Помощь в написании студенческих работ
Антистрессовый сервис

Использование вероятностных методов для анализа аминокислотных последовательностей мембранных белков

Диссертация: Использование вероятностных методов для анализа аминокислотных последовательностей мембранных белков
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

При разработке методов предсказания мембранной структуры важной является проблема формирования обучающей выборки, т. е. выборки последовательностей, для которых известно точное расположение мембранных сегментов, в условиях нехватки данных по известным структурам мембранных белков. Авторам сервера ТМНММ удалось сформировать выборку из 160 аминокислотных последовательностей с экспериментально… Читать ещё >

Использование вероятностных методов для анализа аминокислотных последовательностей мембранных белков (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Введение
    • 1. 1. Актуальность темы
    • 1. 2. Цели и задачи работы
    • 1. 3. Научная новизна
    • 1. 4. Практическая значимость
    • 1. 5. Апробация работы. В
  • 2. Обзор литературы
    • 2. 1. Мембранные белки
    • 2. 2. Эволюция мембранных белков
    • 2. 3. Важность трансмембранных белков
    • 2. 4. Классификация трансмембранных белков по Сайеру
    • 2. 5. Кристаллизация мембранных белков
    • 2. 6. Вторичная структура мембранных альфа-спиральных белков
    • 2. 7. Скрытые марковские модели
    • 2. 8. Матрицы замен
    • 2. 9. Сравнение структур мембран бактерий и эукариот
    • 2. 10. Использование НММ для разметки мембранных альфа-спиральных сегментов
    • 2. 11. Позиции, определяющие специфичность
  • 3. Эволюционные особенности аминокислотных последовательностей мембранных белков бактерий и эукариот
    • 3. 1. Методы
      • 3. 1. 1. Основная выборка (бактериальные транспортеры)
      • 3. 1. 2. Кластеризация и выравнивание
      • 3. 1. 3. Определение мембранных ядер
      • 3. 1. 4. Построение матриц частот замен
      • 3. 1. 5. Контрольные выборки
    • 3. 2. Обсуждение результатов
      • 3. 2. 1. Мембранные сегменты и ТМ-ядра основной выборки
      • 3. 2. 2. Аминокислотный состав ТМ-ядер основной выборки
      • 3. 2. 3. Внутренняя согласованность матриц серии BATMAS
      • 3. 2. 4. Сравнение матриц
      • 3. 2. 5. Свойства матрицы BATMAS
      • 3. 2. 6. Функциональная схожесть аминокислот в ТМ-ядрах
    • 3. 3. Подведение итогов
  • 4. Предсказание вторичной структуры мембранных белков
    • 4. 1. Методы
      • 4. 1. 1. Построение тестовой выборки
      • 4. 1. 2. Построение достоверной мембранной разметки
      • 4. 1. 3. Методы предсказания мембранной разметки по выравниванию
      • 4. 1. 4. Оценка качества работы метода ТМНММ
      • 4. 1. 5. Оценка качества предсказания
    • 4. 2. Обсуждение результатов
    • 4. 3. Использование метода FWDBCK в качестве модуля алгоритма SDPPred
  • 5. Канальная ориентация спиралей мембранных белков
    • 5. 1. Методы
      • 5. 1. 1. Позиционная корреляция для групп аминокислот
      • 5. 1. 2. Аминокислотные веса склонности смотреть в канал
      • 5. 1. 3. Канальный момент
    • 5. 2. Результаты
  • 6. Предсказание и анализ трансмембранных сегментов каналов семейства MIP
    • 6. 1. Описание процедур и алгоритмов
    • 6. 2. Результаты
  • Выводы

1.1.

Актуальность темы

.

Мембранные белки играют важную роль в жизнедеятельности клетки. По функциональной нагрузке можно различать мембранные белки, задействованные в таких важных процессах жизнедеятельности в клетке, как селективный транспорт, запасание энергии, передача сигналов между клетками, преобразование энергии света в бактериях, сортировка белков между отделами клетки. По средним оценкам мембранные белки составляют 20−30% всего протеома клетки. Альфа-спиральные белки составляют подавляющее большинство мембранных белков, и в геноме типичной бактериальной клетки кодирующих их генов приблизительно в 10 раз больше, чем генов бета-слойных белков. В то же время метод рентгеноструктурного анализа, позволяющий установить пространственную структуру белков, в случае мембранных белков работает плохо, что связано с высокой гидрофобностью этих белков, вследствие чего на сегодняшний день известно не более 160 уникальных трехмерных структур мембранных белков.

