Предсказание генов и�аннотация их функций

​

Основано на материалах Антонова Ивана 2022г

1

У нас есть геномная последовательность.

Что дальше?

2

Поиск открытых рамок считывания (ORFs)

3

Фиолетовый – стоп-кодон

Зеленый – старт кодон

GeneMark

Ab initio предсказание генов

4

Поиск генов через сравнение с известными белками

5

Статистика по БД GenBank

Статистика по БД RefSeq

https://www.ncbi.nlm.nih.gov/refseq/statistics/

https://www.ncbi.nlm.nih.gov/genbank/statistics/

Что такое функция гена?

Какие функции бывают?

6

https://www.genome.jp/kegg-bin/show_pathway?dac00860

Поиск генов через сравнение с известными белками

7

Какой BLAST лучше использовать?

8

Почему?

Почему поиск через белки более чувствительный?

9

Матрица замен BLOSUM62

Поиск генов, которые не кодируют белки --некодирующие РНК (rRNA, tRNA, lncRNA и др)

10

https://en.wikipedia.org/wiki/Ribosomal_RNA

Предсказание функции белка

11

Последовательность белка

BLASTp

12

Что делать если гомологичных белков не нашлось?

13

Функцию целого можно попытаться определить по функции частей

Домены

Функциональный домен (биохимия/биоинженерия)

Минимальная часть полипептидной цепи, которая

1. достаточна в эксперименте для сохранения одной из активностей целого белка
2. может автономно свернуться в правильную, нативную структуру

​

Эволюционный домен

(биоинформатика: последовательности)

Длинный непрерывный участок полипептидной цепи, который�

1. эволюционирует существенно медленнее других участков �
2. замечен в перемешивании доменов (domain shuffling)

Гомеодомены активно перемешивались в эволюции.

Об этом можно судить по 65(!) различным доменным архитектурам гомеобелков, представленным в банке Pfam

Гомеодомен

Парный домен и гомеодомен

Lim домены и гомеодомен

Гомеодомен, продолженный лейциновой молнией

POU домен и гомеодомен

Два гомеодомена

PBX-домен и гомеодомен

Структурный домен�(биоинформатика: 3D структуры)

Обособленная в пространстве часть белка, его структурная единица, имеющая

• сравнительно мало контактов с другими частями белка
• собственное гидрофобное ядро

Эволюционные домены часто, но не всегда совпадают со структурными доменами!

Мотив

• Мотив в аминокислотной последовательности - набор консервативных остатков, важных для функции белка и расположенных на определенном (обычно коротком) расстоянии друг от друга в последовательности.

​

• Мотив структуры (структурный мотив) – часто встречающийся в белках элемент пространственной структуры (α-спираль, β-шпилька, β-поворот).

​

В общем случае, структурные мотивы не обязательно соответствуют мотивам в аминокислотным последовательностях.

Один домен может содержать один или несколько мотивов в аминокислотной последовательности. Мотив может не входить в домены.

Не в любом выравнивании легко найти мотив.

​

Как найти домен

• Для нахождения домена нужно собрать все последовательности, имеющие общий консервативный участок и построить выравнивание
• с помощью паттерна
• с помощью “профили”
• Доменом называется достаточно длинный консервативный участок в выравнивании, выделяющийся на фоне неконсервативных участков
• достаточно длинный – например, более 20 остатков; строгой границы нет
• Подтверждением того, что домен выделен правильно, служит наблюдение явления перетасовки доменов.

Пример белка со сложной доменной архитектурой

Интуитивно понятно:

• Семейство - группа белков, имеющая общее происхождение,

их аминокислотные последовательности выравниваются по всей длине со значимым весом и имеют сходную доменную структуру.

​

Мнения расходятся, когда речь идет о критериях:

​

• насколько должны быть похожи белки одного семейства (id>=30%, id>= 50%) ???
• должны ли белки одного семейства выполнять одну и ту же функцию??�

Superfamily

Family

Subfamily

�PROSITE - биологически значимые сайты, паттерны и профили�

Выравнивание хорошо изученного семейства

Функционально важные остатки

4-5

консервативных остатков

Паттерн

Если находим только «правильные», то ОК

Если много лишнего, то увеличиваем паттерн

Поиск в SP

Паттерн – регулярное выражение UNIX’a:

[AC]-x-V-x(4)-{ED}

Ala или Cys- х-Val- х- х- х - х- (любой, но не Glu или Asp)

http://www.expasy.ch/prosite/

PROSITE�

Релиз 18.25,

14.04 2004

1257 документов,

1706 разных

паттернов, правил и профилей.

