Прогнозирование функции белков - Protein function prediction

Прогнозирование функции белков методы - это техники, которые биоинформатика исследователи назначают биологические или биохимические роли белки. Эти белки обычно плохо изучены или предсказаны на основе данных геномной последовательности. Эти прогнозы часто основываются на вычислительных процедурах, требующих большого объема данных. Информация может исходить от нуклеиновой кислоты гомология последовательностей, экспрессия гена профили, белковый домен конструкции, интеллектуальный анализ текста публикаций, филогенетических профилей, фенотипических профилей и белок-белкового взаимодействия. Функция белка - это широкий термин: роли белков варьируются от катализа биохимических реакций до транспорта преобразование сигнала, и один белок может играть роль во множестве процессов или клеточных путей.[1]

Как правило, функцию можно рассматривать как «все, что происходит с белком или через него».[1] В Консорциум генных онтологий предоставляет полезную классификацию функций на основе словаря четко определенных терминов, разделенных на три основные категории молекулярная функция, биологический процесс и клеточный компонент.[2] Исследователи могут запросить эту базу данных, указав название белка или инвентарный номер для получения связанных терминов или аннотаций генной онтологии (GO) на основе расчетных или экспериментальных данных.

Хотя такие методы, как микрочип анализ, интерференция РНК и дрожжевая двугибридная система могут быть использованы для экспериментальной демонстрации функции белка, прогресс в технологиях секвенирования сделал скорость, с которой белки могут быть экспериментально охарактеризованы, намного медленнее, чем скорость, с которой становятся доступными новые последовательности.[3] Таким образом, аннотации новых последовательностей в основном прогноз с помощью вычислительных методов, так как эти типы аннотации часто можно сделать быстро и для многих генов или белков одновременно. Первые такие методы вывели функцию на основе гомологичный белки с известными функциями (предсказание функции на основе гомологии). Развитие методов на основе контекста и структуры расширило объем информации, которую можно предсказать, и теперь можно использовать комбинацию методов для получения картины полных клеточных путей на основе данных о последовательности.[3] Важность и распространенность компьютерного прогнозирования функции генов подчеркивается анализом «кодов свидетельств», используемых базой данных GO: по состоянию на 2010 г. 98% аннотаций были перечислены под кодом IEA (полученным из электронных аннотаций), в то время как только 0,6% были основаны на экспериментальных данных.[4]

Методы прогнозирования функций

Гомологические методы

Часть множественное выравнивание последовательностей четырех различных последовательностей белков гемоглобина. Сходные белковые последовательности обычно указывают на общие функции.

Белки аналогичная последовательность обычно гомологичный[5] и, таким образом, имеют аналогичную функцию. Следовательно, белки во вновь секвенированном геном обычно аннотируются с использованием последовательностей подобных белков в родственных геномах.

Однако близкородственные белки не всегда выполняют одну и ту же функцию.[6] Например, дрожжевые белки Gal1 и Gal3 являются паралоги (73% идентичности и 92% сходства), которые развили очень разные функции, при этом Gal1 является галактокиназа и Gal3 является индуктором транскрипции.[7]

Не существует жесткого порога схожести последовательностей для «безопасного» предсказания функции; многие белки с едва заметным сходством последовательностей имеют ту же функцию, в то время как другие (такие как Gal1 и Gal3) очень похожи, но развили разные функции. Как показывает практика, последовательности, идентичные более чем на 30-40%, обычно считаются имеющими одинаковую или очень похожую функцию.

