодействия белок-белок отображаются в подписанной сети, которая описывает, какой тип взаимодействия имеет место.[72]

Белковые взаимодействия часто приводят к тому, что один из взаимодействующих белков либо «активируется», либо «подавляется». Такие эффекты могут быть обозначены в сети PPI с помощью «знаков» (например, «активация» или «ингибирование»). Хотя такие атрибуты добавляются в сети уже давно,[73] Vinayagam et al. (2014) ввел термин Подписанная сеть для них. Знаковые сети часто выражаются обозначением взаимодействия как положительного или отрицательного. Положительное взаимодействие - это взаимодействие, в результате которого активируется один из белков. И наоборот, отрицательное взаимодействие указывает на то, что один из белков инактивирован.[74]

Сети белок-белкового взаимодействия часто конструируются в результате лабораторных экспериментов, таких как двухгибридный скрининг дрожжей или аффинная очистка и последующие методы масс-спектрометрии.[75] Однако эти методы не обеспечивают уровень информации, необходимый для определения того, какой тип взаимодействия присутствует, чтобы иметь возможность приписывать знаки сетевым диаграммам.

Экраны интерференции РНК

РНК-интерференция (РНКи) скрининг (репрессия отдельных белков между транскрипцией и трансляцией) - это один из методов, который можно использовать в процессе определения признаков белок-белковых взаимодействий. Индивидуальные белки подавляются, и полученные фенотипы анализируются. Коррелирующая фенотипическая взаимосвязь (т.е. когда ингибирование любого из двух белков приводит к одному и тому же фенотипу) указывает на положительную или активирующую взаимосвязь. Фенотипы, которые не коррелируют (т.е. когда ингибирование одного из двух белков приводит к двум различным фенотипам), указывают на отрицательную или инактивирующую связь. Если протеин A зависит от протеина B для активации, то ингибирование протеина A или B приведет к тому, что клетка потеряет функцию, обеспечиваемую протеином A, и фенотипы будут одинаковыми для ингибирования A или B. однако протеин A инактивируется протеином B, тогда фенотипы будут различаться в зависимости от того, какой протеин ингибируется (ингибирует протеин B, и он больше не может инактивировать протеин A, оставляя A активным, однако инактивировать A, и B нечего активировать, поскольку A является неактивны и фенотип меняется). Несколько РНКи Необходимо проводить скрининг, чтобы надежно определить признак данного белок-белкового взаимодействия. Vinayagam et al. кто разработал эту технику, заявляют, что минимум девять РНКи экраны требуются, и уверенность в этом увеличивается по мере того, как выполняется больше экранов.[74]

В качестве терапевтических целей

Модуляция PPI является сложной задачей и привлекает все большее внимание научного сообщества.[76] Некоторые свойства PPI, такие как аллостерические сайты и горячие точки, были включены в стратегии разработки лекарств.[77][78] Актуальность ИПП в качестве предполагаемых терапевтических целей для разработки новых методов лечения особенно очевидна при онкологических заболеваниях, и в этой области проводится несколько клинических испытаний. Тем не менее, консенсус среди этих многообещающих целей отражен в уже имеющихся на рынке лекарствах для лечения. множество болезней. Примерами являются тиробифан, ингибитор гликопротеина IIb / IIIa, используемый в качестве лекарственного средства для сердечно-сосудистой системы, и маравирок, ингибитор взаимодействия CCR5-gp120, используемый в качестве лекарственного средства против ВИЧ.[79]Недавно,[когда? ] Амит Джайсвал и другие смогли разработать 30 пептидов, используя исследования межбелкового взаимодействия, чтобы ингибировать рекрутирование теломеразы на теломеры.[80][81]

Смотрите также

Рекомендации

  1. ^ а б c d е ж грамм Де Лас Ривас Дж, Фонтанильо С. (июнь 2010 г.). «Основы белок-белковых взаимодействий: ключевые концепции построения и анализа интерактомных сетей». PLOS вычислительная биология. 6 (6): e1000807. Bibcode:2010PLSCB ... 6E0807D. Дои:10.1371 / journal.pcbi.1000807. ЧВК  2891586. PMID  20589078.
