Metody obliczeniowe przewidywania interakcji białek z RNA

1. Metody obliczeniowe przewidywania interakcji białek z RNA Przemysław Kluz

2. Wstęp • Zrozumienie molekularnego mechanizmu rozpoznawania kompleksów białek-RNA jest głównym wyzwaniem biologii strukturalnej.

3. 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

4. Po co to robić? • Defekty w interakcjach białko-RNA powodują wiele chorób, od zaburzeń neurologicznych po raka.

5. 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.

6. 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

7. Metody eksperymentalne Krystalografia rentgenowska

8. Metody eksperymentalne Urządzenie do spektroskopi magnetycznego rezonansu jądrowego

9. Dlaczego metody obliczeniowe? • Wykorzystywane alternatywnie do przewidywania interakcji białko-RNA • Mniej dokładne niż obserwacje eksperymentalne • Dostatecznie dokładne by naprowadzić eksperymenty

10. 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?

11. 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.

12. Inne metody bioinformatyczne • Metody polegające na uczeniu maszynowym, głównie opierające się o „supportvectormachines” (SVM) • Niestety żadna z tych metod nie jest ogólnie dostępna

13. Przewidywanie z sekwencji białka • Głównie polega na używaniu: • Uczenia maszynowego • Ukrytych modeli Markova (HMM) • „Supportvectormachines” (SVM)

16. 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 CorrelationCoefficient” (MCC).

18. Wyniki porównania skuteczności opisanych metod

19. Wyniki porównania skuteczności opisanych metod

20. „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+

21. „Meta-predictor” - wyniki • „Meta-predictior” dał o 0.9% lepsze wyniki niż metoda PiRaNhA co sugeruje, że opisywane metody są ze sobą silnie skorelowane.

22. 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

23. 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

24. 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