За ферменты, предсказания конкретных функций особенно трудны, так как им нужны только несколько ключевых остатков в их активный сайт, следовательно, очень разные последовательности могут иметь очень похожие действия. Напротив, даже при идентичности последовательностей 70% или более 10% любой пары ферментов имеют разные субстраты; и различия в реальных ферментативных реакциях не редкость, близкая к 50% идентичности последовательностей.[8][9]

Методы, основанные на мотивах последовательности

Разработка баз данных белковых доменов, таких как Pfam (База данных по семействам белков)[10] позволяют нам находить известные домены в последовательности запросов, обеспечивая свидетельство вероятных функций. В dcGO интернет сайт[11] содержит аннотации как для отдельных доменов, так и для наддоменов (то есть комбинации двух или более последовательных доменов), таким образом, с помощью dcGO Predictor, позволяя прогнозировать функции более реалистичным образом. В белковые домены, более короткие подписи, известные как 'мотивы' связаны с определенными функциями,[12] и базы данных мотивов, такие как PROSITE («база данных белковых доменов, семейств и функциональных сайтов») можно искать с помощью последовательности запросов.[13]Например, мотивы можно использовать для предсказания субклеточная локализация белка (куда в клетку белок отправляется после синтеза). Короткие сигнальные пептиды направляют определенные белки в определенное место, такое как митохондрии, и существуют различные инструменты для предсказания этих сигналов в последовательности белка.[14] Например, SignalP, который обновлялся несколько раз по мере улучшения методов.[15]Таким образом, аспекты функции белка можно предсказать без сравнения с другими полноразмерными гомологичными последовательностями белка.

Структурные методы

Выравнивание токсичных белков рицин и абрин. Структурное выравнивание можно использовать для определения сходных функций двух белков, даже если их последовательности различаются.

Потому что 3D структура белка обычно более консервативна, чем последовательность белка, структурное сходство является хорошим показателем сходной функции двух или более белков.[6][12] Было разработано множество программ для проверки неизвестной белковой структуры на наличие Банк данных белков[16] и сообщать об аналогичных структурах (например, FATCAT (Гибкая структура, выровненная путем объединения AFP (выровненных пар фрагментов) с помощью скручиваний),[17] CE (комбинаторное расширение)[18]) и DeepAlign (выравнивание структуры белка за пределами пространственной близости).[19] Чтобы справиться с ситуацией, когда многие последовательности белков не имеют решаемых структур, некоторые серверы прогнозирования функций, такие как RaptorX также разработаны, которые могут сначала прогнозировать трехмерную модель последовательности, а затем использовать метод на основе структуры для прогнозирования функций на основе прогнозируемой трехмерной модели. Во многих случаях вместо всей структуры белка трехмерная структура конкретного мотива, представляющего собой активный сайт или сайт связывания может быть целевым.[12][20][21][22][23] Структурно согласованные местные объекты деятельности (SALSA) [21] метод, разработанный Мэри Джо Ондрехен и студенты, использует вычисленные химические свойства отдельных аминокислот для определения локальных биохимически активных центров. Базы данных, такие как Catalytic Site Atlas[24] были разработаны, которые можно искать с использованием новых белковых последовательностей для прогнозирования конкретных функциональных сайтов.

Геномные контекстно-зависимые методы

Многие из новых методов предсказания функции белков основаны не на сравнении последовательности или структуры, как указано выше, а на некотором типе корреляции между новыми генами / белками и теми, которые уже имеют аннотации. Эти методы, основанные на геномном контексте, также известные как филогеномное профилирование, основаны на наблюдении, что два или более белков с одинаковым паттерном присутствия или отсутствия во многих разных геномах, скорее всего, имеют функциональную связь.[12][25] В то время как методы, основанные на гомологии, часто могут использоваться для идентификации молекулярных функций белка, подходы, основанные на контексте, могут использоваться для прогнозирования клеточной функции или биологического процесса, в котором действует белок.[3][25] Например, белки, участвующие в одном и том же пути передачи сигнала, вероятно, имеют общий геномный контекст у всех видов.

Слияние генов

Слияние генов происходит, когда два или более гена кодируют два или более белков в одном организме и в процессе эволюции объединились, чтобы стать одним геном в другом организме (или наоборот для деление гена).[3][26]Эта концепция использовалась, например, для поиска по всем Кишечная палочка белковые последовательности для гомологии в других геномах и найти более 6000 пар последовательностей с общей гомологией с отдельными белками в другом геноме, что указывает на потенциальное взаимодействие между каждой из пар.[26] Поскольку две последовательности в каждой паре белков негомологичны, эти взаимодействия невозможно предсказать с использованием методов, основанных на гомологии.