  2. ^ а б Титека, Кевин; Лемменс, Ирма; Тавернье, Ян; Эйкерман, Свен (29 июня 2018 г.). «Обнаружение клеточных белок-белковых взаимодействий: технологические стратегии и возможности». Обзоры масс-спектрометрии. 38 (1): 79–111. Дои:10.1002 / mas.21574. ISSN  0277-7037. PMID  29957823.
  3. ^ Герц HD, Дэн В., Хельма Дж., Леонхардт Х., Кардосо М.С. (2013). «Визуализация и целенаправленное нарушение белковых взаимодействий в живых клетках». Nature Communications. 4: 2660. Bibcode:2013 НатКо ... 4.2660H. Дои:10.1038 / ncomms3660. ЧВК  3826628. PMID  24154492.
  4. ^ Машаги, А .; и другие. (2004). «Исследование белковой комплексной сети». Европейский физический журнал. 41 (1): 113–121. arXiv:cond-mat / 0304207. Bibcode:2004EPJB ... 41..113M. Дои:10.1140 / epjb / e2004-00301-0. S2CID  9233932.
  5. ^ Ханукоглу I (1996). «Белки электронного переноса систем цитохрома Р450». Физиологические функции цитохрома P450 в отношении структуры и регуляции (PDF). Adv. Мол. Cell Biol. Достижения в молекулярной и клеточной биологии. 14. С. 29–55. Дои:10.1016 / S1569-2558 (08) 60339-2. ISBN  9780762301133.
  6. ^ Брандт М.Э., Викери Л.Е. (август 1993 г.). «Взаимодействие пар зарядов, стабилизирующих комплексы ферредоксин-ферредоксинредуктаза. Идентификация посредством дополнительных сайт-специфических мутаций». Журнал биологической химии. 268 (23): 17126–30. PMID  8349601.
  7. ^ Ханукоглу I (2017). «Сохранение интерфейсов фермент-кофермент в FAD и NADP-связывающем адренодоксинредуктазе-А повсеместном ферменте». Журнал молекулярной эволюции. 85 (5): 205–218. Bibcode:2017JMolE..85..205H. Дои:10.1007 / s00239-017-9821-9. PMID  29177972. S2CID  7120148.
  8. ^ Купер Дж. (2000). Клетка: молекулярный подход (2-е изд.). Вашингтон, округ Колумбия: ASM Press. ISBN  978-0-87893-106-4.[страница нужна ]
  9. ^ а б c d е Джонс С., Торнтон Дж. М. (январь 1996 г.). «Принципы белок-белкового взаимодействия». Труды Национальной академии наук Соединенных Штатов Америки. 93 (1): 13–20. Bibcode:1996 ПНАС ... 93 ... 13J. Дои:10.1073 / pnas.93.1.13. ЧВК  40170. PMID  8552589.
  10. ^ Цинь К., Сетхи П.Р., Ламберт Н.А. (август 2008 г.). «Изобилие и стабильность комплексов, содержащих неактивные рецепторы, связанные с G-белками, и G-белки». Журнал FASEB. 22 (8): 2920–7. Дои:10.1096 / fj.08-105775. ЧВК  2493464. PMID  18434433.
  11. ^ а б Цинь К., Донг С., Ву Г., Ламберт Н.А. (август 2011 г.). «Предварительная сборка в неактивном состоянии рецепторов, связанных с G (q), и гетеротримеров G (q)». Природа Химическая Биология. 7 (10): 740–7. Дои:10.1038 / nchembio.642. ЧВК  3177959. PMID  21873996.
  12. ^ Малхис Н., Гспонер Дж. (Июнь 2015 г.). «Вычислительная идентификация MoRF в белковых последовательностях». Биоинформатика. 31 (11): 1738–44. Дои:10.1093 / биоинформатика / btv060. ЧВК  4443681. PMID  25637562.