В тех случаях, когда об альфа-спиральном мембранном белке неизвестно ничего кроме его аминокислотной последовательности, используют методы предсказания вторичной структуры, а точнее расположения участков последовательности находящихся в мембране. Такие участки приблизительно совпадают с альфа-спиралями белка, пересекающими мембрану. Качество лучших из этих методов по оптимистическим оценкам составляет около 80%. Впрочем, оценки качества различных методов в различных работах сильно разнятся.

Знание информации о вторичной структуре приближает нас к пониманию пространственной структуры, но кроме этого помогает улучшить чувствительность гомологического поиска и точность автоматического приписывания белку функции. Задача предсказания вторичной структуры мембранных белков была сформулирована уже более 20 лет назад, после чего предлагались различные методы решения этой задачи. Наиболее эффективными признаны методы, основанные на скрытых Марковских моделях (НММ), где решается задача наилучшей в смысле статистического соответствия укладки аминокислотной последовательности на цепь состояний, следуя ребрам переходов. К таким методам можно причислить ТМНММ, НММТОР. В ряде методов (PHDhtm, MEMSAT) для предсказания используется дополнительная эволюционная информация, формируемая в виде выравниваний или частотных профилей.

При разработке методов предсказания мембранной структуры важной является проблема формирования обучающей выборки, т. е. выборки последовательностей, для которых известно точное расположение мембранных сегментов, в условиях нехватки данных по известным структурам мембранных белков. Авторам сервера ТМНММ удалось сформировать выборку из 160 аминокислотных последовательностей с экспериментально установленной разметкой мембранных сегментов. Выборка доступна на сайте сервера.

В связи с ростом геномных данных, все большую важность приобретают методы сравнительного анализа последовательностей, главными среди которых являются множественное (или попарное) выравнивание и поиск гомологий. Эти задачи немного различаются, но в обеих в случае белков элементарной единицей, подлежащей оценке, является пара аминокислотных остатков из двух последовательностей, а сама оцениваемая величина — это правдоподобность того, что эти аминокислоты происходят из общей предковой аминокислоты. Маргарет Дэйхофф предложила описывать эволюцию в белках Марковской моделью, в которой предполагались независимость изменения соседних аминокислот и независимость скоростей изменений от времени. В соответствии с моделью была построена известная серия РАМ матриц частот замен для различных эволюционных расстояний. Проблемой этого метода было то, что вначале строилась матрица для очень близких последовательностей, а по ней строились все остальные матрицы, что должно приводить к накоплению ошибок, допущенных на начальном этапе.

Позднее был предложен другой подход, основанный на анализе консервативных блоков множественных выравниваний, т. е. подсчете частот пар букв, встречаемых в блоках. Для того чтобы строить матрицы на разных эволюционных расстояниях, наборы слишком близких фрагментов в блоках заменялись одним. Серия матриц, построенная этим методом, была названа BLOSUM.

В случае мембранных белков стандартные методы выравнивания работают не так хорошо как для глобулярных белков, особенно в т.н. «серой» зоне идентичности между последовательностями от 20% до 30%. Это связано с тем, что мембранные сегменты отличаются по статистическим свойствам от последовательностей глобулярных белков. Для учета этих особенностей разумно использовать, как минимум, еще одну матрицу (или серию матриц), соответствующую мембранным сегментам. Серия JTT РАМ таких матриц была построена с применением методики, аналогичной той, что использовала Дэйхофф. Для подсчета мутаций были сформированы 3155 попарных выравниваний с идентичностью между последовательностями не менее 85%. Позднее к построению мембранной матрицы замен был применен подход, аналогичный BLOSUM. Из 2935 семейств родственных белковых последовательностей были выделены 8909 консервативных блоков. После применения алгоритма PHDhtm предсказания мембранной структуры было отобрано 844 блока, покрывающие мембранные сегменты. Серию матриц, также построенную кластеризацией фрагментов с идентичностью, превосходящей серию порогов, назвали PHDhtm. В обоих случаях объемы исходных данных кажутся недостаточными для достижения хорошей статистической достоверности.

Выводы.