Совместное размещение / совместное выражение

В прокариоты кластеры генов, которые физически близки друг к другу в геноме, часто сохраняются вместе в процессе эволюции и имеют тенденцию кодировать белки, которые взаимодействуют или являются частью одного и того же оперон.[3] Таким образом, хромосомная близость также называется методом соседнего гена[27] может использоваться для предсказания функционального сходства между белками, по крайней мере, у прокариот. Также было замечено, что хромосомная близость применима к некоторым путям в выбранных эукариотический геномы, в том числе Homo sapiens,[28] и при дальнейшем развитии методы соседства генов могут быть полезны для изучения взаимодействия белков у эукариот.[25]

Гены, участвующие в сходных функциях, также часто транскрибируются совместно, так что неаннотированный белок часто может иметь функцию, связанную с белками, с которыми он коэкспрессируется.[12] Вина по ассоциации алгоритмы разработанный на основе этого подхода, может использоваться для анализа больших объемов данных о последовательностях и идентификации генов с паттернами экспрессии, аналогичными паттернам экспрессии известных генов.[29][30] Часто исследование вины по ассоциации сравнивает группу гены-кандидаты (неизвестная функция) целевой группе (например, группе генов, которые, как известно, связаны с конкретным заболеванием), и ранжируют гены-кандидаты по их вероятности принадлежности к целевой группе на основе данных.[31] Однако, основываясь на недавних исследованиях, было высказано предположение, что с этим типом анализа существуют некоторые проблемы. Например, поскольку многие белки многофункциональны, кодирующие их гены могут принадлежать нескольким целевым группам. Утверждается, что такие гены с большей вероятностью будут идентифицированы в результате ассоциативных исследований, и поэтому прогнозы не являются конкретными.[31]

С накоплением данных РНК-seq, которые позволяют оценивать профили экспрессии для альтернативно сплайсированных изоформ, также были разработаны алгоритмы машинного обучения для прогнозирования и дифференцирования функций на уровне изоформ.[32] Это представляет собой новую область исследований в области прогнозирования функций, которая объединяет крупномасштабные, разнородные геномные данные для определения функций на уровне изоформ.[33]

Вычислительная карта растворителей

Расчетное картирование растворителя белка AMA1 с использованием фрагментарного компьютерного картирования растворителя (FTMAP) путем компьютерного сканирования поверхности AMA1 с помощью 16 зондов (небольших органических молекул) и определения мест скопления зондов (отмеченных как цветные области на поверхности белка)[34]

Одна из проблем, связанных с предсказанием функции белков, - это открытие активного сайта. Это осложняется тем, что определенные активные центры не образуются - по существу существуют - до тех пор, пока белок не претерпит конформационные изменения, вызванные связыванием небольших молекул. Большинство белковых структур были определены Рентгеновская кристаллография для чего требуется очищенный белок кристалл. В результате существующие структурные модели, как правило, представляют собой очищенный белок и как таковые не содержат конформационных изменений, которые возникают при взаимодействии белка с небольшими молекулами.[35]

В компьютерном картировании растворителей используются зонды (небольшие органические молекулы), которые вычислительно «перемещаются» по поверхности белка в поисках участков, где они склонны к скоплению. Как правило, применяются несколько различных зондов с целью получения большого количества различных конформаций белок-зонд. Затем сгенерированные кластеры ранжируются на основе средней свободной энергии кластера. После компьютерного картирования нескольких зондов участок белка, где образуется относительно большое количество кластеров, обычно соответствует активному участку на белке.[35]