​

​

​

​

Профиль или

весовая

матрица

​

F K L L S H C L L V

F K A F G Q T M F Q

Y P I V G Q E L L G

F P V V K E A I L K

F K V L A A V I A D

L E F I S E C I I Q

F K L L G N V L V C

​

A -18 -10 -1 -8 8 -3 3 -10 -2 -8

C -22 -33 -18 -18 -22 -26 22 -24 -19 -7

D -35 0 -32 -33 -7 6 -17 -34 -31 0

E -27 15 -25 -26 -9 23 -9 -24 -23 -1

F 60 -30 12 14 -26 -29 -15 4 12 -29

G -30 -20 -28 -32 28 -14 -23 -33 -27 -5

H -13 -12 -25 -25 -16 14 -22 -22 -23 -10

I 3 -27 21 25 -29 -23 -8 33 19 -23

K -26 25 -25 -27 -6 4 -15 -27 -26 0

L 14 -28 19 27 -27 -20 -9 33 26 -21

M 3 -15 10 14 -17 -10 -9 25 12 -11

N -22 -6 -24 -27 1 8 -15 -24 -24 -4

P -30 24 -26 -28 -14 -10 -22 -24 -26 -18

Q -32 5 -25 -26 -9 24 -16 -17 -23 7

R -18 9 -22 -22 -10 0 -18 -23 -22 -4

S -22 -8 -16 -21 11 2 -1 -24 -19 -4

T -10 -10 -6 -7 -5 -8 2 -10 -7 -11

V 0 -25 22 25 -19 -26 6 19 16 -16

W 9 -25 -18 -19 -25 -27 -34 -20 -17 -28

Y 34 -18 -1 1 -23 -12 -19 0 0 -18

Pfam

• http://pfam.xfam.org/
• Большая коллекция семейств доменов

Для каждого семейства есть множественное выравнивание и профиль-HMM .

• Состоит из 2-х частей:
• PfamA – курируемая часть, покрывает 76% UniProt
• PfamB – большое число маленьких семейств из автоматически сгенерированной базы доменов, не вошедших в PfamA (раньше – ProDom, теперь – ADDA) .
• Удобна для анализа доменной структуры белков.

Язык Pfam :

​

Семейство – коллекция гомологичных белков.

​

Домен – структурная единица, которую можно найти во множественном выравнивании.

​

Повтор – короткая единица, нестабильная сама по себе, но образует стабильные структуры, если есть много копий.

​

Мотив – короткая единица структуры вне глобулярных доменов.

​

​

​

​

Какая информация закодирована в картинке доменов белка

• Прямоугольники с закругленными краями – найден домен целиком.
• Край прямоугольника зубчатый – найден только фрагмент домена, за зубчиками домен не продолжается, хотя должен был бы быть.
• Прямоугольник с острыми краями – мотив, трансмебранный участок, участок малой сложности (например, десять остатков A) и т.п. – не является эволюционным доменом!
• Цветная полоска – домен из PfamB, т.е. найденные программой, автоматически выровненные, но не проанализированные экспертом, сходные по последовательности фрагменты разных белков.
• Домен, имеющий ID вида DUF… с номером - Domain of Unknown Function

​

Домен внутри другого домена

• В нижней последовательности – всего 2 домена из PfamA плюс домен из PfamB (разноцветная полоска). Домен Hom_end встроен внутрь домена Hom_end_hint. �Это значит, что если из нижней последовательности вырезать фрагмент от начала зеленого до конца второго зеленого а потом удалить красный кусочек и склеить то, что осталось, то полученная последовательность целиком гомологична зеленому фрагменту из верхней последовательности.

