CS23D

CS23Dは、NMR化学シフトから3D構造モデルを生成するウェブサーバーです。^[1] CS23Dは、最大フラグメントアセンブリと化学シフトスレッド、de novo構造生成、化学シフトベースのねじれ角予測、および化学シフト改良を組み合わせています。CS23DはRefDBとShiftX を利用しています。

CS23D入力フォーマット

CS23D は、SHIFTY または BMRB 形式の化学シフトファイルを受け入れます。

CS23Dオプション

ユーザーは

タンパク質をテンプレートとして使用しないようにする
利用可能なテンプレートのリストにある高同一性ホモログを無視する
最終アンサンブルのモデル数を変更する
モデル最適化ステップ数を変更する

CS23D出力

CS23D 出力は、最高スコアの PDB 座標 10 個セットで構成されます。最高スコアの単一構造へのハイパーリンクも提供されます。全体的な CS23D スコア、知識ベーススコア、化学シフトスコア、ラマチャンドランプロット統計、改良前後の観測シフトと計算シフトの相関関係が表示されます。構造の信頼性に関する結論がユーザーに提供されます。

CS23Dプロトコル

相同性検索:クエリ配列は、 BLASTを使用して PDB 配列と PPT-DB の二次構造の非冗長データベース内で相同タンパク質またはタンパク質断片を検索するために使用されます。

相同性モデリング：相同性モデリングは、PROTEUS2プログラムの一部であるHomodellerプログラムによって行われます。^[2]相同性検索ステップで特定されたタンパク質は、相同性モデリングのテンプレートとして使用されます。

化学シフトの再参照：化学シフトは、 RCIウェブサーバーのバックエンドの一部である RefCor ^{[3]によって再参照されます。}

化学シフトからの二次構造予測: CSI によって化学シフトから二次構造が予測されます。

化学シフトからのねじれ角予測： PREDITORによって化学シフトからねじれ角が予測される。^[4]

化学シフトスレッド: PREDITOR ^[4]によって化学シフトから予測されたバックボーンのファイおよびプサイねじれ角は、ラマチャンドラン空間の 9 つの異なる領域にマッピングされ、それぞれに特定の文字が割り当てられています。タンパク質は、これらの 9 つの「ねじれ角文字」のシーケンスで表すことができます。Thrifty は、これらのねじれ角文字のシーケンスを使用して、9 文字のラマチャンドラン「アルファベット」に変換された約 18,500 の非冗長 PDB 構造のデータベースで適切なテンプレートを特定しています。

同様に、化学シフトのスレッド化も、3 文字の二次構造アルファベット (ヘリックスの場合は H、ベータストランドの場合は B、コイルの場合は C) と、CSI プログラムによって化学シフトから予測された二次構造を使用して実行されます。

モデルアセンブリ: 相同性モデリングと化学シフトスレッド化の手順によって識別されたサブフラグメントは、CS23D SFassembler (サブフラグメントアセンブラー) を使用して初期 3D モデルにアセンブルされます。初期モデルは GAFolder スコアリング機能 (下記参照) によって評価され、最適なモデルは GAFolder によってさらに改良されます (GAFolder の詳細については下記参照)。

アブイニシオフォールディング： アブイニシオフォールディングは、ホモロジーモデリングと化学シフトスレッディングのステップでテンプレートが特定されなかった場合に、Rosetta ^[5]によって実行されます。Rosetta モデルは GAFolder スコアリング機能によって評価され、最適な Rosetta モデルが GAFolder によって改良されます (以下を参照)。

モデル最適化: CS23D におけるモデル最適化は、遺伝的アルゴリズムを使用してコンフォメーション空間をサンプリングするねじれ角ベースの最小化ツール GAfolder (遺伝的アルゴリズムフォルダー) によって行われます。この方法は、GENFOLD で使用されている方法に似ています。^[5] GAFolder は、PREDITOR によって予測されたねじれ角の値と不確実性によって定義された範囲内でねじれ角を移動させます。^[4] GAFolder は、以下に説明するスコアリング関数によってタンパク質モデルを評価します。

スコアリング機能: GAFolder のスコアリング機能は、知識ベーススコアと化学シフトスコアで構成されます。

知識ベースのスコアには以下が含まれます。

回転半径スコア、
水素結合エネルギー、
水素結合の数、
悪いコンタクトスコア、
ジスルフィド結合スコア、
ブライアントとローレンスのポテンシャルに基づく修正されたスレッドエネルギー。^[6]
モデルのねじれ角 Phi と Psi の正規性を評価するラマチャンドランスコア
モデルのねじれオメガ角の正規性を評価するオメガスコア
さまざまな phi と psi の組み合わせに対する予想される chi 角度に基づく Chi スコア。

GAfolder スコアリング関数の 化学シフトコンポーネントでは以下を使用します。

実験的な化学シフト（CA、CB、CO、N、HA、HN）とSHIFTX 1.0によって計算された化学シフト間の相関の加重係数。
モデルの二次構造と、実験的な化学シフトから CSI によって予測された二次構造の一致。

CS23Dサブプログラム

CSI - 化学シフトからの二次構造の予測
BLAST - 配列アライメント、相同性検索
PROTEUS2 - 相同性モデリング^[2]
PREDITOR - 化学シフトからのねじれ角の予測^[4]
Pepmake - ねじれ角と配列からタンパク質モデルを構築する
PPT-DB-二次構造データベース
ロゼッタ -第一原理構造生成^[5]
RCI - PREDITORによる化学シフトから予測されるねじれ角の不確実性の推定
ShiftX 1.0 - 観測された化学シフトとタンパク質モデルからShiftXによって予測されたシフトとの間の相関係数を生成するために使用されます。
SFAssembler - 最大フラグメントアセンブリ
GAFolder - 遺伝的アルゴリズムによる化学シフトの改良
倹約 - 化学シフトスレッド
RefCor - 化学シフトの再参照

CS23Dのテンプレート配列同一性への依存性

CS23D はテンプレートベースの方法です。したがって、そのパフォーマンスは選択されたテンプレートの配列の同一性に依存します (隣の図を参照)。同様に、Rosetta はフラグメントバイアスメソッドです。そのパフォーマンスは選択されたフラグメントの品質に依存します。フラグメントの品質、つまり Rosetta のパフォーマンスは、フラグメント選択ステップ (例: CS-Rosetta プロトコル) で化学シフトを使用することで向上できます。テンプレート構造またはフラグメント構造によってバイアスされない構造ソリューションの場合、NOE ベースの距離制限 (残基あたり 8 ～ 10) を取得し、GeNMRプログラムのab initioモードで使用することを検討してください。

参照

参考文献

^ Wishart DS、 Arndt D、 Berjanskii M、 Tang P、 Zhou J、 Lin G (2008 年 7 月)。「CS23D: NMR 化学シフトと配列データを使用した高速タンパク質構造生成用 Web サーバー」。Nucleic Acids Research。36 (Web サーバー号): W496–502。doi :10.1093/nar/gkn305。PMC 2447725。PMID 18515350 。
^ ab Montgomerie S、Cruz JA、Shrivastava S、Arndt D、Berjanskii M、Wishart DS (2008 年 7 月)。「PROTEUS2: 包括的なタンパク質構造予測と構造ベースの注釈のための Web サーバー」。Nucleic Acids Research。36 ( Web サーバー号): W202–9。doi : 10.1093/nar/gkn255。PMC 2447806。PMID 18483082。
^ Berjanskii M, Wishart DS (2006). 「NMR: タンパク質柔軟性の予測」. Nature Protocols . 1 (2): 683–8. doi :10.1038/nprot.2006.108. PMID 17406296.
^ abcd Berjanskii MV、Neal S、 Wishart DS (2006 年 7 月)。「PREDITOR: タンパク質のねじれ角の制約を予測する Web サーバー」。Nucleic Acids Research。34 ( Web サーバー号): W63–9。doi : 10.1093/ nar /gkl341。PMC 1538894。PMID 16845087。
^ abc Rohl CA、Strauss CE、Misura KM、Baker D (2004)。「Rosetta を使用したタンパク質構造予測」。数値計算手法、パート D。Methods in Enzymology。Vol. 383。pp. 66–93。doi :10.1016 / S0076-6879(04)83004-0。ISBN 9780121827885. PMID 15063647。
^ Bryant SH、Lawrence CE (1993 年 5 月)。「タンパク質配列をフォールディングモチーフに通すための経験的エネルギー関数」。タンパク質。16 ( 1 ): 92–112。doi :10.1002/prot.340160110。PMID 8497488 。

[CS23D-1] Wishart DS、 Arndt D、 Berjanskii M、 Tang P、 Zhou J、 Lin G (2008 年 7 月)。「CS23D: NMR 化学シフトと配列データを使用した高速タンパク質構造生成用 Web サーバー」。Nucleic Acids Research。36 (Web サーバー号): W496–502。doi :10.1093/nar/gkn305。PMC 2447725。PMID 18515350 。

[pmid18483082-2] Montgomerie S、Cruz JA、Shrivastava S、Arndt D、Berjanskii M、Wishart DS (2008 年 7 月)。「PROTEUS2: 包括的なタンパク質構造予測と構造ベースの注釈のための Web サーバー」。Nucleic Acids Research。36 ( Web サーバー号): W202–9。doi : 10.1093/nar/gkn255。PMC 2447806。PMID 18483082。

[3] Berjanskii M, Wishart DS (2006). 「NMR: タンパク質柔軟性の予測」. Nature Protocols . 1 (2): 683–8. doi :10.1038/nprot.2006.108. PMID 17406296.

[pmid16845087-4] Berjanskii MV、Neal S、 Wishart DS (2006 年 7 月)。「PREDITOR: タンパク質のねじれ角の制約を予測する Web サーバー」。Nucleic Acids Research。34 ( Web サーバー号): W63–9。doi : 10.1093/ nar /gkl341。PMC 1538894。PMID 16845087。

[pmid15063647-5] Rohl CA、Strauss CE、Misura KM、Baker D (2004)。「Rosetta を使用したタンパク質構造予測」。数値計算手法、パート D。Methods in Enzymology。Vol. 383。pp. 66–93。doi :10.1016 / S0076-6879(04)83004-0。ISBN 9780121827885. PMID 15063647。

[6] ^ Bryant SH、Lawrence CE (1993 年 5 月)。「タンパク質配列をフォールディングモチーフに通すための経験的エネルギー関数」。タンパク質。16 ( 1 ): 92–112。doi :10.1002/prot.340160110。PMID 8497488 。