  13. ^ а б Вестермарк Дж., Иваска Дж., Корталс Г.Л. (июль 2013 г.). «Идентификация белковых взаимодействий, участвующих в клеточной передаче сигналов». Молекулярная и клеточная протеомика. 12 (7): 1752–63. Дои:10.1074 / mcp.R113.027771. ЧВК  3708163. PMID  23481661.
  14. ^ Джанин Дж (декабрь 1999 г.). «Влажные и сухие интерфейсы: роль растворителя в распознавании белок-белок и белок-ДНК». Структура. 7 (12): R277–9. Дои:10.1016 / s0969-2126 (00) 88333-1. PMID  10647173.
  15. ^ Бариллари К., Тейлор Дж, Винер Р., Эссекс Дж. У. (март 2007 г.). «Классификация молекул воды по сайтам связывания белков». Журнал Американского химического общества. 129 (9): 2577–87. Дои:10.1021 / ja066980q. PMID  17288418.
  16. ^ Лисова О., Белкади Л., Бедуель Н. (апрель 2014 г.). «Прямые и непрямые взаимодействия в распознавании перекрестно нейтрализующих антител и четырех серотипов вируса денге». Журнал молекулярного распознавания. 27 (4): 205–14. Дои:10.1002 / jmr.2352. PMID  24591178. S2CID  5416842.
  17. ^ England P, Brégére F, Bedouelle H (январь 1997 года). «Энергетический и кинетический вклад контактных остатков антитела D1.3 во взаимодействие с лизоцимом». Биохимия. 36 (1): 164–72. CiteSeerX  10.1.1.613.413. Дои:10.1021 / bi961419y. PMID  8993330.
  18. ^ а б Джанин Дж., Чотия С. (сентябрь 1990 г.). «Строение сайтов белок-белкового узнавания». Журнал биологической химии. 265 (27): 16027–30. PMID  2204619.
  19. ^ а б Альбертс Б., Джонсон А., Льюис Дж., Рафф М., Робертс К., Уолтер П. (2002). Молекулярная биология клетки (4-е изд.). Нью-Йорк: Наука Гарланд. ISBN  978-0-8153-3218-3.[страница нужна ]
  20. ^ Кендрю Дж. К., Бодо Дж., Динцис Х. М., Пэрриш Р. Г., Вайкофф Х., Филлипс, округ Колумбия (март 1958 г.). «Трехмерная модель молекулы миоглобина, полученная методом рентгеновского анализа». Природа. 181 (4610): 662–6. Bibcode:1958Натура.181..662K. Дои:10.1038 / 181662a0. PMID  13517261. S2CID  4162786.
  21. ^ Купер Д.Р., Поребски П.Дж., Хрущ М., Минор В. (август 2011 г.). «Рентгеновская кристаллография: оценка и проверка комплексов белок-мелкая молекула для открытия лекарств». Мнение эксперта об открытии лекарств. 6 (8): 771–782. Дои:10.1517/17460441.2011.585154. ЧВК  3138648. PMID  21779303.
  22. ^ Wand AJ, Englander SW (август 1996 г.). «Белковые комплексы изучены методом ЯМР-спектроскопии». Текущее мнение в области биотехнологии. 7 (4): 403–8. Дои:10.1016 / s0958-1669 (96) 80115-7. ЧВК  3442359. PMID  8768898.
  23. ^ Виноградова О., Цинь Дж. (2012). ЯМР как уникальный инструмент для оценки и комплексного определения слабых белок-белковых взаимодействий. Темы современной химии. 326. С. 35–45. Дои:10.1007/128_2011_216. ISBN  978-3-642-28916-3. ЧВК  3676910. PMID  21809187.
  24. ^ а б c d е ж грамм час Берридж, М.Дж. (2012). "Биология передачи сигналов клетками: Модуль 6 - Пространственные и временные аспекты передачи сигналов". Биохимический журнал. 6: csb0001006. Дои:10.1042 / csb0001006.