Pfam

1. Множественное выравнивание (ClustalX) некоторого семейства или кластера.
2. Экспертиза и корректировка выравнивания-затравки.
3. Построение профиля-НММ для затравки.
4. Поиск в базе данных а.к. последовательностей

новых членов данной группы.

Паттерны для поиска в базах последовательностей

Prosite (http://prosite.expasy.org/ ), fuzzpro и fuzznuc в EMBOSS

31

Паттерн для цинкового пальца

Prosite

​

Паттерн для цинкового пальца типа С2Н2:

C-x(2,4)-C-x(3)-[LIVMFYWC]-x(8)-H-x(3,5)-H

• [a-zAZ] −все возможные аминокислоты в данной позиции
• Х(2,4) − любая аминокислота от 2 до 4 раз
• Х(3) − любая аминокислота ровно 3 раза
• {P} − любая аминокислота, кроме пролина

​

Паттерны (fingerprints) для белков и средства поиска по паттерну есть в ProSite и пакете EMBOSS

Цинковые пальцы C2H2

32

PSSM – аналог PWM для белков

Psi-BLAST – итеративный вариант BLAST, использующий блоки множественного выравнивания и поиск по PSSM

34

ШАГ 1. Подсчёт числа букв N(b,j)

1234567890123456

ACGCAAACGTTTTCTT

TCGCAAACGTTTGCTT

ACGCAAACGTTTTCGT

ACGCAAACGGTTTCGT

ACGCAACCGTTTTCCT

ACGCAAACGTGTGCGT

ACGCAATCGGTTACCT

GCGCAAACGTTTTCGT

AGGAAAACGATTGGCT

AAGCAAACGGTGATTT

ATGCAATCGGTTACGC

AGGCAAACGTTTACCT

GAGCAAACGTTTCCAC

35

ШАГ 2. Частоты букв

G C C T A C C C C A T T A T T T…

f(b,j) = N(b,j)/N в примере N=13

36

Частота G в позиции 15 равна 0.38

​

Значит ли это что-нибудь, если GC состав генома равен 0.7,

Т.е. частота G в геноме равна 0.35?

ЛОГАРИФМ Отношения правдоподобия W как вес различия

наблюдаемой частоты и ожидаемой:

w(G,15) = ln(0.38/0.35) = 0.1

ШАГ 3. Логарифм отношения вероятностей

37

ШАГ 4. Матрица весов PWM

Шаг 5. Псевдоотсчёты

38

​

F(b,j) = [N(b,j) + ε(b)] /(N + ε) вместо

​

f(b,j) = N(b,j)/N

​

Здесь ε = ε(A) + ε(G) + ε(T) + ε(C)

Все ε(b) маленькие в сравнении с N

Подбираются опытным путем

39

ШАГ 4. Частоты с псевдоотсчётами

40

ШАГ 5. Матрица PWM с псевдоотсчётами

41

PSSM – то же, что PWM

• PSSM, или Position-Specific Scoring Matrix, строится по блоку – выравниванию без вставок/делеций
• Используется в программе PSI-BLAST (и MEME)
• по последовательностям из списка находок, отмеченным для очередной итерации, строится выравнивание
• в выравнивании находятся блоки
• по блоку строится PSSM
• по всем PSSM ведется поиск; веса разных PSSM в одной банковской последовательности суммируются
• получается, что PSI-BLAST разрешает участки переменной длины между находками PSSM, но никак их не использует при вычислении веса

42

Структура ProSite:

• коллекция белковых семейств и доменов.
• аннотации эволюционных доменов
• Функциональные участки, мотивы, подписи и профили.
• интерфейс (средства поиска, средства сохранения выравниваний и т.д.)‏

http://au.expasy.org/prosite/

Профили выравниваний и поиск по ним в базах последовательностях

HMM = Hidden Markov Model

Технология HMM реализована в пакете HMMER. Он включен в EMBOSS.

