New methods for the prediction and classification of protein domains [Elektronische Ressource] / Jan Erik Gewehr

Jan Erik Gewehr

Sujets

• Biologie

Informations

• Publié par: ludwig-maximilians-universitat_munchen
• Publié le: 01 janvier 2007
• Nombre de lectures: 14
• Langue: English
• Poids de l'ouvrage: 1 Mo

Extrait

New Methods for the Prediction and
Classiflcation of Protein Domains
Jan Erik Gewehr
Munchen˜ 2007New Methods for the Prediction and
Classiflcation of Protein Domains
Jan Erik Gewehr
Dissertation
an der Fakult˜at fur˜ Mathematik und Informatik
der Ludwig{Maximilians{Universit˜at
Munc˜ hen
vorgelegt von
Jan Erik Gewehr
aus Lub˜ eck
Munc˜ hen, den 01.10.2007Erstgutachter: Prof. Dr. Ralf Zimmer
Zweitgutachter: Prof. Dr. Dmitrij Frishman
Tag der mundlic˜ hen Prufung:˜ 19.12.2007Contents
1 Motivation and Overview 1
1.1 The Beneflt of Protein Structure Prediction . . . . . . . . . . . . . . . . . 1
1.2 Thesis Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Introduction to Protein Structure Prediction 7
2.1 Protein Structures and Related Databases . . . . . . . . . . . . . . . . . . 7
2.1.1 From Primary to Tertiary Structure . . . . . . . . . . . . . . . . . . 7
2.1.2 Structure-Related Databases . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Assignment of Protein Domains . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 An Old Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 Comparison of Domain Assignments . . . . . . . . . . . . . . . . . 11
2.3 Structure Prediction Categories . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1 Comparative Modeling . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.2 Fold Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.3 Ab Initio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Community-Wide Efiorts . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.1 Community-Wide Experiments . . . . . . . . . . . . . . . . . . . . 15
2.4.2 Structural Genomics and Structure Prediction . . . . . . . . . . . . 16
2.5 Alignment Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.1 Sequence Alignment . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.2 Alignment Methods used in this Work . . . . . . . . . . . . . . . . 19
3 Selection of Fold Classes based on Secondary Structure Elements 23
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Material . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.1 Training and Test Data . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.2 Quoted Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3 Preselection of Fold Classes . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1 Secondary Structure Element Alignment (SSEA) . . . . . . . . . . 28
3.3.2 Selection Strategies based on SSEA . . . . . . . . . . . . . . . . . . 29
3.4 Reflnement with Proflle-Proflle Alignment . . . . . . . . . . . . . . . . . . 31
3.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5.1 Preselection Performance on ASTRAL25 . . . . . . . . . . . . . . . 32vi CONTENTS
3.5.2 Fold Recognition Accuracy . . . . . . . . . . . . . . . . . . . . . . . 33
3.5.3 Speed-Up Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 AutoSCOP: Unique Mapping of Patterns to SCOP 37
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 Material . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1 InterPro and its Member Databases . . . . . . . . . . . . . . . . . . 40
4.2.2 ASTRAL Asteroids and Family HMMs . . . . . . . . . . . . . . . . 41
4.2.3 Training Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2.4 Test Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 The AutoSCOP Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.2 Unique Patterns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.3 Extension: Pattern Combinations . . . . . . . . . . . . . . . . . . . 44
⁄4.3.4 AutoSCOP : Inclusion of Further Data Sources . . . . . . . . . . . 45
4.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.1 Mapping of Training Domains . . . . . . . . . . . . . . . . . . . . . 45
4.4.2 Prediction of SCOP 1.67 Domains . . . . . . . . . . . . . . . . . . . 47
4.4.3 Comparison of InterPro Entries and AutoSCOP Mappings . . . . . 51
4.4.4 Fold Prediction of CAFASP4 Targets . . . . . . . . . . . . . . . . . 52