В рамках данной работы решены следующие задачи:

1. Построена серия матриц частот замен аминокислот в мембранных областях бактериальных транспортных белков, изучены статистические свойства матриц серии, отличающие их от общепринятых матриц замен, а также выявлены отличия в частотах замен между матрицами для бактериальных и эукариотических мембранных областей.

2. Разработан метод предсказания положений мембранных областей для множественного выравнивания с построением вероятностного мембранного профиля на базе скрытых Марковских моделей.

3. Построена выборка структурных множественных выравниваний с разметкой достоверных столбцов и реальных положений мембранных областей, которая может применяться для проверки работы не только методов предсказания мембранной структуры для множественных выравниваний, но и методов построения множественных выравниваний последовательностей, относящихся к классу мембранных белков.

4. Выявлены статистические закономерности встречаемости аминокислот в мембранных областях, позволяющие предсказывать взаимное расположение спиралей и транспортного канала в мембранных альфа-спиральных белках, а также разработан метод для таких предсказаний.

5. Исследована возможность улучшения предсказания мембранной структуры для белков семейства МГР, имеющих необычную укладку альфа-спиралей, используя дополнительную информацию об аминокислотных подписях полуспиралей.

Показать весь текст

Список литературы

  1. Al. Arai М., Mitsuke Н., Ikeda М., Xia J.X., Kikuchi Т., Satake М., Shimizu Т. 2004. ConPred II: a consensus prediction method for obtaining transmembrane topology models with high reliability. Nucleic Acids Res. 32:390−393.
  2. A2. Altschul S.F., Gish W., Miller W., Myers E.W., Lipman DJ. 1990. Basic local alignment search tool. J Mol Biol. 215(3):403−410.
  3. A3. Altschul S.F., Madden T.L., Schaffer A.A., Zhang J., Zhang Z., Miller W., Lipman D.J. 1997. Gapped BLAST and PSI-BLAST: a new generation of protein database search programs. Nucleic Acids Res. 25(17):3389−3402.
  4. A4. Argos P., Rao J.K., Hargrave P.A. 1982. Structural prediction of membrane-bound proteins. Eur J Biochem. 128(2−3):565−575.
  5. A5. Arkin I.T., Brunger A.T. 1998. Statistical analysis of predicted transmembrane alpha-helices. Biochim Biophys Acta. 1429(1):113−128.
  6. A6. Altschul S.F. 1991. Amino acid substitution matrices from an information theoretic perspective. J Mol Biol. 219(3):555−565.
  7. A7. Agre P., King L.S., Yasui M., Guggino W.B., Ottersen OP, Fujiyoshi Y, Engel A, Nielsen S. 2002. Aquaporin water channels--from atomic structure to clinical medicine. J Physiol. 542:3−16.
  8. A8. Alberts В., Johnson A., Lewis J., Raff M., Roberts K., Walter P. Molecular Biology of the Cell. Garland Publishing Inc. Hamden, Connecticut, 2002.1616 p.
  9. Bl. Bairoch A., Boeckmann B. 1994. The SWISS-PROT protein sequence databank: current status. Nucleic Acids Res. 22(17):3578−3580.
  10. B2. Berman H.M., Westbrook J., Feng Z., Gilliland G., Bhat T.N., Weissig H., Shindyalov I.N., Bourne P.E. 2000. The Protein Data Bank. Nucleic Acids Res. 28(l):235−242.
  11. C2. Cserzo M., Eisenhaber F., Eisenhaber В., Simon I. 2004. TM or not TM: transmembrane protein prediction with low false positive rate using DAS-TMfilter. Bioinformatics. 20(1):136−137.
  12. C8. Chattopadhyay M.K. 2006. Mechanism of bacterial adaptation to low temperature. J. Biosci. 31(1): 157−165.
  13. Dl. Durbin R., Eddy S., Krogh A., and Mitchison G. 1998. Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. Cambridge University Press. 356 pp.
  14. D2. Dayhoff M., Schwartz R., Orcutt B. 1978. A model of evolutionary change in protein. Atlas of Protein Sequence and Structure (Natl. Biomed. Res. Found., Washington). 5(3): 345−358.
  15. D3. Do C.B., Mahabhashyam M.S., Brudno M., Batzoglou S. 2005. ProbCons: Probabilistic consistency-based multiple sequence alignment. Genome Res. 15,330−340.
  16. D4. Dowhan W. 1997. Molecular Basis For Membrane Phospholipid Diversity: Why Are There So Many Lipids? Annu. Rev. Biochem. 66:199−232.
  17. El. Engelman D.M., Steitz T.A., Goldman A. 1986. Identifying nonpolar transbilayer helices in amino acid sequences of membrane proteins. Annu Rev Biophys Biophys Chem. 15:321 353.
  18. E2. Eisenberg D., Schwarz E., Komaromy M., Wall R. 1984. Analysis of membrane and surface protein sequences with the hydrophobic moment plot. J Mol Biol. 179(1): 125−142.
  19. E3. El Karkouri K., Gueune H., Delamarche C. 2005. MIPDB: a relational database dedicated to МЕР family proteins. Biol Cell. 97(7):535−543.
  20. Fl. Frishman D., Mewes H.W. 1997. Protein structural classes in five complete genomes. Nat Struct Biol. 4(8):626−628.
  21. F2. Frishman D., Mokrejs M., Kosykh D., Kastenmuller G., Kolesov G., Zubrzycki I., Gruber C., Geier В., Kaps A., Albermann K., Volz A., Wagner C., Fellenberg M., Heumann K., Mewes H.W. 2003. The PEDANT genome database. Nucleic Acids Res. 31(1):207−211.
  22. F3. Felsenstein J. 1996. Inferring phylogenies from protein sequences by parsimony, distance, and likelihood methods. Methods Enzymol. 266:418−427.
  23. F4. Fu D, Libson A, Miercke LJ, Weitzman C, Nollert P, Krucinski J, Stroud RM. 2000. Structure of a glycerol-conducting channel and the basis for its selectivity. Science. 290(5491):481−486.
  24. Gl. Gonnet G.H., Cohen M.A., Benner S.A. 1992. Exhaustive matching of the entire protein sequence database. Science. 256(5062): 1443−1445.
  25. G2. Gerstein M., Sonnhammer E.L., Chothia С. 1994. Volume changes in protein evolution. J. Mol. Biol. 236:1067−1078.
  26. G3. Galperin M.Y., Koonin E.V. 2001. Comparative genome analysis. Methods Biochem Anal. 43:359−392.
  27. HI. Henikoff S., Henikoff J.G. 1992. Amino acid substitution matrices from protein blocks. Proc Natl Acad Sci USA. 89(22):10 915−10 919.
  28. H2. Hofmann K., Stoffel W. 1993. TMbase A database of membrane spanning proteins segments. Biol. Chem. Hoppe-Seyler. 374,166
  29. H3. Hirokawa Т., Boon-Chieng S., Mitaku S. 1998. SOSUI: classification and secondary structure prediction system for membrane proteins. Bioinformatics. 14(4):378−379.
  30. H4. Heringa J. 1999. Two strategies for sequence comparison: profile-preprocessed and secondary structure-induced multiple alignment. Comput. Chem. 23:341−364.
  31. H5. Hannenhalli S.S., Russell R.B. 2000. Analysis and prediction of functional sub-types from protein sequence alignments. J Mol Biol. 303(l):61−76.
  32. Jl. Jones D.T., Taylor W.R., Thornton J.M. 1994. A model recognition approach to the prediction of all-helical membrane protein structure and topology. Biochemistry. 33(10):3038−3049.
  33. J2. Jones D.T., Taylor W.R., Thornton J.M. 1992. The rapid generation of mutation data matrices from protein sequences. Comput Appl Biosci. 8(3):275−282.
  34. J3. Jones D.T., Taylor W.R., Thornton J.M. 1994. A mutation data matrix for transmembrane proteins. FEBS Lett. 339(3):269−275.
  35. J4. Juretic D., Zoranic L., Zucic D. 2002. Basic charge clusters and predictions of membrane protein topology. J Chem Inf Comput Sci. 42(3):620−632.
  36. J5. Jaroszewski L., Li W., Godzik A. 2002. In search for more accurate alignments in the twilight zone. Protein Sci. 11:1702−1713.
  37. J6. Jones D.T. 1998. Do transmembrane protein superfolds exist? FEBS Lett. 423:281−285.
  38. J7. Jones S., Thornton J.M. 2004. Searching for functional sites in protein structures. Curr Opin Chem Biol. 8(l):3−7.
