CATHデータベース

CATHタンパク質構造分類データベースは、タンパク質ドメインの進化関係に関する情報を提供する、無料で公開されているオンラインリソースです。これは、1990年代半ばにクリスティン・オレンゴ教授とジャネット・ソーントン、デビッド・ジョーンズなどの同僚によって作成され、^{[ 2 ]}ユニバーシティ・カレッジ・ロンドンのオレンゴグループによって開発が続けられています。CATHはSCOPリソースと多くの共通点がありますが、詳細な分類が大きく異なる領域も多数あります。^{[ 3 ] [ 4 ] [ 5 ] [ 6 ]}

実験的に決定されたタンパク質の三次元構造は、タンパク質データバンク（PDB）から取得され、該当する場合は連続するポリペプチド鎖に分割されます。タンパク質ドメインは、自動手法と手動キュレーションを組み合わせて、これらの鎖内で識別（「切り分け」）されます。^{[ 7 ]}

次に、ドメインはCATH構造階層内で分類されます。クラス（C）レベルでは、ドメインは二次構造の内容に応じて割り当てられます。つまり、すべてアルファ、すべてベータ、アルファとベータの混合、または二次構造がほとんどない、のいずれかです。アーキテクチャ（A）レベルでは、3次元空間における二次構造の配置に関する情報が割り当てに使用されます。トポロジー/フォールド（T）レベルでは、二次構造要素がどのように接続され、配置されているかに関する情報が使用されます。ドメインが進化によって関連しているという十分な証拠がある場合、つまり相同である場合は、相同スーパーファミリー（H）レベルに割り当てられます^{[ 2 ] 。}

各相同スーパーファミリー（H）は構造クラスター（SC）に細分化され、さらに機能ファミリー（FunFam）に細分化されます。各FunFam内には、PDB構造を「切り分ける」ことによって得られた多数のドメインが含まれています。

CATH分類は、姉妹リソースによって、実験的に構造が決定されていない領域にも拡張されています。

• Gene3Dは、各SCおよび各FunFamについて、ドメインの配列を使用して隠れマルコフモデルを生成します。これにより、配列相同性を持つドメインを配列から識別できます。 ^{[ 8 ]}
• ドメイン百科事典（TED）は、自動化されたCATH手法をAlphaFoldタンパク質構造データベースの1億8800万個のユニークな構造に適用し、約3億6500万個のドメインを特定しました。これはGene3Dが特定できたドメイン数より1億個多い数です。構造比較により、1億9400万個のドメインがスーパーファミリー（H）レベルでCATHデータベースと一致し、さらに4600万個がトポロジー（T）レベルで一致しました。残りのドメインは、CATHにとって全く新しい構造を持っています。^{[ 9 ]}

CATH チームは、日々のスナップショットと、ほぼ年に一度の公式リリースとして新しいデータを公開しています。CATH-Gene3D の最新リリース (v4.3) は 2020 年 12 月にリリースされ、以下の内容で構成されています。^{[ 10 ]}

• 500,238件の構造タンパク質ドメインエントリ
• 1億5100万件の非構造タンパク質ドメインのエントリー
• 5,481件の相同スーパーファミリーエントリー
• 212,872件の機能ファミリーエントリ

CATHはオープンソースソフトウェアプロジェクトであり、開発者たちは多数のオープンソースツールを開発・保守しており、^{[ 11 ]}それらはGitHubで公開されている。^{[ 12 ]}