Этот метод представляет собой вычислительную адаптацию работы «влажной лаборатории» 1996 года. Было обнаружено, что определение структуры белка, находящегося во взвешенном состоянии в различных растворителях, с последующим наложением этих структур друг на друга дает данные о молекулах органических растворителей ( белки были суспендированы в кластере, как правило, в активном центре белка. Эта работа была проведена в ответ на осознание того, что молекулы воды видны на картах электронной плотности, созданных Рентгеновская кристаллография. Молекулы воды взаимодействуют с белком и имеют тенденцию группироваться в полярных областях белка. Это привело к идее погружения очищенного кристалла белка в другие растворители (например, этиловый спирт, изопропанол и т. д.), чтобы определить место скопления этих молекул на белке. Растворители могут быть выбраны в зависимости от того, что они приблизительно, то есть, с какой молекулой этот белок может взаимодействовать (например, этиловый спирт может исследовать взаимодействия с аминокислота серин, изопропанол зонд для треонин, так далее.). Жизненно важно, чтобы белковый кристалл сохранял свое третичная структура в каждом растворителе. Этот процесс повторяется для нескольких растворителей, а затем эти данные можно использовать для определения потенциальных активных сайтов на белке.[36] Десять лет спустя этот метод был разработан Clodfelter et al.

Сетевые методы

Пример сети взаимодействия белков, созданной через НИТЬ Интернет-ресурс. Паттерны белковых взаимодействий внутри сетей используются для вывода о функции. Здесь продукты бактериального trp гены, кодирующие триптофансинтаза показано, что они взаимодействуют с собой и другими родственными белками.

Алгоритмы типа вины по типу ассоциации могут использоваться для создания сети функциональных ассоциаций для данной целевой группы генов или белков. Эти сети служат представлением доказательств общей / сходной функции внутри группы генов, где узлы представляют гены / белки и связаны друг с другом краями, свидетельствующими об общей функции.[37]

Интегрированные сети

Несколько сетей, основанных на разных источниках данных, могут быть объединены в составную сеть, которая затем может использоваться алгоритмом прогнозирования для аннотирования генов-кандидатов или белков.[38] Например, разработчики биопикси система использовала широкий спектр Saccharomyces cerevisiae (дрожжевые) геномные данные для создания сложной функциональной сети для этого вида.[39] Этот ресурс позволяет визуализировать известные сети, представляющие биологические процессы, а также предсказывать новые компоненты этих сетей. Для прогнозирования функции было разработано множество алгоритмов, основанных на интеграции нескольких источников данных (например, геномных, протеомных, белковых взаимодействий и т. Д.), И тестирование на ранее аннотированных генах показывает высокий уровень точности.[37][40] К недостаткам некоторых алгоритмов прогнозирования функций относятся отсутствие доступа и время, необходимое для анализа. Более быстрые и точные алгоритмы, такие как GeneMANIA (алгоритм сетевой интеграции с множественными ассоциациями), однако, были разработаны в последние годы[38] и общедоступны в сети, что указывает на будущее направление прогнозирования функций.

Инструменты и базы данных для прогнозирования функции белков

НИТЬ: веб-инструмент, который объединяет различные источники данных для прогнозирования функций.[41]

VisANT: Визуальный анализ сетей и интегральный визуальный анализ данных.[42]

Смотрите также

Рекомендации

  1. ^ а б Рост Б., Лю Дж., Наир Р., Вжещинский К.О., Офран Ю. (декабрь 2003 г.). «Автоматическое предсказание функции белков». Клеточные и молекулярные науки о жизни. 60 (12): 2637–50. Дои:10.1007 / s00018-003-3114-8. PMID  14685688. S2CID  8800506.
  2. ^ Эшбернер М., Болл К.А., Блейк Д.А., Ботштейн Д., Батлер Х., Черри Д.М., Дэвис А.П., Долински К., Дуайт С.С., Эппиг Д.Т., Харрис М.А., Хилл Д.П., Иссель-Тарвер Л., Касарскис А., Льюис С., Матезе Дж.С., Ричардсон Дж. Э., Рингуолд М., Рубин Г. М., Шерлок Дж. (Май 2000 г.). «Генная онтология: инструмент для объединения биологии. Консорциум генных онтологий». Природа Генетика. 25 (1): 25–9. Дои:10.1038/75556. ЧВК  3037419. PMID  10802651.
  3. ^ а б c d е Габалдон Т., Хуйнен М.А. (апрель 2004 г.). «Прогнозирование функции и путей белков в эпоху генома». Клеточные и молекулярные науки о жизни. 61 (7–8): 930–44. Дои:10.1007 / s00018-003-3387-у. PMID  15095013. S2CID  18032660.
  4. ^ дю Плесси Л., Скунка Н., Дессимоз С. (ноябрь 2011 г.). «Что, где, как и почему онтологии генов - учебник для биоинформатиков». Брифинги по биоинформатике. 12 (6): 723–35. Дои:10.1093 / bib / bbr002. ЧВК  3220872. PMID  21330331.
  5. ^ Рик Г.Р., де Хаен С., Теллер Д.К., Дулиттл Р.Ф., Fitch WM, Дикерсон Р.Э. и др. (Август 1987 г.). ""Гомология «в белках и нуклеиновых кислотах: путаница в терминологии и выход из нее». Клетка. 50 (5): 667. Дои:10.1016/0092-8674(87)90322-9. PMID  3621342. S2CID  42949514.
  6. ^ а б Whisstock JC, Lesk AM (август 2003 г.). «Прогнозирование функции белка по последовательности и структуре белка». Ежеквартальные обзоры биофизики. 36 (3): 307–40. Дои:10.1017 / S0033583503003901. PMID  15029827.
  7. ^ Платт А., Росс Х.С., Ханкин С., Рис Р.Дж. (март 2000 г.). «Вставка двух аминокислот в индуктор транскрипции превращает его в галактокиназу». Труды Национальной академии наук Соединенных Штатов Америки. 97 (7): 3154–9. Bibcode:2000PNAS ... 97.3154P. Дои:10.1073 / пнас.97.7.3154. ЧВК  16208. PMID  10737789.
  8. ^ Рост Б (апрель 2002 г.). «Ферментативная функция менее консервативна, чем предполагалось». Журнал молекулярной биологии. 318 (2): 595–608. Дои:10.1016 / S0022-2836 (02) 00016-5. PMID  12051862.
  9. ^ Тиан В., Сколник Дж. (Октябрь 2003 г.). «Насколько хорошо сохраняется функция фермента в зависимости от парной идентичности последовательностей?». Журнал молекулярной биологии. 333 (4): 863–82. CiteSeerX  10.1.1.332.4052. Дои:10.1016 / j.jmb.2003.08.057. PMID  14568541.
  10. ^ Finn RD, Mistry J, Tate J, Coggill P, Heger A, Pollington JE, Gavin OL, Gunasekaran P, Ceric G, Forslund K, Holm L, Sonnhammer EL, Eddy SR, Bateman A (январь 2010 г.). «База данных семейств белков Pfam». Исследования нуклеиновых кислот. 38 (Выпуск базы данных): D211–22. Дои:10.1093 / нар / gkp985. ЧВК  2808889. PMID  19920124.
  11. ^ Фанг Х, Гоф Дж (январь 2013 г.). «DcGO: база данных доменных онтологий по функциям, фенотипам, заболеваниям и т. Д.». Исследования нуклеиновых кислот. 41 (Выпуск базы данных): D536–44. Дои:10.1093 / нар / гкс1080. ЧВК  3531119. PMID  23161684.
  12. ^ а б c d е Слейтор Р.Д., Уолш П. (март 2010 г.). «Обзор предсказания функции протеина in silico». Архив микробиологии. 192 (3): 151–5. Дои:10.1007 / s00203-010-0549-9. PMID  20127480. S2CID  8932206.
  13. ^ Сигрист CJ, Cerutti L, de Castro E, Langendijk-Genevaux PS, Bulliard V, Bairoch A, Hulo N (январь 2010 г.). «PROSITE, база данных белковых доменов для функциональной характеристики и аннотации». Исследования нуклеиновых кислот. 38 (Выпуск базы данных): D161–6. Дои:10.1093 / нар / gkp885. ЧВК  2808866. PMID  19858104.
  14. ^ Менне К.М., Хермьякоб Х., Апвейлер Р. (август 2000 г.). «Сравнение методов предсказания сигнальной последовательности с использованием тестового набора сигнальных пептидов». Биоинформатика. 16 (8): 741–2. Дои:10.1093 / биоинформатика / 16.8.741. PMID  11099261.
  15. ^ Петерсен Т.Н., Брунак С., фон Хейне Г., Нильсен Н. (сентябрь 2011 г.). «SignalP 4.0: отличия сигнальных пептидов от трансмембранных областей». Методы природы. 8 (10): 785–6. Дои:10.1038 / nmeth.1701. PMID  21959131. S2CID  16509924.
  16. ^ Берман Х.М., Вестбрук Дж., Фенг З., Гиллиланд Дж., Бхат Т.Н., Вайссиг Х., Шиндялов И.Н., Борн П.Е. (январь 2000 г.). «Банк данных о белках». Исследования нуклеиновых кислот. 28 (1): 235–42. Дои:10.1093 / nar / 28.1.235. ЧВК  102472. PMID  10592235.
  17. ^ Йе Й, Годзик А. (июль 2004 г.). «FATCAT: веб-сервер для гибкого сравнения структур и поиска сходства структур». Исследования нуклеиновых кислот. 32 (Выпуск веб-сервера): W582–5. Дои:10.1093 / нар / гх430. ЧВК  441568. PMID  15215455.
  18. ^ Шиндялов И.Н., Борн П.Е. (сентябрь 1998 г.). «Выравнивание структуры белка путем возрастающего комбинаторного удлинения (CE) оптимального пути». Белковая инженерия. 11 (9): 739–47. Дои:10.1093 / белок / 11.9.739. PMID  9796821.
  19. ^ Ван С., Ма Дж., Пэн Дж., Сюй Дж. (Март 2013 г.). «Выравнивание структуры белка за пределами пространственной близости». Научные отчеты. 3: 1448. Bibcode:2013НатСР ... 3E1448W. Дои:10.1038 / srep01448. ЧВК  3596798. PMID  23486213.
  20. ^ Парасурам Р., Ли Дж. С., Инь П., Сомаровту С., Ондречен М. Дж. (Декабрь 2010 г.). «Функциональная классификация белковых трехмерных структур по предсказанным местам локального взаимодействия». Журнал биоинформатики и вычислительной биологии. 8 Дополнение 1: 1–15. Дои:10.1142 / s0219720010005166. PMID  21155016.
  21. ^ а б Ван З., Инь П, Ли Дж. С., Парасурам Р., Сомаровту С., Ондрехен М. Дж. (2013). «Аннотация функции белка со структурно выровненными локальными участками активности (SALSA)». BMC Bioinformatics. 14 Дополнение 3: S13. Дои:10.1186 / 1471-2105-14-S3-S13. ЧВК  3584854. PMID  23514271.
  22. ^ Гарма Л.Д., Джуффер А.Х. (апрель 2016 г.). «Сравнение непоследовательных наборов белковых остатков». Вычислительная биология и химия. 61: 23–38. Дои:10.1016 / j.compbiolchem.2015.12.004. PMID  26773655.
  23. ^ Гарма Л.Д., Медина М., Джуффер А.Х. (ноябрь 2016 г.). «Структурная классификация сайтов связывания FAD: сравнительное исследование инструментов структурного выравнивания». Белки. 84 (11): 1728–1747. Дои:10.1002 / prot.25158. PMID  27580869. S2CID  26066208.
  24. ^ Портер CT, Бартлетт GJ, Торнтон JM (январь 2004 г.). «Атлас каталитических сайтов: ресурс каталитических сайтов и остатков, идентифицированных в ферментах с использованием структурных данных». Исследования нуклеиновых кислот. 32 (Выпуск базы данных): D129–33. Дои:10.1093 / нар / гх028. ЧВК  308762. PMID  14681376.
  25. ^ а б c Айзенберг Д., Маркотт Э.М., Ксенариос И., Йейтс Т.О. (июнь 2000 г.). «Функция белков в постгеномную эпоху». Природа. 405 (6788): 823–6. Дои:10.1038/35015694. PMID  10866208. S2CID  4398864.
  26. ^ а б Маркотт Э.М., Пеллегрини М., Нг Х.Л., Райс Д.В., Йейтс Т.О., Айзенберг Д. (июль 1999 г.). «Обнаружение функции белка и белок-белковых взаимодействий из последовательностей генома». Наука. 285 (5428): 751–3. CiteSeerX  10.1.1.535.9650. Дои:10.1126 / science.285.5428.751. PMID  10427000.
  27. ^ Овербек Р., Фонштейн М., Д'Соуза М., Пуш Г.Д., Мальцев Н. (март 1999 г.). «Использование кластеров генов для вывода функционального сцепления». Труды Национальной академии наук Соединенных Штатов Америки. 96 (6): 2896–901. Bibcode:1999PNAS ... 96.2896O. Дои:10.1073 / пнас.96.6.2896. ЧВК  15866. PMID  10077608.
  28. ^ Ли Дж. М., Зоннхаммер Э.Л. (май 2003 г.). «Геномный кластерный анализ путей у эукариот». Геномные исследования. 13 (5): 875–82. Дои:10.1101 / гр.737703. ЧВК  430880. PMID  12695325.
  29. ^ Уокер М.Г., Волкмут В., Спринзак Э., Ходжсон Д., Клинглер Т. (декабрь 1999 г.). «Прогнозирование функции генов с помощью анализа экспрессии в масштабе генома: гены, связанные с раком простаты». Геномные исследования. 9 (12): 1198–203. Дои:10.1101 / гр. 9.12.1198. ЧВК  310991. PMID  10613842.
  30. ^ Кломп Дж.А., Фурге К.А. (июль 2012 г.). «Полногеномное соответствие генов клеточным ролям с использованием моделей вины по ассоциации, полученных на основе анализа одного образца». BMC Research Notes. 5 (1): 370. Дои:10.1186/1756-0500-5-370. ЧВК  3599284. PMID  22824328.
  31. ^ а б Павлидис П., Гиллис Дж. (2012). «Прогресс и проблемы в вычислительном прогнозировании функции генов с использованием сетей». F1000 Исследования. 1 (14): 14. Дои:10.3410 / f1000research.1-14.v1. ЧВК  3782350. PMID  23936626.
  32. ^ Экси Р., Ли ХД, Менон Р., Вэнь Й., Оменн Г.С., Кретцлер М., Гуань Й. (ноябрь 2013 г.). «Систематическая дифференциация функций для альтернативно сплайсированных изоформ посредством интеграции данных RNA-seq». PLOS вычислительная биология. 9 (11): e1003314. Bibcode:2013PLSCB ... 9E3314E. Дои:10.1371 / journal.pcbi.1003314. ЧВК  3820534. PMID  24244129.
  33. ^ Ли HD, Менон Р., Оменн Г.С., Гуань Й. (август 2014 г.). «Наступающая эра интеграции геномных данных для анализа функции изоформ сплайсинга». Тенденции в генетике. 30 (8): 340–7. Дои:10.1016 / j.tig.2014.05.005. ЧВК  4112133. PMID  24951248.
