Krooninen sairaus

tiivistelmä

Huomattava osa proteiini-proteiini vuorovaikutusten (PPI) solussa arvioidaan välittyvän hyvin lyhyt peptidisegmenttien että noin mukaisia ​​erityisiä sekvenssikuviot tunnetaan lineaarinen motiiveja (LMS), usein läsnä huonokuntoinen alueilla eukaryoottisten proteiinien. Näitä peptidejä on löydetty vuorovaikutuksessa alhainen affiniteetti ja pystyvät sitoutuvat useita interactors, ovat siten tärkeä rooli PPI verkoissa, joissa päivämäärä solmukohdat. Tässä työssä, PPI tiedot ja de novo motiivi tunnistaminen perustuva menetelmä (MEME) käytettiin tunnistamaan sellaisten peptidien kolmessa syöpään liittyvän hub proteiinit-MYC, APC ja MDM2. Peptidit vastaavat merkittäviä työmarkkinapolitiikan tunnistetaan kunkin navan proteiinin linjassa, limittyvät alueet poikki näiden peptidien ollessa kutsutaan päällekkäiset lineaariset peptidit (OLPs). Nämä OLPs olivat ennustetaan siten vastuussa useiden PPI-lääkkeitä vastaavan navan proteiineja ja pisteytysjärjestelmä kehitettiin asettaa ne. Me ennusti kuusi OLPs vuonna MYC ja viisi OLPs in MDM2 että korkeampi pistemäärä OLP ennustuksia satunnaisesti proteiinia sarjaa. Kaksi OLP sekvenssit C-terminaalin MYC ennustettiin sitoutuvan FBXW7, osa E3-ubikitiinipromoottori-proteiini-ligaasia kompleksi osallistuu proteasomaalisten hajoamista MYC. Samoin tunnistimme peptidien C-terminaalin MDM2 vuorovaikutuksessa FKBP3, joka on erityinen tehtävä automaattinen ubiquitinylation MDM2. Peptidisekvenssit ennustettu MYC ja MDM2 näyttävät lupaavilta suunnittelussa ortosteeriseen estäjiä vastaan ​​mahdollisia sairauteen liittyvää PPI-lääkkeitä. Koska nämä OLPs voi olla vuorovaikutuksessa muiden proteiinien samoin, nämä inhibiittorit tulisi nimenomaan kohdennettuja Interactor estää ei-toivottujen sivuvaikutusten. Tämä laskennallinen kehys on suunniteltu ennustamaan ja sijoitus peptidin alueita, jotka voivat välittää useita PPI-lääkkeiden ja voidaan soveltaa muihin sairauteen liittyvän tasalla napa proteiineja ennustamiseksi uusia terapeuttisia kohteita pienimolekyylisiä PPI modulaattorit.

Citation: Sarkar D, Patra P, Ghosh A Saha S (2016) Computational Framework for ennustaminen peptidisekvenssien Tämä saattaa välittää Useita Protein Interactions in Cancer-Associated Hub proteiinit. PLoS ONE 11 (5): e0155911. doi: 10,1371 /journal.pone.0155911

Editor: Julio Vera, University of Erlangen-Nürnberg, Saksa

vastaanotettu: 18 syyskuu 2015; Hyväksytty: 08 toukokuu 2016; Julkaistu: 24. toukokuuta 2016

Copyright: © 2016 Sarkar et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Data Saatavuus: Kaikki asiaankuuluvat tiedot ovat paperi- ja sen tukeminen Tietopaketti.

Rahoitus: tuettiin laitos Biotechnology- Ramalingaswami Paluuajat Fellowship (nro BT /RLF /Re-entry /11/2011) SS .