В БД Prosite реализована аналогичная, но не идентичная, технология Pftools

Профили

• На вход подается выравнивание с инделями
• По нему строится т.н. профиль HMM (Hidden Markov Model)
• Профиль HMM можно выровнять с последовательностью и получить вес выравнивания. Локальное и глобальное выравнивание.
• Профиль калибруется по случайному банку для нормализации веса и расчета E-value
• При наличии множества последовательностей, про которые известен ответ – есть в них домен или нет, - можно уточнить порог нормализованного веса для находки
• С помощию профиля в базе последовательностей (Uniprot) находятся участки c весом больше порога, следовательно, белки, содержащие домен.
• Важное отличие профиля от PWM: �профиль может быть построен по выравниванию с инделями
• Надо установить параметры модели такими, чтобы полная вероятность достигала максимума для членов семейства.
• Последовательности могут быть протестированы на принадлежность семейству, используя алгоритм Витерби для оценки совпадения с профилем

​

44

HMM Профиль. Немного теории

• По выравниванию создается автомат для генерации последовательностей
• Этот автомат умеет генерировать случайные последовательности конечной (но не фиксированной!) длины
• Он настроен так, чтобы создавать последовательности, “похожие” на выравнивание, с бóльшей вероятностью
• Для каждой входной последовательности можно (т.е. существуют алгоритмы) определить вероятность её сгенерировать этим автоматом.
• Если эта вероятность превышает порог, то последовательность считается соответствующей профилю.

45

Автомат выглядит так:

from Krogh, “Computational Methods in molecular biology, pages 45-63, Elsevier, 1998.

Выравнивание

Автомат для него

Вероятности в квадратиках называются

эмиссионными вероятностями

​

Вероятности на стрелочках -

вероятностями перехода

Логарифм отношения правдоподобия, log-odds

• Вероятность буквы в данной позиции следует сравнивать с базовой – по геному - частотой этой буквы.
• Пусть базовые частоты всех букв одинаковы и, следовательно, равны 0.25
• Отношение правдоподобия для буквы A в первой позиции примера равно 0.8/0.25 = 3.2
• Удобнее взять логарифм – чтобы складывать, а не умножать:� log-odds = ln 3.2 = 1.16
• Log-odds >> 0 – за то, что буква A не случайно похожа на колонку выравнивания
• Log-odds ≈ 0 – за то, что буква A соответствует случайному выбору
• Log-odds << 0 – за то, что буква A избегается в колонке выравнивания

​

​

​

47

48

Определим вес данного выравнивания последовательности ACACATC с профилем

m2

m1

m3

m4

m5

m6

i3

Мы нашли

• вес ACACATC = 6.64
• … и выравнивание относительно профиля:
• A C A C A T C
• m1 m2 m3 i3 m4 m5 m6

​

49

Задачу нахождения лучшего по весу выравнивания входной последовательности и HMM профиля решает алгоритм Viterbi

Теперь мы можем оценить любой путь через скрытые состояния, учитывая полученные последовательности.

• Как найти наилучший путь?

Перепробовать все варианты? Непрактично, экспоненциальное число путей.

– 1 ген ~ 100,000 оснований 2^100,000 путей для 2-х состояний!

• Вместо этого: динамическое программирование - алгоритм Витерби

– Сохранение частичных вычислений (максимальный счёт до позиции i через состояние k)

Определим V_k(i) = Вероятность наиболее вероятного пути через состояние π_i =k

– Используем его для вычисления максимального счёта до позиции i+1 для каждого k’

Находим V_k’(i+1) как функцию maxk { V_k(i) }

– Простое вычисление, нужно учесть emission score + score перехода

V_k(i+1) = e_k(x_i+1) * max_j a_jk Vj (i)

Динамическое программирование работает благодаря оптимальной подструктуре

• Лучший путь через заданное состояние:
• Лучший путь к предыдущему состоянию
• Лучший переход из предыдущего состояния в это состояние
• Лучший путь к конечному состоянию

Поиск оптимального пути

Наиболее вероятный путь

Наиболее вероятный путь π^* удовлетворяет

Чтобы найти π^*, рассмотрим все возможные пути у которые могут испускать x

Пусть

Тогда

Алгоритм Витерби

• Инициализация (i = 0)�
• Рекурсия (i = 1, . . . , L): Для каждого k��
• Остановка:

Чтобы найти π^*, идем обратно, как в динамическом программировании

Нечестное казино

53

Viterbi: пример

1

π

x

0

0

6

2

6

ε

(1/6)×(1/2)