  25. ^ Ян Ц., Ву Ф, Джерниган Р.Л., Доббс Д., Хонавар В. (январь 2008 г.). «Характеристика интерфейсов белок-белок». Белковый журнал. 27 (1): 59–70. Дои:10.1007 / s10930-007-9108-х. ЧВК  2566606. PMID  17851740.
  26. ^ Джонс С., Торнтон Дж. М. (сентябрь 1997 г.). «Анализ сайтов белок-белкового взаимодействия с использованием участков поверхности». Журнал молекулярной биологии. 272 (1): 121–32. Дои:10.1006 / jmbi.1997.1234. PMID  9299342.
  27. ^ Чотия С., Джанин Дж. (Август 1975 г.). «Принципы белок-белкового распознавания». Природа. 256 (5520): 705–8. Bibcode:1975Натура.256..705С. Дои:10.1038 / 256705a0. PMID  1153006. S2CID  4292325.
  28. ^ Физики Э.М., Филдс С. (март 1995 г.). «Белково-белковые взаимодействия: методы обнаружения и анализа». Микробиологические обзоры. 59 (1): 94–123. Дои:10.1128 / MMBR.59.1.94-123.1995. ЧВК  239356. PMID  7708014.
  29. ^ Терентьев А.А., Молдогазиева Н.Т., Шайтан К.В. (декабрь 2009 г.). «Динамическая протеомика в моделировании живой клетки. Белковые взаимодействия». Биохимия. Биохимия. 74 (13): 1586–607. Дои:10.1134 / с0006297909130112. PMID  20210711. S2CID  19815231.
  30. ^ а б c Водак С.Дж., Власблом Дж., Туринский А.Л., Пу С (декабрь 2013 г.). «Сети белок-белкового взаимодействия: загадочное богатство». Текущее мнение в структурной биологии. 23 (6): 941–53. Дои:10.1016 / j.sbi.2013.08.002. PMID  24007795.
  31. ^ Раджагопала С.В., Сикорски П., Кауфилд Дж. Х., Товчигречко А., Уетц П. (декабрь 2012 г.). «Исследование белковых комплексов дрожжевой двугибридной системой». Методы. 58 (4): 392–9. Дои:10.1016 / j.ymeth.2012.07.015. ЧВК  3517932. PMID  22841565.
  32. ^ а б Стелзль У., Ванкер Э.Е. (декабрь 2006 г.). «Значение высококачественных сетей белок-белкового взаимодействия для системной биологии». Современное мнение в области химической биологии. 10 (6): 551–8. Дои:10.1016 / j.cbpa.2006.10.005. PMID  17055769.
  33. ^ а б c Petschnigg J, Snider J, Stagljar I (февраль 2011 г.). «Технологии исследования интерактивной протеомики: последние применения и достижения». Текущее мнение в области биотехнологии. 22 (1): 50–8. Дои:10.1016 / j.copbio.2010.09.001. PMID  20884196.
  34. ^ Венкатесан К., Руал Дж. Ф., Васкес А., Стелзл Ю., Лемменс И., Хирозане-Кишикава Т., Хао Т., Зенкнер М., Синь Икс, Го К. И., Йилдирим М. А., Симонис Н., Хайнцманн К., Гебреаб Ф., Сахали Дж. М., Севик С., Саймон К., де Смет А.С., Данн Э., Смоляр А., Винаягам А., Ю Х, Сзето Д., Борик Х., Дрикот А, Клитгорд Н., Мюррей Р. Р., Лин С., Лаловски М., Тимм Дж., Рау К., Бун К., Браун P, Cusick ME, Roth FP, Hill DE, Tavernier J, Wanker EE, Barabási AL, Vidal M (2009). «Эмпирическая основа для бинарного картирования интерактомов». Нат методы. 6 (1): 83–90. Дои:10.1038 / nmeth.1280. ЧВК  2872561. PMID  19060904.
  35. ^ Баттести А., Бувере Э. (декабрь 2012 г.). «Бактериальная двугибридная система, основанная на восстановлении аденилатциклазы в Escherichia coli». Методы. 58 (4): 325–34. Дои:10.1016 / j.ymeth.2012.07.018. PMID  22841567.