kilpailevat edut: kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

on ollut asteittainen siirtyminen painopiste syöpätutkimuksessa tutkimuksesta yksittäisten proteiinien että edgetic häiriöiden erittäin kytketty solmujen (proteiineja) solunsisäisessä signalointi verkot, tunnetaan napa solmuja, joita pidetään olennaisina ylläpitämiseksi verkkorakenteen [1-3]. Solmukohdat että suoraan vuorovaikutuksessa suurin osa tai kaikki niiden kumppanit samanaikaisesti kutsutaan ”osapuolen” navat (multi-interface navat), kun taas ne, jotka sitoutuvat eri kumppaneiden eri aikoina tai paikkoihin kutsutaan ”date” navat (Singlish-rajapinta navat) [ ,,,0],4]. Yhä useammat proteiini-proteiini vuorovaikutusten (PPI) ovat nyt tiedetään välittyvän lyhyitä lineaarisia peptidejä, joissa pallomainen proteiini tai toimialueen sitoutuu lyhyt peptidi segmenttien useamman partnerin, sijaitsevat yleensä luonnostaan ​​huonokuntoinen alueilla [5,6]. Tällaiset peptidit voivat joskus olla läsnä tilasi segmenteillä myös, esim. p53-peptidi, joka sitoutuu MDM2 esiintyy tilannut kierteiset alueella [7]. Nämä peptidi segmentit voivat esiintyä eri alueilla vuorovaikutuksessa proteiinien, mutta sekvenssianalyysi paljastaa usein taustalla yksimielisyys kuvio tai lineaarinen motiivi (LM), joka tallentaa keskeiset piirteiden uusi alueiden [8]. Pienet peptidit ovat osoittautuneet jäljitellä proteiini-proteiini-vuorovaikutuksia ja ne saattavat siten olla käyttökelpoisia talteen vuorovaikutuksessa kumppaneiden kokeellisissa menettelyissä, kuten affiniteettipuhdistuksessa [9]. Ohimenevä ja matalan affiniteetin PPI-lääkkeet välittämä näitä lyhyitä, joustava peptidisegmenttien auttaa monia päivämäärä napa proteiineja käyttää samoja sovelluksia sitoutumisesta useita interactors eri aikaan tai paikoissa [10,11]. Lisäksi mutaatiot niin peptidisekvenssejä signaloinnin navan pitoisuudet voivat vaikuttaa koko PPI verkkojen ja signa- [12]. Viimeaikaiset tutkimukset ovat osoittaneet, että pienet kemialliset estäjät voivat kohdistaa PPI-lääkkeitä, mukaan lukien ne, välittämä lyhyitä peptidejä, ja ne voivat toimia uusia terapeuttisia aineita vastaan ​​monimutkainen sairauksia kuten syöpää [13]. Siksi tunnistaminen niin lyhyitä peptidejä, jotka voivat välittää useita proteiini vuorovaikutuksen olennainen syöpään liittyvien napa proteiinit voivat auttaa kohdentamisessa peptidin välittämän PPI-lääkkeet terapeuttiseen interventioon rakenteellisesti vastaavat.

Tavoitteena tässä tutkimuksessa on kehittää laskennallinen puitteet ennustamiseen peptidisekvenssejä syöpään liittyvien napa proteiinit (CPS), joka voi sitoutua useita interactors käyttäen kokeellisesti todistettu PPI aineistoja ja verkko perustuva lähestymistapa. Proteiinissa vuorovaikutuksessa verkon, jossa solmut edustavat proteiineja ja reunat niiden keskinäinen vuorovaikutus, useimmat solmut eivät ole kytketty suoraan toisiinsa, mutta kaikki solmut pääsee muita verkon solmu kautta pieni määrä humalaa tai reunoja. Ensimmäinen hop proteiini interactors tai FHPIs (keltainen suorakaiteen merkitty P1, P2 … P5 kuviossa 1) ovat niitä suoraan kytketty CP (vaaleanpunainen soikea keskeinen solmu) reunojen (mustat nuolet). Toisessa hop-proteiini interactors tai SHPIs ovat ne, jotka on liitetty CP kautta FHPIs (vihreä Lavan lähentäjälihakset so. P1-1, P1-2 P1-3 kautta P1, P2-1, P2-2 P2 3 kautta P2 jne kuvassa 1) [14]. Olemme valinneet kolme tunnettua syöpään liittyvien ihmisen napa proteiineja eli. MYC, APC ja MDM2, kukin tiedetään liittyvän suuren määrän FHPIs ja suhteellisesti suurempi määrä SHPIs. Vuorovaikutus verkot Näiden kolmen proteiinin rekonstruoitiin ylös toiseen hop tason keräämällä luettelo FHPIs vuorovaikutuksessa kunkin CP, jota seuraa luettelo SHPIs vuorovaikutuksessa kunkin FHPIs.

P1-1 , P1-2 P1-3 ovat interaktoreita P1 (toinen Hop Protein interactors tai SHPIs CP), P2-1, P2-2 P2-3 ovat interaktoreita P2 ja niin edelleen. Red-rajat on käytetty merkitsemään onkoproteiineja. Sekvenssianalyysi (käyttäen MEME for de novo motiivi tunnistus) Kaikkien interactors tietyn FHPI (esim CP, P1-1, P1-2 ja P1-3 P1) voi paljastaa joitakin yhteisiä sekvenssikuviot (esim M1 m2 joukossa interaktoreita P1, m1, m2, m3 m4 keskuudessa interaktoreita P2 jne). Kohdistus peptidisekvenssejä CP vastaavat kaikki tällaiset kuviot (p1 päässä m1, p2 välille m2 jne), voidaan sitten tunnistaa yhteisen peptidi (OLP) päässä päällekkäisen sekvenssin asemissa. Tämä OLP voi olla avainasemassa välittämisessä vuorovaikutusta useiden FHPIs ja siksi auttaa suunniteltaessa ortosteeriseen estäjiä, jotka voidaan kohdistaa estämään CP-FHPI vuorovaikutusta tekemällä spesifinen sitoutumiskohta CP tietyllä FHPI (esim P1 ).