= 1/12

0

(1/2)×(1/2)

= 1/4

(1/6)×max{(1/12)×0.99,

(1/4)×0.2}

= 0.01375

(1/10)×max{(1/12)×0.01,

(1/4)×0.8}

= 0.02

B

F

L

0

0

(1/6)×max{0.01375×0.99,

0.02×0.2}

= 0.00226875

(1/2)×max{0.01375×0.01,

0.02×0.8}

= 0.08

The Viterbi Algorithm

sequence

states

(i,k)

k

k-1

. . .

k-2

k+1

. . .

. . .

Viterbi: Обратный проход

T( T( T( ... T( T(i, L-1), L-2) ..., 2), 1), 0) = 0

Viterbi gets it right more often than not

Вероятность испускания по всем путям

• Каждый путь ассоциирован с некой вероятностью

– некоторые пути более вероятны чем другие: суммирование по ним даст полную вероятность испускания последовательности

– Viterbi наиболее вероятный путь

•Сколько вероятности от полной он в себе содержит?

•решение

– рассчитать сумму

• P(x) = Σπ P(x,π)

– можно использовать динамическое программирование

• аппроксимация

–рассчитать вероятность наиболее вероятного пути (Viterbi) π*

– может хорошо приближать, но, в целом, неправильно

Более сложная ситуация

• Возможны вставки (i) в любом месте
• Возможны делеции (d) в любом месте
• Разрешены все возможные переходы между вершинами b (begin), m (match), i (insertion), d (delelion), e (end):
• b => m1, b => d1, b => i1
• m => следующую m, m => i, m=>d, m => e
• i => i, i => m, i => d, i => e
• d => d, d => m, d => i, d => e

​

59

Граф HMM для выравнивания,

в котором восемь колонок не содержат гэпов

Для нормализации веса и вычисления �E-value находок проводят �калибровку HMM профиля �на множестве случайных последовательностей

62

63

Профиль pftools для С2Н2 из Prosite

/GENERAL_SPEC: ALPHABET='ABCDEFGHIKLMNPQRSTVWYZ'; LENGTH=28;

/DISJOINT: DEFINITION=PROTECT; N1=3; N2=26;

/NORMALIZATION: MODE=1; FUNCTION=LINEAR; R1=-0.6689; R2=0.02078310; TEXT='-LogE';

/CUT_OFF: LEVEL=0; SCORE=441; N_SCORE=8.5; MODE=1; TEXT='!';

/CUT_OFF: LEVEL=-1; SCORE=344; N_SCORE=6.5; MODE=1; TEXT='?';

/DEFAULT: D=-20; I=-20; B1=-50; E1=-50; MI=-105; MD=-105; IM=-105; DM=-105;

​

A B C D E F G H I K L M N P Q R S T V W Y Z

/I: B1=0; BI=-105; BD=-105;

.............

/M: SY='C'; M=-10,-20,118,-30,-30,-20,-30,-30,-30,-30,-20,-20,-20,-40,-30,-30,-10,-10,-10,-50,-30,-30;

/M: SY='E'; M= -5, 3,-24, 3, 6,-22,-11, -6,-20, 1,-21,-14, 4, -1, 1, -3, 5, 2,-18,-29,-15, 3;

/I: I=-12; MI=0; MD=-30; IM=0; DM=-30;

/M: SY='E'; M= -9, -2,-26, 1, 14,-18,-17, -4,-13, -1,-11, -8, -5,-12, 4, -5, -5, -8,-12,-24, -9, 8;

/M: SY='C'; M=-10,-20,119,-30,-30,-20,-30,-30,-30,-30,-20,-20,-20,-40,-30,-30,-10,-10,-10,-50,-29,-30;

/M: SY='G'; M= -3, -1,-28, -1, -7,-28, 36,-11,-33,-11,-27,-18, 4,-15,-10,-12, 1,-13,-27,-24,-23, -9;

/M: SY='K'; M=-10, -2,-28, -3, 8,-25,-19, -7,-26, 36,-24, -8, -1,-12, 10, 27, -9, -9,-18,-19, -8, 8;

/M: SY='A'; M= 8, -7, -9,-11, -7,-17, -7,-14,-16, -6,-16,-11, -4,-15, -6, -5, 8, 4, -7,-27,-15, -7;

/M: SY='F'; M=-19,-29,-19,-37,-28, 71,-29,-17, 0,-28, 9, 0,-20,-30,-36,-19,-19, -9, -1, 9, 31,-28;

................

