Nova web aplikacija za detekciju proteinskih motiva
Siniša Biđin (FER), Ivan Vujaklija (FER), Dušica Vujaklija (IRB), Ana Bielen (PBF), Tina Paradžik (IRB)
Molekularne biologinje s Instituta Ruđer Bošković (IRB) Dušica Vujaklija i Tina Paradžik su u suradnji sa Sinišom Biđinom i Ivanom Vujaklijom s Fakulteta elektrotehnike i računarstva te Anom Bielen s Prehrambeno-biotehnološkog fakulteta objavile rad pod nazivom “Leitmotif: protein motif scanning 2.0” u časopisu Bioinformatics. Ovaj prestižni časopis spada u prvih pet posto najboljih časopisa u području matematičke i računalne biologije (IF 5,61).
U okviru ovog rada razvijena je web aplikacija – Leitmotif, za detekciju kratkih nizova očuvanih aminokiselinskih ostataka (proteinskih motiva) koji karakteriziraju evolucijski srodne proteinske nizove (porodice proteina). Leitmotif implementira do sada izuzetno rijetko korišten mHMM (engl. motif-Hidden Markov Model) vjerojatnosni model.
U odnosu na postojeći mHMM, razvijene su modifikacije koje pružaju jedinstvene prednosti pri traženju očuvanih tipova/podtipova proteinskih motiva u odabranim proteomima ili proteinskim porodicama.
U traženim motivima korisnik može 'fiksirati' odnosno odabrati jednu ili više aminoikiselina kao nepromijenjivu te odabrati očekivanu udaljenost između motiva, kao i udaljenost motiva od N- i/ili C-kraja proteina. Korisnik također bira i razinu penalizacije za odstupanje od očekivane udaljenosti.
Pored toga, Leitmotif pruža mogućnost odabira različitih algoritama za računanje emisijskih vjerojatnosti, direktan unos prijelaznih vjerojatnosti, opcije ponderiranja proteinskih nizova (engl. sequence weighting) te odabir različitih supstitucijskih matrica. Leitmotif je detaljno testiran na dva različita skupa podataka (dvije proteinske porodice), a rezultati prikazani u radu su pokazali kako se korištenjem novih parametara dobivaju značajno bolji rezultati u odnosu na standardni mHMM.
Slika 1. Leitmotif – grafičko sučelje. Panel A - prikazuje postavke koje korisnik može mijenjati: (1) odabir aminokiselinskih ostataka u motivu koje korisnik može “fiksirati”, (2) odabir razine penalizacije za odstupanje motiva od očekivane udaljenosti, (3) direktan unos prijelaznih vjerojatnosti, te (4) odabir algoritma, ponderiranja proteinskih nizova i supstitucijskih matrica. Panel B - prikazuje primjer izlaznog rezultata.