MEME (Multiple Em for motiivi Elisitointi) [15,16] on erittäin suosittu ja laajalti käytetty työkalu etsii aukottomaksi sekvenssikuviot toistuva poikki joukko FASTA sekvenssit. Aminohappo sekvenssit kaikki interactors olevan FHPI (eli SHPIs sekä CP itse), toimitettiin Memé tunnistamiseksi yliedustettuna sekvenssin kaavoja (LMS) läsnä kaikki tai suurin osa näiden proteiinien, jotka voi välittää vuorovaikutusta FHPI. Oletimme, että koska FHPI on yhteinen interaktoreiden varten joukon vastaavan SHPIs ja CP, jotkut näistä sekvenssit voivat jakaa motiivi ilmaiseva peptidi alueiden kanssa vuorovaikutuksessa FHPI. Meme analyysi motiivin tunnistamista toistettiin jokaiselle FHPI on CP itsenäisesti kokoamaan luettelo motiiveja, joista kukin oli ennustettu vuorovaikutuksessa tietyn FHPI on CP. Sen jälkeen kootaan luettelo FHPI-specific MEME-ennustetut motiivit, olemme keskittyneet peptidisegmenttien CP, jotka vastaavat näitä kuvioita MEME tuloksiin. Tavoitteena on yhdenmukaistaa näitä peptidejä ja paljastaa päällekkäisen sekvenssin asemat joukossa, joita voidaan ennustaa, kun peptidi rajapintoja, jotka voivat vuorovaikutuksessa useita FHPIs [17,18]. Nämä päällekkäisyyksiä on merkitty vastedes kuin Päällekkäiset lineaarisia peptidejä tai OLPs.

Ehdotettu työnkulku on pyrkimys tarjota karkeaa ennustaminen alueiden Singlish-liitännän navat, jotka voivat välittää useita protonipumpun estäjiä, käyttämällä olemassa olevia in- silico menetelmiä motiivi selvittäminen, mikä helpottaa entisestään kokeellisiin tutkimuksiin niitä. MEME valittiin motiivin tunnistamista vaihe, koska se ei säädä evoluution suhteita, (toisin kuin DILIMOT [19], SLiMDisc [20], SLiMFinder [21] ja QSLiMFinder [22]) vuoksi osuus sekvenssikuviot vastaavien protonipumpun kehityshistoriallisesti proteiinit [23]. Pisteytysjärjestelmää myös muotoiltu sijoittua ennustetun OLPs mukaan uusi metrinen nimetty OLP pisteet, normalisoitu kaikkien kolmen CP vertaamalla mediaanin OLP Pisteet satunnaisesti sarjaa proteiinisekvenssien. Validointi ehdotettu työnkulun, me toisti menettelyn kanssa vuorovaikutusverkosto ihmisen GASP2, johon kuuluu vähintään kolme kokeellisesti todistettu esimerkkiä yksittäisen peptidin välittävä useita PPI-lääkkeet [24]. Olemme myös pyritty arvioimaan ennustettu OLP välittämää FHPI vuorovaikutukset läpi PepSite2 [25] web-palvelin, joka ennusti, että useat OLPs peräisin MYC ja MDM2 voi sitoa useisiin FHPIs. Lisäksi olemme suorittaneet BLAST haun ennustetut OLP sekvenssit löytää vastaavia peptidisekvenssejä ihmisen proteiineja ei esiinny SHPI verkoissa käytetty Tutkimuksessamme jotta ennustaminen novel protonipumpun estäjien.

Materiaalit ja menetelmät

Yleiskuva ehdotetusta työnkulun

ensimmäinen tehtävä on luoda uudelleen PPI verkosto navan proteiinin (CP) ylös toiseen hop tasolla luettelon laatiminen proteiinien tiedetään olevan vuorovaikutuksessa CP ( FHPI verkko), ja sitten proteiinien kanssa vuorovaikutuksessa kunkin FHPIs (SHPI verkko). Kuviossa 1, solmujen FHPI verkossa on esitetty keltaisena suorakulmioita ja solmut SHPI verkon vihreänä Lavan lähentäjälihakset. Seuraavassa vaiheessa, interactors kunkin FHPI (mukaan lukien CP) skannattiin yhteiskäytössä sekvenssin kuvioita MEME. Esimerkiksi Oletetaan proteiinin P1 tiedetään suoraan vuorovaikutuksessa CP, näin ollen FHPI CP. P1 tunnetaan myös vuorovaikutuksessa kolmen muiden proteiinien P1-1, P1-2 P1-3, joka olisi SHPIs CP. Sekvenssit CP, P1-1, P1-2 ja P1-3 toimitetaan yhdessä meme löytää yhteinen sekvenssikuviot kesken ja kaksi tällaista kuvioita m1 ja m2 on havaittu. Tässä olemme arveltu, että koska neljä proteiinit on yhteinen Interactor (ts P1), motiivit yhteinen niitä voivat välittää niiden vuorovaikutus P1. Sama prosessi toistetaan P2, seuraava FHPI, ja MEME analyysi sen interactors eli CP, P2-1, P2-2 ja P2-3, osoittaa jaetun sekvenssi kuviot m1, m3, m4 ja m5. Näin ollen nämä motiivit voidaan ennustaa välittävän vuorovaikutus P2. Myös muut kuviot ennustetaan kunkin jäljellä FHPIs, P3, P4 ja P5. Peptidijaksot CP, jotka vastaavat kuviot (esimerkiksi P1 vastaa M1 p2 m2 ym) verrataan sitten nähdä, jos jotkut heistä päällekkäisiä. Jos tällaisia ​​päällekkäisyyksiä löytyy, niin nämä päällekkäiset positiot voidaan arveltu välittävän yhteisvaikutuksia useiden FHPIs (esim P1 voidaan ennustaa vuorovaikutuksessa P1, P2 ja P3).