  34. ^ Ван Г., МакРайлд, Калифорния, Моханти Б., Мобли М., Коуисон Н.П., Андерс Р.Ф., Симпсон Дж.С., МакГоуэн С., Нортон Р.С., Скэнлон М.Дж. (2014). «Молекулярное понимание взаимодействия между антигеном 1 апикальной мембраны Plasmodium falciparum и пептидом, ингибирующим инвазию». PLOS ONE. 9 (10): e109674. Bibcode:2014PLoSO ... 9j9674W. Дои:10.1371 / journal.pone.0109674. ЧВК  4208761. PMID  25343578.
  35. ^ а б Clodfelter KH, Waxman DJ, Vajda S (август 2006 г.). «Компьютерное картирование растворителей показывает важность локальных конформационных изменений для широкой субстратной специфичности в цитохромах P450 млекопитающих». Биохимия. 45 (31): 9393–407. Дои:10.1021 / bi060343v. PMID  16878974.
  36. ^ Маттос С., Риндж Д. (май 1996 г.). «Расположение и характеристика сайтов связывания на белках». Природа Биотехнологии. 14 (5): 595–9. Дои:10.1038 / nbt0596-595. PMID  9630949. S2CID  20273975.
  37. ^ а б Шаран Р., Улицкий И., Шамир Р. (2007). «Сетевое предсказание функции белков». Молекулярная системная биология. 3 (88): 88. Дои:10.1038 / msb4100129. ЧВК  1847944. PMID  17353930.
  38. ^ а б Мостафави С., Рэй Д., Вард-Фарли Д., Гроуос С., Моррис К. (2008). «GeneMANIA: алгоритм интеграции сети множественных ассоциаций в реальном времени для прогнозирования функции генов». Геномная биология. 9 Дополнение 1: S4. Дои:10.1186 / gb-2008-9-s1-s4. ЧВК  2447538. PMID  18613948.
  39. ^ Майерс К.Л., Робсон Д., Вибл А., Хиббс М.А., Кириак С., Тисфельд С.Л., Долински К., Троянская О.Г. (2005). «Открытие биологических сетей из разнообразных функциональных геномных данных». Геномная биология. 6 (13): R114. Дои:10.1186 / gb-2005-6-13-r114. ЧВК  1414113. PMID  16420673.
  40. ^ Пенья-Кастильо Л., Тасан М., Майерс К.Л., Ли Х., Джоши Т., Чжан С., Гуан Ю., Леоне М., Паньани А., Ким В.К., Крумпельман С., Тиан В., Обозински Г., Ци Ю., Мостафави С., Лин Г.Н., Берриз Г.Ф., Гиббонс Ф.Д., Ланкриет Дж., Цю Дж., Грант С., Баруткуоглу З., Хилл Д. П., Вард-Фарли Д., Гроуос С., Рэй Д., Блейк Дж. А., Дэн М., Джордан М. И., Благородный В. Дж., Бар-Джозеф З., Чен Т., Сан Ф., Троянская О.Г., Маркотт Э.М., Сюй Д., Хьюз Т.Р., Рот Ф.П. (2008). «Критическая оценка прогноза функции гена Mus musculus с использованием интегрированных геномных данных». Геномная биология. 9 Дополнение 1 (S1): S2. Дои:10.1186 / gb-2008-9-s1-s2. ЧВК  2447536. PMID  18613946.
  41. ^ Шкларчик Д., Моррис Дж. Х., Кук Х, Кун М., Вайдер С., Симонович М., Сантос А., Дончева Н. Т., Рот А., Борк П., Йенсен Л. Дж., Фон Меринг С. (январь 2017 г.). «База данных STRING в 2017 году: сети белок-белковых ассоциаций с контролируемым качеством стали широко доступными». Исследования нуклеиновых кислот. 45 (D1): D362 – D368. Дои:10.1093 / нар / gkw937. ЧВК  5210637. PMID  27924014.
  42. ^ Granger BR, Chang YC, Wang Y, DeLisi C, Segrè D, Hu Z (апрель 2016 г.). «Визуализация сетей метаболического взаимодействия в микробных сообществах с помощью VisANT 5.0». PLOS вычислительная биология. 12 (4): e1004875. Bibcode:2016PLSCB..12E4875G. Дои:10.1371 / journal.pcbi.1004875. ЧВК  4833320. PMID  27081850.

внешняя ссылка