  36. ^ Бреттнер Л.М., Масел Дж. (Сентябрь 2012 г.). «Липкость белка, а не количество функциональных белок-белковых взаимодействий, предсказывает шум экспрессии и пластичность дрожжей». BMC Системная биология. 6: 128. Дои:10.1186/1752-0509-6-128. ЧВК  3527306. PMID  23017156.
  37. ^ Машаги, А .; и другие. (2004). «Исследование белковой комплексной сети». Европейский физический журнал. 41 (1): 113–121. arXiv:cond-mat / 0304207. Bibcode:2004EPJB ... 41..113M. Дои:10.1140 / epjb / e2004-00301-0. S2CID  9233932.
  38. ^ Рамачандран Н., Хейнсворт Э., Бхуллар Б., Эйзенштейн С., Розен Б., Лау А. Ю., Уолтер Дж. К., Ла Баер Дж. (Июль 2004 г.). «Самособирающиеся белковые микрочипы». Наука. 305 (5680): 86–90. Bibcode:2004 Наука ... 305 ... 86R. Дои:10.1126 / science.1097639. PMID  15232106. S2CID  20936301.
  39. ^ Рамачандран Н., Рафаэль Дж. В., Хейнсворт Э., Демиркан Г., Фуэнтес М. Г., Рольфс А., Ху Y, Ла Баер Дж. (Июнь 2008 г.). «Самосборные функциональные белковые матрицы нового поколения с высокой плотностью сборки». Методы природы. 5 (6): 535–8. Дои:10.1038 / nmeth.1210. ЧВК  3070491. PMID  18469824.
  40. ^ Айзенберг, Дэвид; Йейтс, Тодд О .; Райс, Дэнни У .; Нг, Хо-Люн; Пеллегрини, Маттео; Маркотт, Эдвард М. (30 июля 1999 г.). «Обнаружение функции белков и белок-белковых взаимодействий по последовательностям генома». Наука. 285 (5428): 751–753. CiteSeerX  10.1.1.535.9650. Дои:10.1126 / наука.285.5428.751. ISSN  1095-9203. PMID  10427000.
  41. ^ а б Раман, Картик (15 февраля 2010 г.). «Построение и анализ сетей белок-белкового взаимодействия». Автоматизированное экспериментирование. 2 (1): 2. Дои:10.1186/1759-4499-2-2. ISSN  1759-4499. ЧВК  2834675. PMID  20334628.
  42. ^ Бадал В.Д., Кундротас П.Дж., Ваксер И.А. (декабрь 2015 г.). «Анализ текста для стыковки белков». PLOS вычислительная биология. 11 (12): e1004630. Bibcode:2015PLSCB..11E4630B. Дои:10.1371 / journal.pcbi.1004630. ЧВК  4674139. PMID  26650466.
  43. ^ Папаниколау Н., Павлопулос Г.А., Теодосиу Т., Илиопулос I. (март 2015 г.). «Прогнозы белок-белкового взаимодействия с использованием методов интеллектуального анализа текста». Методы. Текстовый анализ биомедицинской литературы. 74: 47–53. Дои:10.1016 / j.ymeth.2014.10.026. PMID  25448298.
  44. ^ а б Котляр Макс; Rossos, Andrea E.M .; Юрисица, Игорь (декабрь 2017 г.). «Прогнозирование белок-белковых взаимодействий». Текущие протоколы в биоинформатике. 60 (1). Дои:10.1002 / cpbi.38.
  45. ^ а б Дин, Цзыюнь; Кихара, Дайсуке (август 2018 г.). «Вычислительные методы прогнозирования белок-белковых взаимодействий с использованием различных свойств белков». Текущие протоколы в науке о белке. 93 (1): e62. Дои:10.1002 / cpps.62.
  46. ^ а б Саркар, Дебасри; Саха, Судипто (сентябрь 2019 г.). «Методы машинного обучения для предсказания белок-белковых взаимодействий». Журнал биологических наук. 44 (4): 104. Дои:10.1007 / s12038-019-9909-z.
  47. ^ Qi Y, Bar-Joseph Z, Klein-Seetharaman J (май 2006 г.). «Оценка различных биологических данных и методов компьютерной классификации для использования в прогнозировании взаимодействия белков». Белки. 63 (3): 490–500. Дои:10.1002 / prot.20865. ЧВК  3250929. PMID  16450363.
  48. ^ Qi Y, Dhiman HK, Bhola N, Budyak I, Kar S, Man D, Dutta A, Tirupula K, Carr BI, Grandis J, Bar-Joseph Z, Klein-Seetharaman J (декабрь 2009 г.). «Систематическое предсказание взаимодействий мембранных рецепторов человека». Протеомика. 9 (23): 5243–55. Дои:10.1002 / pmic.200900259. ЧВК  3076061. PMID  19798668.
  49. ^ Ganapathiraju MK, Thahir M, Handen A, Sarkar SN, Sweet RA, Nimgaonkar VL, Loscher CE, Bauer EM, Chaparala S (апрель 2016 г.). «Шизофрения взаимодействует с 504 новыми белок-белковыми взаимодействиями». NPJ Шизофрения. 2: 16012. Дои:10.1038 / npjschz.2016.12. ЧВК  4898894. PMID  27336055.
  50. ^ Поот Велес, Альброс Гермес; Фонтове, Фернандо; Дель Рио, Габриэль (6 июля 2020 г.). «Белковые взаимодействия, эффективно моделируемые кластерами остатков». Международный журнал молекулярных наук. 21 (13): 4787. Дои:10.3390 / ijms21134787.
  51. ^ Корраль-Корраль, Рикардо; Чавес, Эдгар; Дель Рио, Габриэль (декабрь 2015 г.). «Машинно обучаемое представление складчатого пространства на основе классов остатков кластера». Вычислительная биология и химия. 59: 1–7. Дои:10.1016 / j.compbiolchem.2015.07.010.
  52. ^ Xenarios I, Rice DW, Salwinski L, Baron MK, Marcotte EM, Eisenberg D (январь 2000 г.). «ДИП: база данных взаимодействующих белков». Исследования нуклеиновых кислот. 28 (1): 289–91. Дои:10.1093 / nar / 28.1.289. ЧВК  102387. PMID  10592249.
  53. ^ Алонсо-Лопес Д., Гутьеррес М.А., Лопес К.П., Прието С., Сантамария Р., Де Лас Ривас Дж. (Июль 2016 г.). «APID-интерактомы: обеспечение основанных на протеомах интерактомов с контролируемым качеством для множества видов и производных сетей». Исследования нуклеиновых кислот. 44 (W1): W529–35. Дои:10.1093 / нар / gkw363. ЧВК  4987915. PMID  27131791.
  54. ^ Голл Дж., Раджагопала С.В., Шиау СК, Ву Х., Лэмб Б.Т., Уетц П. (август 2008 г.). «MPIDB: база данных микробного взаимодействия белков». Биоинформатика. 24 (15): 1743–4. Дои:10.1093 / биоинформатика / btn285. ЧВК  2638870. PMID  18556668.
  55. ^ Фэи М, Брюэр М (2011). «GPS-Prot: веб-платформа визуализации для интеграции данных взаимодействия между хозяином и патогеном». BMC Bioinformatics. 12: 238. Дои:10.1186/1471-2105-12-298. ЧВК  3213248. PMID  21777475.
  56. ^ Ории Н., Ганапатхираджу МК (2012). "Wiki-pi: веб-сервер аннотированных белок-белковых взаимодействий человека для помощи в открытии функции белков". PLOS ONE. 7 (11): e49029. Bibcode:2012PLoSO ... 749029O. Дои:10.1371 / journal.pone.0049029. ЧВК  3509123. PMID  23209562.
  57. ^ Макдауэл, доктор медицины, Скотт, М.С., Бартон, Г.Дж. (январь 2009 г.). «PIPs: база данных по прогнозированию белок-белковых взаимодействий человека». Исследования нуклеиновых кислот. 37 (Выпуск базы данных): D651–6. Дои:10.1093 / нар / gkn870. ЧВК  2686497. PMID  18988626.
  58. ^ Нетронутый. "https://www.ebi.ac.uk/intact/about/statistics?conversationContext=2". www.ebi.ac.uk. Получено 19 ноября 2018. Внешняя ссылка в | название = (помощь)
  59. ^ «Сервер данных Agile Protein Interactomes: об APID».
  60. ^ "STRING: функциональные сети ассоциации белков". string-db.org. Получено 19 ноября 2018.
  61. ^ Ganapathiraju MK, Thahir M, Handen A, Sarkar SN, Sweet RA, Nimgaonkar VL, Loscher CE, Bauer EM, Chaparala S (апрель 2016 г.). «Шизофрения взаимодействует с 504 новыми белок-белковыми взаимодействиями». NPJ Шизофрения. 2: 16012. Дои:10.1038 / npjschz.2016.12. ЧВК  4898894. PMID  27336055.
  62. ^ Schwikowski B, Uetz P, Fields S (декабрь 2000 г.). «Сеть белок-белковых взаимодействий в дрожжах». Природа Биотехнологии. 18 (12): 1257–61. Дои:10.1038/82360. PMID  11101803. S2CID  3009359.
  63. ^ Ригат Г., Шевченко А., Руц Б., Вильм М., Манн М., Серафин Б. (октябрь 1999 г.). «Общий метод очистки белка для характеристики белковых комплексов и исследования протеома». Природа Биотехнологии. 17 (10): 1030–2. Дои:10.1038/13732. PMID  10504710. S2CID  663553.
  64. ^ Прието С., Де Лас Ривас Дж. (Июль 2006 г.). "APID: Agile Protein Interaction DataAnalyzer". Исследования нуклеиновых кислот. 34 (Выпуск веб-сервера): W298–302. Дои:10.1093 / нар / gkl128. ЧВК  1538863. PMID  16845013.
  65. ^ Коль М., Визе С., Варшайд Б. (2011). «Cytoscape: программное обеспечение для визуализации и анализа биологических сетей». Интеллектуальный анализ данных в протеомике. Методы молекулярной биологии. 696. С. 291–303. Дои:10.1007/978-1-60761-987-1_18. ISBN  978-1-60761-986-4. PMID  21063955.
  66. ^ Раман К. (февраль 2010 г.). «Построение и анализ сетей белок-белкового взаимодействия». Автоматизированное экспериментирование. 2 (1): 2. Дои:10.1186/1759-4499-2-2. ЧВК  2834675. PMID  20334628.
  67. ^ Ideker T, Ozier O, Schwikowski B, Siegel AF (1 января 2002 г.). «Обнаружение регуляторных и сигнальных цепей в сетях молекулярного взаимодействия». Биоинформатика. 18 Дополнение 1: S233–40. Дои:10.1093 / биоинформатика / 18.suppl_1.s233. PMID  12169552.
  68. ^ Аяти М., Эртен С., Шанс М.Р., Коютюрк М. (30 июня 2015 г.). «MOBAS: идентификация белковых подсетей, связанных с заболеванием, с использованием оценки на основе модульности». Журнал EURASIP по биоинформатике и системной биологии. 2015 (1): 7. Дои:10.1186 / s13637-015-0025-6. ISSN  1687-4153. ЧВК  5270451. PMID  28194175.
  69. ^ Ривас М., Вильяр Д., Гонсалес П., Допазо ХМ, Меллстром Б., Наранхо-младший (август 2011 г.). «Создание интерактивного дома МЕЧТЫ». Наука Китай Науки о жизни. 54 (8): 786–92. Дои:10.1007 / s11427-011-4196-4. PMID  21786202.