Proteiini-proteiini vuorovaikutus Dataset

kolme syöpään liittyvän navan proteins- MYC, APC ja MDM2, käytettiin tutkimuksessa tunnistamiseksi LMS ja havaittiin liittyvän 721, 95, 177 FHPIs ja 4850, 1000, 3047 SHPIs vastaavasti, mukaan ehjä tietokanta [26] (taulukko A S1 File). Vain kokeellisesti todistettu ihmisen proteiini-proteiini-vuorovaikutuksia tutkittiin tässä tutkimuksessa.

aminohapposekvenssit proteiinien

aminohapposekvenssit CPS (MYC, APC: n ja MDM2) ja toinen SHPIs olivat uutetaan UniProt tietokannasta [27] ja FASTA-muodossa.

Motif tunnistaminen

proteiinin sekvenssit suoraan interactors kunkin FHPI eli CP ja muut SHPIs, (esim CP, P1-1 , P1-2 ja P1-3 P1), käytettiin de novo motiivi tunnistus MEME. E-arvo MEME lähtö käytettiin päätellä tilastollisen merkityksen kunkin raportoitu sekvenssikuviot tai LMS taas, p-arvo käytettiin laajuuden määrittämiseksi sovitus yksittäisen peptidin tapauksia vastaaviin LM. Tilastollisesti merkitsevä (E-arvo 1,0) motiiveja havaittiin CP sekä muut SHPIs, valittiin lisäanalyysiä. FHPIs 5-20 interactors vasta käytettiin tässä tutkimuksessa, koska korottamiseen sekvenssin vaihtelun useille interactors, on vaikea tunnistaa konservoituneiden alueiden joukossa käyttämällä de novo motiivi tunnistaminen. E-arvo cut-off 1,00 valittiin suuremman herkkyyden kustannuksella alemman spesifisyys [28]. Itsenäinen versio MEME käytettiin parametrien asetettu ”zoops” (nolla tai yksi per sekvenssi) jakeluun motiivien, 6 vähimmäis- ja 50 kuin suurin motiivi leveys ja 10 kuin enimmäismäärä motiiveja raportoidaan.

Multiple Sequence Alignment of motifs

peptidisekvenssejä CP vastaa merkittävää motiiveja tunnistettiin useista MEME ajot rinnakkain käyttämällä Clustal Omega [29], jota seurasi manuaalinen tulkinta rinnastuksia löytää mahdollisten päällekkäisyyksien niiden joukossa, mikä vähentää todennäköisyyttä raportoinnin vääriä positiivisia.

OLP Pisteet

lyhyen Päällekkäin peptidisekvenssejä yksilöity kunkin CPS (MYC, APC ja MDM2) rankattiin mukaan OLP pisteet

havaittujen lasketaan:

Missä KMO ja TFP edustavat useita FHPIs vuorovaikutuksessa kanssa OLP ja kokonaismäärä FHPIs on CP vastaavasti, kun taas HM merkitsee Harmonic Mean p-arvot ilmoitetaan by MEME kaikille kauemmin peptidit, joilla on OLP.

Generation OLP pisteiden satunnainen PPI verkkojen

Kaksikymmentäviisi houkutuslintuna proteiini vuorovaikutuksen verkostoja syntyy ryhmittelemällä satunnaislukua proteiinisekvenssien valittu sattumanvaraisesti tietoaineisto käsittää n FASTA sekvenssien koko ihmisen proteomiin asettaa UniProt [27]. OLP tulokset tuotettiin näitä 25 sarjaa niitä käsitellään 25 FHPI verkot ja jakelua nämä tulokset esitettiin graafisesti käyttäen R skriptejä. Tämä menettely toistettiin neljä kertaa, luodaan 25 X 4 = 100 decoy FHPI verkkoja, ja neljä erikseen piirretty jakaumat osoitti mediaaniarvot 15,42, 20,03, 17,4 ja 18,25 vastaavasti (kuvio A (i), (ii), (iii) (iv) S1 File). Keskiarvoa mediaaniarvojen neljästä jakaumia oli 17,78 keskihajonnalla 1,91. Siksi oletimme OLP pisteet

satunnainen = 17,78. OLP pisteet

havaittu normalisoitiin jakamalla kanssa OLP pisteet

satunnainen antaa OLP pisteet

normalisoitu:

Validation käyttämällä useita ortogonaalisia lähestymistapoja

i) Rakenteelliset bioinformatiikan.