  39. Kl. Krogh, A., Larsson, В., von Heijne, G., and Sonnhammer, E.L. 2001. Predicting transmembrane protein topology with a hidden Markov model: Application to complete genomes. J. Mol. Biol. 305:567−580.
  40. K2. Krogh A., Mian I.S., Haussler D. 1994. A hidden Markov model that finds genes in E. coli DNA. Nucleic Acids Res. 22:4768−4778.
  41. КЗ. Krogh A., Brown M., Mian I.S., Sjolander K., Haussler D. 1994. Hidden Markov models in computational biology. Applications to protein modeling. J Mol Biol. 235(5):1501−1531.
  42. K4. Klein P., Kanehisa M., DeLisi C. 1985. The detection and classification of membrane-spanning proteins. Biochim Biophys Acta. 815(3):468−476.
  43. K5. Kalinina O.V., Mironov A.A., Gelfand M.S., Rakhmaninova A.B. 2004. Automatedselection of positions determining functional specificity of proteins by comparative analysis of orthologous groups in protein families. Protein Sci. 13(2):443−456.
  44. K6. Kalinina O.V., Novichkov P. S., Mironov A.A., Gelfand M.S., Rakhmaninova A.B. 2004. SDPpred: a tool for prediction of amino acid residues that determine differences in functional specificity of homologous proteins. Nucleic Acids Res. 32: 424−428.
  45. K7. Kaback H.R., Voss J., Wu J. 1997. Helix packing in polytopic membrane proteins: the lactose permease of Escherichia coli. Curr Opin Struct Biol. 7(4):537−542.
  46. Ml. Mirus 0., Schleiff E. 2005. Prediction of beta-barrel membrane proteins by searching for restricted domains. BMC Bioinformatics. 6:254.
  47. M2. Martelli P.L., Fariselli P., Casadio R. 2003. An ENSEMBLE machine learning approach for the prediction of all-alpha membrane proteins. Bioinformatics. 19(1):205−211.
  48. M3. Muller Т., Spang R., Vingron M. 2002. Estimating amino acid substitution models: a comparison of Dayhoff s estimator, the resolvent approach and a maximum likelihood method. Mol Biol Evol. 19(1):8−13.
  49. M4. Muller Т., Rahmann S., Rehmsmeier M. 2001. Non-symmetric score matrices and the detection of homologous transmembrane proteins. Bioinformatics. 17:182−189.
  50. M5. Murzin A.G., Brenner S.E., Hubbard Т., Chothia C. 1995. SCOP: a structural classification of proteins database for the investigation of sequences and structures. J. Mol. Biol. 247:536 540.
  51. N1. Needleman S.B., Wunsch C.D. 1970. A general method applicable to the search for similarities in the amino acid sequence of two proteins. J Mol Biol. 48(3):443−453.
  52. N2. Nakai K, Horton P. 1999. PSORT: a program for detecting sorting signals in proteins and predicting their subcellular localization. Trends Biochem Sci. 24(l):34−36.
  53. N3. Ng P.C., Henikoff J.G., Henikoff S. 2000. PHAT: a transmembrane-specific substitution matrix. Predicted hydrophobic and transmembrane. Bioinformatics. 16(9):760−766.
  54. N4. Nilsson J, Persson B, von Heijne G. 2000. Consensus prediction of membrane protein topology. FEBS Letters. 267−269.
  55. Overbeek R., Larsen N., Pusch G.D., D’Souza M., Selkov E. Jr, Kyrpides N., Fonstein M., Maltsev N., Selkov E. 2000. WIT: integrated system for high-throughput genome sequence analysis and metabolic reconstruction. Nucleic Acids Res. 28(1):123−125.
  56. Okada Т., Palczewski K. Crystal structure of rhodopsin: implications for vision and beyond. Curr. Opin. Struct. Biol. 2001−11:420−426.
  57. С.A., Michie A.D., Jones S., Jones D.T., Swindells M.B., Thornton J.M. 1997. CATH a hierarchic classification of protein domain structures. Structure. 5:1093−1108.
  58. PI. Persson В., Argos P. 1997. Prediction of membrane protein topology utilizing multiple sequence alignments. J Protein Chem. 16(5):453−457.
  59. P3. Persson В., Argos P. 1994. