Распознавание альтернативных конформаций в кристаллах белков на основе анализа подвижности атомов в процессе свободного уточнения

• Автор: Соболев, Олег Васильевич
• Шифр специальности: 03.01.02
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Пущино
• Количество страниц: 102 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
СПИСОК СОКРАЩЕНИЙ
ГЛАВА 1. АЛЬТЕРНАТИВНЫЕ КОНФОРМАЦИИ И КРИСТАЛЛОГРАФИЧЕСКОЕ УТОЧНЕНИЕ (ЛИТЕРАТУРНЫЙ ОБЗОР)
1.1. Альтернативные конформации
1.2. Кристаллографическое уточнение
1.3. Краткий обзор пакетов и комплексов программ
кристаллографического уточнения
1.3.1. SHELX
1.3.2. ССР4 и REFMAC
1.3.3. PHENIX и phcnix.refme
1.4. Оценка эффективности статистических подходов к предсказанию структурных особенностей белковых молекул
ГЛАВА 2. СВОБОДНОЕ УТОЧНЕНИЕ КАК ИНСТРУМЕНТ ПРЕДСКАЗАНИЯ АЛЬТЕРНАТИВНЫХ КОНФОРМАЦИЙ
2.1. Введение
2.2. Материалы и методы
2.3. Результаты
2.4. Заключение
ГЛАВА 3. ПОДВИЖНОСТЬ АТОМОВ ПРИ СВОБОДНОМ КРИСТАЛЛОГРАФИЧЕСКОМ УТОЧНЕНИИ
3.1. Подготовка баз атомных сдвигов
3.1.1. Выбор моделей из PDB
3.1.2. Подготовка моделей
3.1.3. Формирование баз атомных сдвигов
3.2. Подвижность разных типов атомов в свободном уточнении
3.2.1. Атомы в АК и ЕК
3.2.2. Подвижность атомов, расположенных в ГЦ и БЦ, снаружи и внутри белковой глобулы
3.2.3. Зависимость подвижности атомов от достигнутого значения Я-фактора
3.3. Обсуждение результатов
ГЛАВА 4. РАЗРАБОТКА И ТЕСТИРОВАНИЕ ПРОЦЕДУР ПРИНЯТИЯ РЕШЕНИЙ
4.1. Тестовое свободное уточнение
4.2. Автоматизация анализа атомных сдвигов
4.2.1. Интегральная мера искажения остатка
4.2.2. Пороговые критерии
4.2.3. Критерии, основанные на правдоподобии
4.4. Методы тестирования процедур принятия решений
4.4.1. Статистические критерии
4.4.2. Интегральные характеристики
4.5. Тестирование процедур принятия решений
4.5.1. Тестирование процедур по атомным сдвигам, рассчитанным программой ркетх.геАпе
4.5.2. Тестирование процедур по атомным сдвигам, рассчитанным программой ЯЕЯМАС
4.5.3. Анализ результатов тестирования
4.5. Использование АИР и значений электронной плотности в автоматических процедурах принятия решений
4.6. Зависимость эффективности процедур от разрешения набора данных

4.7. Достоверность баз данных
4.8. Заключение
ГЛАВА 5. ПРОГРАММЫ SHIFT PLOT И AC PREDICTION -ИНСТРУМЕНТЫ ДЛЯ ПРЕДСКАЗАНИЯ НАЛИЧИЯ АЛЬТЕРНАТИВНЫХ КОНФОРМАЦИЙ
5.1. Техническое описание
5.2. Shiftj)lot
5.3. ACjjrediction
5.4. Анализ электронной плотности
ГЛАВА 6. АНАЛИЗ АЛЬТЕРНАТИВНЫХ КОНФОРМАЦИЙ С ИСПОЛЬЗОВАНИЕМ РАЗРАБОТАННЫХ ПОДХОДОВ НА ПРИМЕРЕ СЕРИИ СТРУКТУР ЛИЗОЦИМА БЕЖА КУРИНОГО ЯЙЦА, ОПРЕДЕЛЕННЫХ С ВЫСОКИМ РАЗРЕШЕНИЕМ
ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ

Для определения качества классификаторов также используются величины положительного и отрицательного предсказательного значения. Положительное предсказательное значение показывает предсказательную ценность положительного результата теста. То есть, какая часть положительных предсказаний на самом деле являются таковыми. Аналогично, отрицательное предсказательное значение показывает предсказательную ценность отрицательного результата.
Построение ROC-кривой (Receiver Operating Characteristic, операционная характеристика приемника) является распространенным инструментом для организации и выбора классификаторов на основе их производительности [98] в случае, когда классификатор имеет один подстраиваемый параметр. ROC-кривьте давно используются в теории обнаружения сигналов для графического изображения связи между долей верноположительных срабатываний и долей ложноположительных срабатываний [99, 100]. Анализ ROC-кривых был расширен для
использования при визуализации и анализе поведения диагностических систем [101]. График ROC-кривой является двухмерным графиком, на котором для каждого значения параметра классификатора вероятность верноположителыюго срабатывания откладывается по оси Y, а вероятность ложоноположительного срабатывания - по оси X. График показывает зависимость «выгоды» (верноположительные срабатывания) от «цены» (ложноположительпые срабатывания). Дискретный классификатор (не имеющий подстраиваемых параметров) в этом пространстве будет отображен в виде одной точки. Отметим несколько точек в ROC-пространстве. Нижняя левая точка (0,0) соответствует классификатору, который никогда не выдает положительного ответа; такой классификатор никогда не допускает ложноположительного срабатывания, но также и не выдает верноположительных. Обратная стратегия безусловного выдавания положительной классификации представляется верхней правой точкой (1,1). Точка (0,1) представляет идеальный классификатор. Неформально