PepSite2 [25] palvelinta käytettiin analysoida välistä vuorovaikutusta kunkin OLPs vastaavaan FHPIs. Pepsite2 ennustaa sitoutumiskohta peptidien proteiinin pinnoille käyttäen kolmiulotteisen sijainnin erityisiä pisteytys matriisit (S-PSSMs) lasketaan tunnettujen 3D-rakenteita proteiini-peptidi-kompleksien, jotka ovat peräisin ATE. Käyttäjien on annettava kyselyn peptidisekvenssi tavanomaisella yhden kirjaimen aminohappo- koodeja, sekä peptidin rakenne sitovan proteiinin ATE muodossa. Koska rakenteet joidenkin FHPIs käytettiin tässä tutkimuksessa ei ollut saatavilla PDB-tietokannasta, niiden mallintaa rakenteet saatiin joko ModBase [30] (jos käytettävissä), tai mallintaa SWISS-MODEL [31] homologia-mallinnus palvelimeen. Yksityiskohdat PDB rakenteiden valittu malleja mallintamiseen FHPI rakenteita esitetty taulukossa E S1 File.

ii) Toiminnallinen ryhmittymän analysoi.

Geeni ontologian rikastamiseen ja koulutusjakson analyysit (Reactome ja Kegg ) CP ja FHPIs vuorovaikutuksessa kaikista tunnistetuista OLPs tehtiin käyttäen ClueGO [32] plug-in of Cytoscape (k-arvo asetetaan 0,3) ja FuncAssociate 2 [33].

iii) Muut analyysit.

Disordered alueella CP etsittiin DisProt [34], IUpred [35] ja ESpritz [36] ja sijainnit tunnistaa OLPs kartoitettiin vastaavasti. Lisäksi proteiinin sekvenssit CP (MYC, APC ja MDM2) skannattiin käyttäen ELM [37] resurssi ja etsitään LMPID [38] tietokantaan, etsiä jo raportoitu lineaarinen motiivi instanssien samoja kuin yksilöityjen tutkimus. Pinta saavutettavuus OLP sekvenssit varmistettiin toimittamalla CP sekvenssit raapia ennustus palvelimelle [39].

iv) validointi ehdotetun työnkulun käyttäen tunnettuja esimerkki peptidin välittävien useiden tuottajahintaindeksejä.

GASP2_HUMAN (Q96D09) oletettiin olevan CP: n ja kolmen ihmisen proteins- ADRB1, ACM1 ja CALCR, tiedetään sitoutuvan samaan peptidin GASP2, oletettiin olevan FHPIs, tässä tutkimuksessa. Ihmisen proteiinit vuorovaikutuksessa keskenään näistä kolmesta FHPIs noteerattiin päässä ehjä tietokannasta [26], jotka muodostavat SHPI sarjaa. FastA-sekvenssit SHPIs kunkin FHPI jätettiin meme yhdessä sekvenssin CP (eli GASP2_HUMAN). Merkittävä motiiveja ilmoittamat MEME tarkastettiin peptidejä GASP2 ja kaikki tällaiset peptidit linjattu etsimään päällekkäiset positiot.

BLAST homologiahaku ennustettu OLPs

OLP sekvenssit etsittiin ihmisen proteiinisekvenssejä SwissP- tietokantaan proteiinia BLAST, tunnistaa mahdollisia järjestyksessä ottelut, jotka voivat osoittaa mahdolliset vuorovaikutukset näiden proteiinien ja vastaavien FHPIs.

tulokset

OLPs löytyy MYC proteiinia

MYC (439 aa) on monitoiminen transkriptiotekijä ja tärkeä signalointi napa. Mutatoitunut muoto, c-MYC esiintyy monissa ihmisen syövissä, mukaan lukien keuhkosyöpä, rintasyöpä, kohdunkaulan syöpä, munasarjasyöpä ja paksusuolen ja peräsuolen syövän, jossa Myc ilmentyy [40,41]. Vuonna MEME kulkee vain 292 FHPIs kanssa asteen välillä 5-20 (kuvio B S1 File) käytettiin, ja 34 huomattavia motiiveja raportoitu MYC mukaan MEME lähdöt (taulukko B S1 File), josta 8 OLPs havaittiin, kuten kuviossa 2 (A) ja taulukossa 1. normalisoitu OLP tulokset 6 ulos 8 OLPs olivat suurempia kuin 1 (merkitty näiden tulokset olivat paremmat kuin OLP pistemäärät satunnainen PPI verkot). Esimerkiksi C-terminaalista OLPs MYC,

371KRSFFALRD

379 ja

392KVVILKKATAY

402, osoitettiin olevan osallisena Notch1 transkription prosessissa (Reactome) ja soluvastetta UV (rikastettu GO BP ). Nämä kaksi peptidien ennustetaan myös vuorovaikutuksessa FBXW7, joka muodostaa osan E3 ubikitiinipromoottori-proteiini-ligaasia monimutkainen, ja voi siten välittää proteasomaalisten hajoamista MYC. Kuitenkin vain sekvenssin,

371KRSFFALRD

379 ennustettiin valehdella häiriintyneestä alueella ja osittain pinta pääsee (kuvio I (i) S1 File), ja näin ollen voidaan olettaa välittävän useita PPI-lääkkeitä. PepSite2 ennusti myös sitova tämän peptidin kahteen FHPIs-CNOT4 ja FBXW7, jossa kohtuullisen merkittävä p-arvot (taulukko F ja kuvio H1-2 S1 File). Samoin N-terminaalista Olms,

10RNYDLDYD

17 ja

23FYCDEEEN

30, ennustettiin olevan rooli E-box sitoutuminen perustuu rikastettu GO molekyylien toimintojen kannalta. Molemmat peptidit sijaitsevat sekainen alueilla, ovat pinta pääsee (kuvio I (i) S1 tiedosto), ja ennustettiin, että ELM resurssin sisältävän motiivin esiintymät ”LIG” luokkaan. Toinen OLP sekvenssi MYC,

114SFICDPDD

121, jossa on normalisoitu OLP Score 1,76, ennustettiin valehdella huonokuntoinen alueella ja olla pinnan helposti (kuvio I (i) S1 File), on esitetty kuviossa 2 (B). Tämä OLP voivat olla vuorovaikutuksessa viisi FHPIs eli. EXOC1, ILVBL, PFDN5, NCAPG2 ja MRPL14. Ei kuitenkaan yhteinen toiminnallinen merkinnät (GO termejä kulkeutumisväylät) havaittiin liittyvän näiden viiden proteiineja. Tämä saattaa tarkoittaa, että nämä FHPIs voivat yhteistyössä saman OLP MYC mutta eri aikaan tai paikoissa.

(A) Kahdeksan OLP sekvenssit (kukin merkitty taustavärin) tunnistettiin Multiple Sequence linjaus peptidisekvenssejä MYC vastaavat kaikkia merkittäviä motiiveja (E-arvo 1,0) päätellä MEME sen SHPI verkkoon. (B) kaaviomainen esitys OLP sekvenssin

114SFICDPDD

121 (merkitty oranssi tausta) tunnistettu MYC, jotka voivat olla vuorovaikutuksessa viisi FHPIs. Solmut edustaa onkoproteiineja on merkitty punaisella raja.

OLPs löytyy APC proteiinia

adenomatoottisen polypoosin coli (APC) proteiini (2843 aa) on suuri multi -domain koodaama proteiini tuumorisuppressorigeenin APC-geenin, ja on mukana Wnt-signalointireitin, että sillä on keskeinen rooli soluadheesion ja lisääntymistä syövän [42]. Oli 95 FHPIs 1000 SHPIs APC raportoitu ehjänä [25], joista oli 40 FHPIs (aste välillä 5-20) käytetty meidän analyysi (kuvio C S1 File). Vain 8 merkittäviä motiiveja raportoi MEME kulkee (taulukko C S1 File), joista 3 OLPs voitiin tunnistaa, kuten kuvassa E S1 Tiedostojen ja taulukossa 1. Nämä 3 OLPs olivat kaikki sijaitsevat Armadillo kaltainen kierteiset verkkotunnuksen (tilattu alue), ja mikään niistä sai korkeampi kuin mediaani OLP pisteet satunnaisesta PPI verkoissa. Näin ollen emme voisi harkita näitä OLPs kuten peptidejä, jotka voivat välittää useita protonipumpun estäjien, mukaan meidän puitteet. Tämä heijastuu myös PepSite2 telakoinnin tutkimuksiin, joissa yksikään OLPs APC osoitti sitoudu vastaavaan FHPIs (taulukko F ja kuvio H28-34 S1 File). On täysin mahdollista, että johtuen sen piteneminen verrattuna kahteen muuhun CP huomioon tässä tutkimuksessa, APC ei ehkä tarvitse palkata yhden peptidin rajapinnat useille PPI-lääkkeitä.

OLPs löytyy MDM2-proteiinin

MDM2 (491 aa) on E3 ubikitiini-proteiini-ligaasia, joka välittää ubikitinaation p53 tuumorisuppressorin [43]. On 177 FHPIs ja 3047 SHPIs MDM2 raportoitu ehjänä [26] tietokantaa, joista 68 FHPIs (aste välillä 5-20) käytettiin tutkimuksessamme (Kuva D S1 File). MEME kulkee ennustettu 18 merkittäviä motiiveja (taulukon D S1 File), josta 6 OLPs tunnistettiin, joista 5 OLPs ovat paremmat pisteet kuin satunnainen OLP pisteet (kuvio F S1 File ja taulukko 1). Olemme ennustettu kolme peptidejä alueella 438-475 MDM2 (

438CVICQ

442,

456GHLMACF

462 ja

463TCAKKLKKRNKPC

475), joka voi sitoutua FKBP3 (myös tiedossa kuten FKBP25), joka säätelee p53-MDM2-reitin. PepSite2 ennustaa myös sitoutumista FKBP3 sekä OLPs

438CVICQ

442 (kuvio H60 S1 File) ja

456GHLMACF

462 (kuvio H37 S1 File) kuin erittäin merkittävä ja

463TCAKKLKKRNKPC

475 (kuvio H40 S1 File) kohtalaisen merkittävää (taulukko F S1 File). Kuitenkin vain

438CVICQ

442 ja

463TCAKKLKKRNKPC

475 ennustettiin olevan pinnan käytettävissä (kuvio I (iii) S1 File). C-terminaalin OLP

311MNPPLPSHC

319 voivat olla vuorovaikutuksessa yhdeksän FHPIs, jotka liittyvät positiivinen säätely solusyklin ja sääntelyn proteiinin vakautta. Lisäksi tämä OLP koostuu kahdesta ELM ennustettu motiivi instances-

311MNPPLP

316 (LIG_SH3_3) ja

313PPLP

316 (LIG_WW_2). PepSite2 ennustaa sitova tämän OLM kuusi FHPIs, joista kolme FHPIs sitoutuminen on erittäin merkittävä. Mielenkiintoista on, että p-arvo sitoutumisesta tämän SH3 ligandin motiivin sisältävän peptidin SH3 domain sisältävä proteiini ARHGEF6 on havaittu olevan erittäin alhainen (9.897e-05), alhaisin kaikista peptidi-FHPI vuorovaikutukset arvioitiin PepSite2 (kuvio H54 S1 File).

OLPs löytyy GASP2 proteiinin

GASP2_HUMAN (Q96D09) sekvenssi sisältää peptidin

444EEEAIFGSWFWDRDE

458, joka on osoitettu sitoutuvan ihmisen beeta-1 adrenergiset (ADRB1), muskariiniasetyylikoliini (ACM1) ja kalsitoniini (CALCR) reseptorit [24]. Sekvenssit kaikki interaktoreita FHPIs- ADRB1_HUMAN (P08588), ACM1_HUMAN (P11229), ja CALCR_HUMAN (P30988), analysoitiin käyttämällä MEME. Kaikissa kolmessa tapauksessa, peptidejä suunnilleen samalla alueella GASP2 raportoitu, joka silloin, kun linjassa havaittiin sisältävän OLP

452WFWDRDEACFDLNPCPVY

469 (kuvio G S1 File). Niinpä huomasimme, että meidän menetelmä voisi tarjota hyvin lähellä lähentämisestä todellinen kokeellisesti validoitu motiivi esimerkiksi joka voi sitoutua useisiin proteiineihin. Normalisoidut OLPscore Tämän peptidin oli 1,47.

Sequence ottelut havaita BLAST

tulokset BLAST homologian etsimään OLP sekvenssit osoittavat useita ihmisen proteiineja (joista kumpikaan ei sisällytettiin SHPI käytetyt verkot MEME analyysi) sisältävät peptidisekvenssejä samanlainen OLPs (taulukko G S1 File). Esimerkiksi kalvoon liittyvä ihmisen proteiini OGFRL1 sisältää peptidin

90KRSFYAARD

98, joka on hyvin samanlainen kuin MYC-peptidi

371KRSFFALRD

379. Nämä proteiinit voidaan tutkia edelleen mahdollisia vuorovaikutuksia FHPIs jotka on ennustettu meidän työnkulun vuorovaikutuksessa matching OLPs.

Keskustelut

tunnistaminen peptidin alueiden signalointi solmukohdat välittämisessä sairauteen liittyvää tuottajahintaindeksejä voi olla erittäin hyödyllistä edgetic häiriöiden molekyylien säätelyverkkojen käyttäen pienimolekyylisiä estäjiä [44,45]. Pienempi kosketuspinta nähdään peptidi välittämän PPI-lääkkeitä, verrattuna niihin välittämä suuri globulaaridomeenien, tarjoaa paremman mahdollisuuden kohdentaa tällaisten rajapintojen pieni kemiallinen modulaattorit hoitotoimenpide [5]. Jos sama peptidi käyttöliittymä on mukana useita protonipumpun estäjiä, kohdistaminen yksi protonipumpun estäjien kanssa ortosteeriseen inhibiittorit voivat vaikuttaa myös muihin PPI-lääkkeiden samassa paikassa, mikä johtaa mahdolliset keskeytykset välttämättömien PPI verkkojen ja polkuja. Näin ollen olisi hyödyllistä ennustaa peptidejä, jotka kykenevät sitoutumaan useita interactors ja tutkia kunkin PPI erikseen, ennen kohdistaminen tahansa näistä terapeuttisia tarkoituksia varten. Tämä helpottaisi suunnitteluun turvallisempien ja tarkempia PPI modulaattorit tulevaisuudessa.