4.4.5 Performance in the Sequence Twilight Zone . . . . . . . . . . . . . 54
⁄4.4.6 Using AutoSCOP as a Filter . . . . . . . . . . . . . . . . . . . . . 54
4.5 AutoPSI DB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.5.1 AutoPSI Database Content and Methods . . . . . . . . . . . . . . . 55
4.5.2 Towards Large-Scale Protein Domain Prediction . . . . . . . . . . . 59
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5 SSEP-Domain: Template-Based Protein Domain Prediction 65
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2 The Domain Prediction Pipeline . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2.1 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2.2 Step 1: Finding Potential Domain Boundaries . . . . . . . . . . . . 69
5.2.3 Step 2: Scoring of Domain Regions . . . . . . . . . . . . . . . . . . 72
5.2.4 Step 3: Combining Multiple Domain Regions . . . . . . . . . . . . . 75
5.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.3.1 CAFASP 4 and CASP 6 Results . . . . . . . . . . . . . . . . . . . . 76
5.3.2 Current Version under CAFASP Conditions . . . . . . . . . . . . . 77
5.3.3 Evaluation of InterPro and Combination with AutoSCOP. . . . . . 86
5.3.4 SSEP-Align: An Extension towards Structure Prediction . . . . . . 87
5.3.5 Other Possible Extensions . . . . . . . . . . . . . . . . . . . . . . . 89
5.4 Two Years After: CASP 7 and its Lessons . . . . . . . . . . . . . . . . . . 90
5.4.1 Analysis of 7 Results . . . . . . . . . . . . . . . . . . . . . . 90CONTENTS vii
5.4.2 Using Alternative Deflnitions for SCOP Domains . . . . . . . . . . 91
5.4.3 Discontinuous Domains . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.5 Independent Applications and Evaluations . . . . . . . . . . . . . . . . . . 95
5.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6 Environment-Speciflc Alignment Computation and Scoring 99
6.1 The QUASAR Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.1.1 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.1.2 Use Cases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.2 Optimized Score Combinations . . . . . . . . . . . . . . . . . . . . . . . . 103
6.2.1 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.2.2 Generation of Linear Combinations . . . . . . . . . . . . . . . . . . 105
6.2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.3 Optimized Matrices for Alignment Ranking . . . . . . . . . . . . . . . . . . 108
6.3.1 Comparison Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.3.2 Range-Adaptive Genetic Algorithm . . . . . . . . . . . . . . . . . . 109
6.3.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.4 Optimized Proflle-Proflle Alignments . . . . . . . . . . . . . . . . . . . . . 112
6.4.1 Training and Test Data . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.4.2 Modifled Genetic Algorithm . . . . . . . . . . . . . . . . . . . . . . 113
6.4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
6.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7 Additional Tools 117
7.1 Vorolign: Structural Alignment and SCOP Classiflcation Prediction . . . . 117
7.2 Representation of Protein Information in ProML . . . . . . . . . . . . . . . 119
7.3 BioWeka: Extending the Weka Framework for Bioinformatics . . . . . . . . 121
7.3.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.3.2 The Weka Framework . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.3.3 The BioWeka Library . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7.3.4 Example Applications . . . . . . . . . . . . . . . . . . . . . . . . . 126
7.3.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
8 Concluding Remarks 129
Acknowledgements 146viii CONTENTSList of Figures
1.1 Introduction: Thesis Overview . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1 Background: Homology-based Protein Structure Prediction . . . . . . . . . 14
3.1 Preselection: Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Preselection Performance . . . . . . . . . . . . . . . . . . . . 30
3.3 Fold Recognition Accuracy on Three Evaluation Sets. . . . . 35
4.1 AutoSCOP: Pattern-Class Graph. . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Pattern Combinations. . . . . . . . . . . . . . . . . . . . . . . 43
4.3 Screenshot of the AutoPSI Database. . . . . . . . . . . . . . . 56
4.4 AutoSCOP: