Вероятностная оценка влияния состава пентапептида на его устойчивость

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Изучается влияние расположения аминокислотных остатков в пентапептиде на его устойчивость. Cтроится прогноз устойчивости пентапептида с помощью метода градиентного бустинга, позволяющего оценить влияние каждого признака на стабильность пентапептида. Выявлены комбинации расположения аминокислот в пентапептиде, вносящие существенный вклад в его стабильность. Показано, что использование таких комбинаций позволяет сократить количество данных, необходимых для получения достоверного прогноза стабильности пентапептида.

Об авторах

А. И Михальский

Институт проблем управления им. В.А. Трапезникова РАН

Email: ipuran@yandex.ru
Москва

Ж. А. Новосельцева

Институт проблем управления им. В.А. Трапезникова РАН

Email: novoselc.janna@yandex.ru
Москва

А. А Анашкина

Институт молекулярной биологии им. В.А. Энгельгардта РАН

Email: a_anastasya@inbox.ru
Москва

А. Н. Некрасов

Институт биоорганической химии им. академиков М.М. Шемякина и Ю.А. Овчинникова РАН

Автор, ответственный за переписку.
Email: a_nnekrasov@mail.ru
Москва

Список литературы

  1. Senior A.W., Evans R., Jumper J. et al. Improved protein structure prediction using potentials from deep learning // Nature. 2020. V. 577. P. 706-710.
  2. Pereira J., Simpkin A.J., Hartmann M.D. et al. High accuracy protein structure prediction in CASP14 // Proteins Structure Function and Bioinformatics. 2021. V. 89. No. 12. P. 1687-1699. https://doi.org/10.1002/prot.26171
  3. Nekrasov A.N., Kozmin Yu.P., Kozyrev S.V. et al. Hierarchical structure of protein sequence // Int. J. Mol. Sci. 2021. V. 22. No. 15. 8339. https://doi.org/10.3390/ijms22158339
  4. Anashkina A.A., Nekrasov A.N., Alekseeva L.G. et al. A minimum set of stable blocks for rational design of polypeptide chains // Biochimie. 2019. V. 160. P. 88-92.
  5. Ke G., Meng Q., Finley T., Wang T. et al. A Highly Efficient Gradient Boosting Decision Tree // Proc. 31st Conference on Neural Information Processing Systems (NIPS). Long Beach. 2017. P. 3149-3157.
  6. Bergstra J., Yamins D., Cox D.D. Making a Science of Model Search: Hyperparameter Optimization in Hundreds of Dimensions for Vision Architectures // Proc. of the 30th International Conference on Machine Learning (ICML). 2013. P. 115-123.
  7. Lundberg S.M., Lee S.I. A unified approach to interpreting model predictions // Proc. 31st Conference on Neural Information Processing Systems (NIPS). Long Beach. 2017. P. 4765-4774.
  8. Mikhalskii A.I., Petrov I.V., Tsurko V.V., Anashkina A.A. et al. Application of mutual information estimation for prediction the structural stability of pentapeptides // Rus. J. Numer. Anal. Math. Model. 2020. V. 35. No. 5. P. 263-271.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023