Meidän ehdotti työnkulkua, olemme siis otettu uusi lähestymistapa yhdenmukaistaa peptidien ennustetaan vuorovaikutuksessa eri proteiinien tunnistamiseksi päällekkäisyydet joukossa, niin että nämä päällekkäisyydet voivat edustaa sivustoja vuorovaikutuksessa useita proteiineja. Siksi meidän kehys poikkeaa nykyisten motiivi tunnistaminen protokollia, jotka vain ennustaa lineaarisen peptidisekvenssejä, joka kykenee sitomaan tietyn interactors, kun taas olemme yrittäneet vielä ennustaa, nämä peptidit voisivat sitoutua useisiin interactors. Tässä tutkimuksessa olemme käyttäneet MEME ohjelmistoa itsenäisesti ennustamaan pitkän peptidialueiden jotka voivat olla vuorovaikutuksessa kunkin interaktoreita CP, jotka sitten linjassa paljastaa lyhyemmän peptidien mahdollisesti vuorovaikutuksessa useiden interactors. Täällä olemme myös oletettu, että jos peptidi on tunnistettu useita kertoja verkossa perustuva lähestymistapa, niin todennäköisyys, että peptidi olla mukana välittämässä tuottajahintaindeksejä on korkeampi. Näin ollen vaikka olemme valinneet lievemmän E-arvo cut-off ( 1,0) alkuperäisen kauemmin peptidejä, on vähemmän todennäköistä, että monet näistä enää peptidisegmenttien jakaisivat lyhyemmän päällekkäisiä alueella täysin sattumalta. Olemme käyttäneet kohtisuorassa menetelmiä vahvistaa havaintomme. PepSite2 käytettiin rakenteellisesti vahvistaa peptidi välittämää PPI-lääkkeet ennustamalla tavalla menetelmällä, kun taas, GO ja polku rikastamiseen analyysi tehtiin joukko FHPIs ennustetaan vuorovaikutuksessa keskenään OLP. Kuitenkin luotettavuutta ennusteita päässä PepSite2 palvelin voi on kärsinyt käytön mallinnettu rakenteita ei ole kokeellisesti määritetty 3D rakenteita FHPI proteiineja. Olemme myös etsineet läsnäolon ELM-ennustetut motiivit sisällä OLP sekvenssit, ja koetettiin ovatko nämä OLPs lasku epäjärjestyksessä ja pinnalla esillä alueilla vastaavien proteiinien.

Harva ennusti paljon pisteitä OLPs meidän tutkimus näyttää lupaavalta mutaatioanalyysiä tutkimukset vaikuttavat taustalla proteiini-proteiini-vuorovaikutuksen verkko ja myöhemmät kokeellinen validointi. Kaksi OLP sekvenssejä C-terminaaliin MYC (

371KRSFFALRD

379 ja

392KVVILKKATAY

402) korkea OLP tulokset on ennustettu sitoutua FBXW7. Tämä proteiini tunnistettiin Koch et al [46] suuressa mittakaavassa tutkimuksessa C-MYC vuorovaikutuksia käyttämällä tandem affiniteettipuhdistuksella. Mielenkiintoista on, FBXW7 on osa E3-ubikitiinipromoottori-proteiini-ligaasi-kompleksin, joka välittää ubikitinaation ja myöhemmin proteasomaalisten hajoamista kohdeproteiinien. Koska vaihtuvuus MYC on kriittinen tekijä syövän [47], muuttaakseen nämä peptidit voivat olla käyttökelpoisia muuttamalla puoliintumisaika c-MYC. Yksi venytys MDM2 (456-475) sisältää kaksi korkea pisteytyksen OLPs-

456GHLMACF

462 ja

463TCAKKLKKRNKPC

475, jotka molemmat ennustetaan sitoutuu kaksi tärkeää proteiinien: RNF8 ja FKBP3. RNF8 pelaa merkittävä rooli E2-E3 ubikitiinipromoottori ligaasilla monimutkainen ja DNA-vaurioita vastaus [48]. FKBP3, joka tunnetaan myös FKBP25 edistää sääntely p53-MDM2 negatiivinen kierre [49]. Näin ollen on olemassa vahvoja motiivit kokeellista validointia Näiden havaintojen avulla AP-MS ja peptidi-proteiini-vuorovaikutuksen analyysit.

Voi kuitenkin olla paljon monimutkaisuus liittyy ennustamiseen peptidisegmenttien in syöpään liittyvien napa proteiineja jotka välittävät vuorovaikutusta useamman partnerin kanssa. Vaikka olemme harkinneet merkittäviä motiiveja tunnistettiin useita MEME ajoja, silti voisi olla vääriä positiivisia interactors alkuperäisessä PPI aineisto. Meidän menetelmä, olemme harkinneet minimaalinen päällekkäin alueella, mutta varsinainen vuorovaikutuksessa peptidi-segmentti voi olla pidempi tai lyhyempi sekä N- ja C-terminaalin suuntaan. Lisäksi vaikka menetelmämme ei tarjota tietoa vuorovaikutuksessa kumppanit, se ei tutki sitova domeeni tai rakenteellisten parametrien vuorovaikutusta.