PATH - Prediction of Amyloidogenicity by Threading and Machine Learning.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Amiloidler, örneğin Alzheimer ve Parkinson hastalıklarında çeşitli hastalıklarda gözlenen protein agregalarıdır. Bir agrega, sıkıca paketlenmiş bir çekirdeğe sahip çok düzenli bir beta yapısına sahiptir, bu da kendiliğinden sterik bir fermuar formu varsayar. Deneysel yöntemler, bu tür peptidlerin incelenmesini sağlar, ancak sıkıcı ve maliyetlidir, bu nedenle genom çapında çalışmalar için uygun değildir. Bir amiloid oluşturmak için protein eğilimini değerlendirmek için çeşitli biyoinformatik yöntemler önerilmiştir. Bununla birlikte, toplam yapıların bilgisi genellikle dikkate alınmaz. PATH'ı (THreading tarafından Amiloidogenisite Öngörü) önermekteyiz - amiloidojenikliği tahmin etmek için yeni bir yapıya dayalı yöntem ve amiloidojenik parçaların mevcut yapılarını içeren sınıflandırma performansını artırdığını göstermektedir. Deneysel agrega yapıları, bir sorgu peptidinin en kararlı temsili yapısal sınıfını tanımak için şablon tabanlı modellemede kullanıldı. Daha sonra yapısal modellerde enerji terimlerini kullanarak çeşitli makine öğrenme yöntemleri uygulandı. Son olarak, amiloidojenik peptidlerin sınıflandırılmasında en önemli terimleri belirledik. Önerilen yöntem, amiloidojenikliği tahmin etmek için mevcut yöntemlerin çoğunu, ROC eğrisi altındaki alanı 0,876'ya eşittir. Ayrıca, yöntem seçilmiş yapısal özelliklerin önemi ve kristalleşmeye maruz kaldığında bir peptid parçasının potansiyel olarak en kararlı yapısal sınıfı hakkında fikir verdi.

Özgün kaynak özetini okuyun

Amyloids are protein aggregates observed in several diseases, for example in Alzheimer's and Parkinson's diseases. An aggregate has a very regular beta structure with a tightly packed core, which spontaneously assumes a steric zipper form. Experimental methods enable studying such peptides, however they are tedious and costly, therefore inappropriate for genomewide studies. Several bioinformatic methods have been proposed to evaluate protein propensity to form an amyloid. However, the knowledge of aggregate structures is usually not taken into account. We propose PATH (Prediction of Amyloidogenicity by THreading) - a novel structure-based method for predicting amyloidogenicity and show that involving available structures of amyloidogenic fragments enhances classification performance. Experimental aggregate structures were used in templatebased modeling to recognize the most stable representative structural class of a query peptide. Several machine learning methods were then applied on the structural models, using their energy terms. Finally, we identified the most important terms in classification of amyloidogenic peptides. The proposed method outperforms most of the currently available methods for predicting amyloidogenicity, with its area under ROC curve equal to 0.876. Furthermore, the method gave insight into significance of selected structural features and the potentially most stable structural class of a peptide fragment if subjected to crystallization.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.