  70. ^ Эстевес С.Л., Домингес С.К., да Круз и Силва О.А., Фардилья М., да Круз и Силва Е.Ф. (2012). «Белки, взаимодействующие с протеинфосфатазой 1α в мозге человека». ОМИКС. 16 (1–2): 3–17. Дои:10.1089 / omi.2011.0041. ЧВК  3275796. PMID  22321011.
  71. ^ Де Доменико М., Никосия V, Аренас A, Латора V (апрель 2015 г.). «Структурная сводимость многослойных сетей». Nature Communications. 6: 6864. arXiv:1405.0425. Bibcode:2015 НатКо ... 6.6864D. Дои:10.1038 / ncomms7864. PMID  25904309.
  72. ^ Фишер Б., Сандманн Т., Хорн Т., Биллманн М., Чаудхари В., Хубер В., Бутрос М. (март 2015 г.). «Карта направленных генетических взаимодействий в клетке многоклеточных животных». eLife. 4. Дои:10.7554 / eLife.05464. ЧВК  4384530. PMID  25748138.
  73. ^ Ideker T., Tan K. & Uetz P. (2005) Визуализация и интеграция белок-белковых взаимодействий. В: Golemis, E. (ed.) Protein-Protein Interactions - A Molecular Cloning Manual, 2nd ed. Лабораторный пресс Колд-Спринг-Харбор.
  74. ^ а б Vinayagam A, Zirin J, Roesel C, Hu Y, Yilmazel B, Samsonova AA, Neumüller RA, Mohr SE, Perrimon N (январь 2014 г.). «Интеграция сетей белок-белкового взаимодействия с фенотипами выявляет признаки взаимодействия». Методы природы. 11 (1): 94–9. Дои:10.1038 / nmeth.2733. ЧВК  3877743. PMID  24240319.
  75. ^ Чен Г.И., Gingras AC (июль 2007 г.). «Масс-спектрометрия с аффинной очисткой (AP-MS) серин / треонинфосфатаз». Методы. 42 (3): 298–305. Дои:10.1016 / j.ymeth.2007.02.018. PMID  17532517.
  76. ^ Laraia L, McKenzie G, Spring DR, Venkitaraman AR, Huggins DJ (июнь 2015 г.). «Преодоление химических, биологических и вычислительных проблем при разработке ингибиторов, направленных на белок-белковые взаимодействия». Химия и биология. 22 (6): 689–703. Дои:10.1016 / j.chembiol.2015.04.019. ЧВК  4518475. PMID  26091166.
  77. ^ Аркин М.Р., Уэллс Дж. А. (апрель 2004 г.). «Низкомолекулярные ингибиторы белок-белковых взаимодействий: продвижение к мечте». Обзоры природы. Открытие наркотиков. 3 (4): 301–17. Дои:10.1038 / nrd1343. PMID  15060526. S2CID  13879559.
  78. ^ Чен Дж., Сойер Н., Риган Л. (апрель 2013 г.). «Белковые взаимодействия: общие тенденции во взаимосвязи между сродством связывания и межфазной скрытой поверхностью». Белковая наука. 22 (4): 510–5. Дои:10.1002 / pro.2230. ЧВК  3610057. PMID  23389845.
  79. ^ Иванов А.А., Хури Ф.Р., Фу Х. (июль 2013 г.). «Ориентация на белок-белковые взаимодействия как противораковая стратегия». Тенденции в фармакологических науках. 34 (7): 393–400. Дои:10.1016 / j.tips.2013.04.007. ЧВК  3773978. PMID  23725674.
  80. ^ Джайсвал А., Лакшми П.Т. (9 сентября 2014 г.). «Молекулярное ингибирование рекрутирования теломеразы с использованием дизайнерских пептидов: подход in silico». Журнал биомолекулярной структуры и динамики. 33 (7): 1442–59. Дои:10.1080/07391102.2014.953207. PMID  25204447. S2CID  27293727.
  81. ^ Джайсвал А (2014). «AtTRB1–3 опосредует структурные изменения в AtPOT1b для удержания оцДНК». ISRN Структурная биология. 2014: 1–16. Дои:10.1155/2014/827201.

дальнейшее чтение

внешняя ссылка