/M: SY='H'; M=-20, 0,-30, 0, 0,-20,-20, 99,-30,-10,-20, 0, 10,-20, 10, 0,-10,-20,-30,-30, 20, 0;

/M: SY='Q'; M=-10,-10,-25,-12, 1,-16,-22, -2, -6, 1, -3, 6, -9,-17, 13, 3, -9, -8, -9,-19, -4, 6;

/M: SY='R'; M=-13, -8,-26, -9, 0,-19,-19, -4,-21, 20,-16, -6, -2,-17, 6, 35, -8, -7,-14,-21, -9, 0;

/I: I=-12; MI=0; MD=-29; IM=0; DM=-29;

/M: SY='V'; M= -3,-16,-17,-21,-17, -6,-25,-20, 11,-15, 2, 3,-12,-18,-14,-14, -2, 9, 13,-25, -7,-17;

/M: SY='H'; M=-20, 0,-30, 0, 0,-20,-20, 97,-30,-10,-20, 0, 10,-20, 10, 0,-10,-20,-30,-30, 19, 0;

...................

/I: E1=0;

C-x(2,4)-C-x(3)-[LIVMFYWC]-x(8)-H-x(3,5)-H

​

Профиль Pftools

• Используется в БД Prosite и MyHits. Как и HMMer, доступен как standalone пакет
• Тоже использует HMM, но хранит информацию в другом формате
• Формат Pftools несколько удобнее для редактирования профиля вручную
• Есть конверторы форматов �Pftools <=> HMMer

64

Строим модель: состояния совпадения (Match States)

• Если нам нужно выполнить выравнивание без пропусков, то мы можем использовать простую, неразветвленную HMM, где из каждого состояния совпадения можно перейти в другое состояния совпадения
• Для каждого состояния существует вероятность испускания аминокислоты, которые зависят от состояния совпадения

​

​

По существу это PSSM (Position Specific Scoring Matrix): вес каждой колонки PSSM может быть отмасштабирован от 0 до 1 в соответствии с вероятностями испускания.

​

Все вероятности переходов назначаются 1: существует только один выбор – двигаться в следующее состояния совпадения.

​

Состояния вставки (Insertion States)

• Во множественном выравнивании часто встречаются колонки, являющиеся пропусками в большинстве последовательностях, но содержащие аминокислоты в некоторых.
• Такие колонки лучше обозначать как состояния вставки.
• По мере продвижения по модели и генерирования искомой последовательности, состояния вставки генерируют экстра аминокислоты, находящиеся в этих колонках.
• Состояния вставки обладают вероятностями испускания, которые обычно такие же, как и общая пропорция каждой аминокислоты в базе данных.
• Состояния вставки замыкаются на себя, что означает, что множество позиций может быть испущено в этом состоянии.
• В состояние вставки можно войти из одного состояния совпадения, но выход происходит уже в следующее: вставка происходит между соседними аминокислотами.

Состояние делеции (Deletion States)

• Делециями во множественном выравнивании называют позиции, в которых большинство последовательностей имеют аминокислоты, и только небольшое количество – пропуски.
• Состояния делиции используются для того, чтобы перескочить между состояниями.
• Допускается пропуск состояний совпадения, переходя из одного состояния делиции в другое.
• Состояния делиции действуют как афинные штрафы: вероятности перехода из состояния совпадения в состояния делиции равнозначно штрафу за открытие разрыва, и переход из одного состояния делиции в другое равнозначно штрафу за продолжения разрыва.
• В противоположность состояниям совпадения и состояниям вставки, состояния делиций являются молчащими, они ничего не испускают.

