Интерактом белков, кодируемых генами хромосомы 18 человека

• Автор: Поверенная, Екатерина Владимировна
• Шифр специальности: 03.01.09
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 155 с. : ил.

Содержание
1. ВВЕДЕНИЕ, ЦЕЛЬ И ЗАДАЧИ
2. ОБЗОР ЛИТЕРАТУРЫ
2.1. Источники сведений о взаимодействия между белками
2 Л Л. Выявление бинарных белковых взаимодействий
2Л .2. Высокопроизводительные экспериментальные методы
2 Л .3. Определение термодинамических параметров образования
белковых комплексов
2Л .4. Проблемы и недостатки исследования интерактома
2.2. Тематические ресурсы
2.2.1. Интерактомные базы данных
2.2.2. Онтология генов Gene Ontology (GO)
2.2.3. Базы данных белков и генов
2.2.4. Репозитории масс-спектрометрических данных
2.3. Биоинформатические методы выявления белковых взаимодействий..
2.3.1. Предсказание белковых взаимодействий на основе структурной
информации
2.3.2. Методы машинного обучения
2.3.3. Автоматический анализ текстов (text-mining)
2.3.4. Обработка результатов масс-спектрометрических экспериментов
2.4. Интерактомные сети
3. МАТЕРИАЛЫ И МЕТОДЫ
3.1. Материалы
3.1.1. Данные об идентификации белков и о типовых контаминантах. 5
3.1.2. Аминокислотные последовательности белков человека
3.1.3. Контрольные наборы
3.1.4. Интерактомные ресурсы
3.2. Методы
3.2.1. Подготовка входных данных
3.2.2. Метод виртуальной копреципитации (ВКП)
3.2.3. Получение и кластеризация интерактомных профилей

3.2.4. Анализ белковых взаимодействий с использованием
геноцентричной базы знаний
3.2.5. Программная реализация алгоритмов
4. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
4.1. Подбор параметров для метода виртуальной копреципитации
4.1.1. Фильтрация данных
4.1.2. Отбор масс- спектрометрических экспериментов
4.1.3. Оценка достоверности идентификации белка-«наживки»
4.1.4. Определение частоты встречаемости взаимодействующих белков
4.2. Исследование применимости метода виртуальной копреципитации
4.2.1. Определение типовых контаминантов
4.2.2. Валидация метода виртуальной копреципитации
4.3. Хромосомоцентричный интерактом
4.3.1. Выявление белок-белковых взаимодействий
4.3.2. Аннотация интерактомных профилей по онтологии генов
4.3.3. Интерактомная карта хромосомы 18 человека
4.4. Характеристика результатов виртуальной копреципитации
4.4.1. Анализ интерактомных баз данных
4.4.2. Сопоставление результатов виртуальной копреципитации с
базами данных по интерактомике
4.4.3. Геноцентричная база знаний (ГЦБЗ) по интерактому хромосомы
18 человека
5. ЗАКЛЮЧЕНИЕ
6. ВЫВОДЫ
7. СПИСОК СОКРАЩЕНИЙ
8. СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ

1. ВВЕДЕНИЕ, ЦЕЛЬ И ЗАДАЧИ
Результаты завершенной в 2001 году международной программы «Геном человека» (Venter et al., 2001) позволили перейти к следующей масштабной задаче - инвентаризации белков и взаимодействий между ними. Для реализации международного проекта «Протеом человека» (“The big ome” 2008), как и в случае проекта «Геном человека», был принят хромосомоцентричный подход, при котором за каждой страной-участницей закреплена конкретная хромосома человека: корейские ученые
сконцентрировали усилия на работе с хромосомой 13, исследователи из США - на хромосоме 17 и т.д. Россия выбрала белки, кодируемые генами хромосомы 18 (Ponomarenko et al., 2012). Искусственное разделение объектов исследования по хромосомам позволяет детально проанализировать массив белков человека, который по предварительным расчетам может включать от 2 млн до 1 млрд белковых продуктов (Archakov et al., 2009; Keil eher, 2012).
Важнейшей задачей проекта «Протеом человека» является анализ белок-белковых взаимодействий (ББВ). Построение интерактомных сетей (карт ББВ) позволяет изучить молекулярные процессы в клетке, нарушение которых приводит к развитию заболеваний. Опубликованы описания интерактомных карт при развитии заболеваний, например, таких, как ишемическая болезнь сердца (Ren & Liu, 2012) и колоректальный рак (Sanz-Pamplona, Berenguer, et al., 2012). Изучение топологии сети в связи с развитием патологий является новым способом выявления потенциальные мишени для создания новых лекарств, в том числе, для лечения мультигенных заболеваний (Rodriguez-Soca et al., 2010).
Несмотря на фундаментальное значение белковых взаимодействий, данные об интерактоме человека противоречивы (Lehne & Schlitt, 2009). Для выявления сведений о ББВ преимущественно используют две группы экспериментальных методов - двугибридную дрожжевую систему (ДГДС) и аффинную пробоподготовку в сочетании с масс-спектрометрией (АП-МС). Оба метода характеризуются высокой производительностью, но низкой

известных трехмерных структурах, доступные в PDB (примерно 5,5 тыс. белков, идентичны менее 50%). Межбелковые контакты выделяли как совокупность атомов, расстояние между Ван-дер-Ваальсовыми радиусами которых было в пределах 5 А. Всего была обработана 21 тыс. контактных площадок и выявлено 3,8 тыс. характерных интерфейсных поверхностей, обеспечивающих контакты между субъединицами комплекса.
Получив пространственные шаблоны контактных площадок, провели поиск по базе данных PDB и предсказали 62 тыс. взаимодействий, причем 65% из них подпадает под один из пяти шаблонов (т.е. пространственно интерфейсы выглядят очень консервативно). Из 18 наиболее достоверно прогнозируемых три осуществлялись с участием вирусных белков. Среди оставшихся ББВ были довольно очевидные взаимодействия, например, между трипсином и его ингибиторами, между субъединицами АТФазы, между фактором некроза опухоли и белковым лигандом этого фактора. Показательно, что из 18 наилучших предсказаний, сделанных с помощью PRISM, менее половины подтверждались хотя бы одним из интерактомных ресурсов.
2.3.2. Методы машинного обучения
Развитие постгеномных технологий привело к увеличению данных в области протеомики, геномики и транскриптомики. В связи с этим актуальными становятся биоинформатические методы анализа данных, которые позволяют повысить уровень достоверности интерактома и выявить новые закономерности взаимодействий между белками.
Существенную группу среди применяемых алгоритмов поиска ББВ представляют методы машинного обучения. Алгоритмы машинного обучения, к которым относятся метод опорных векторов (Cortes et al, 1995), байесовые сети (Bayesian network), деревья классификации (Decision tree), цепи Маркова (Markov chain) и др., позволяют оценить вероятность взаимодействия между белками по набору их признаков (Qi et al., 2006).