Profile HMMs

Существует также переход из состоянии вставки в состояние делиции, но такие переходы считаются маловероятными, и их существование помогает при построении модели

Profile HMMs: Example

Интерпретация результатов поиска по профилю

Профиль �

• Служит для предсказания принадлежности последовательности семейству
• Если есть профиль, то по последовательности можно получить число (нормализованный вес), характеризующий сходство последовательности и профиля
• Чтобы получить предсказание, необходимо выбрать порог t на вес: �вес > t ⇒ предсказываем принадлежность последовательности семейству
• Проверку профиля и выбор порога следует выполнять на множестве последовательностей с известным ответом �(если такие есть)
• Часто между последовательностями “точно принадлежит” и “точно не из семейства” есть зона неопределенности
• Скачок веса может служить признаком для выбора порога

​

72

HMMer search параметры

• E 0.1 (порог на E-value находки)
• T 20 (порог на вес находки)

73

Проверка профиля на множестве последовательностей с известным ответом про каждую последовательность

• Выберем порог t
• Тогда предсказывается, что находка
• принадлежит семейству, если ее вес T >= t
• не принадлежит, если T < t
• (аналогично для E-value)

74

Таблица проверки предсказания

75

Характеристики предсказания

76

Чувствительность (sensitivity): доля позитивных результатов теста в группе больных

Специфичность (specificity): доля негативных результатов теста в группе здоровых

Точность (precision): доля больных среди давших позитивный тест

Учёные люди знают еще много параметров, которые можно извлечь из таблицы 2×2 (справа)

ROC-кривая �(англ. receiver operating characteristic, операционная характеристика приёмника)�

77

ROC-кривая �(англ. receiver operating characteristic, операционная характеристика приёмника)�

• Строится в том случае, когда предсказание основано на вычислении числа, например, нормализованного веса находки профиля
• Предсказание должно быть проверено на данных с ИЗВЕСТНЫМ ОТВЕТОМ.
• Каждая точка кривой – характеристики правила, соответствующего некоторому порогу t.
• Может быть использована для выбора порога t.
• Также используют для сравнения разных правил предсказания (площадь под кривой)

78

Пример сравнения

79

ROC-кривые трёх методов предсказания эпитопов

Пример: Paired-like homeodomain family

80

N-score> 6.5

N-score> 18

Гомеодомен

Гомеодомен встречается еще в 608 архитектурах

Упорядочив веса по убыванию, видим сначала плавное снижение, а затем резкое падение. Вероятно, порог для детекции этого подсемейства гомеодоменов стоит выбрать примерно посредине «ступеньки».

Порог?

Создание интегрированной базы данных InterPro �

PROSITE

​

PFAM

PRINTS

InterPro

entries

​

​

IPR000001-

​

IPR011000

Интегрирование

родственных подписей «вручную»

ProDom

SMART

TIGRFAMs

PIRSF

SUPERFAMILY

InterPro- an integrated resource of protein families, domains and functional sites.

Entry types in InterPro

• Family - group of evolutionarily related proteins, that share one or more domains/repeats in common.
• Domain -independent structural unit which can be found alone or in conjunction with other domains or repeats.
• Repeat -region occurring more than once that is not expected to fold into a globular domain on its own.
• PTM (post-translational modification) -The sequence motif is defined by the molecular recognition of this region in a cell.
• Active site -catalytic pockets of enzymes where the catalytic residues are known.
• Binding site –binds compounds but is not necessarily involved in catalysis.

Белковые домены

86

Домен белка — элемент третичной структуры белка, представляющий собой достаточно стабильную и независимую подструктуру белка, которая сворачивается независимо от остальных частей белка.

https://www.ebi.ac.uk/interpro/

Скрытые Марковские цепи (Hidden Markov Models, HMM)

87

88

… на самом деле HMM выравнивания выглядит так

89

Предсказание доменов в белке

91

Последовательность белка

HMMER

Pfam – protein families DB

GenBank format (NCBI)

• E.coli (100 kb region)
• https://www.ncbi.nlm.nih.gov/nuccore/NC_000913.3?report=genbank&to=100000
• Human (100 kb region of chr1):
• https://www.ncbi.nlm.nih.gov/nuccore/NC_000001.11?report=genbank&to=100000

​

92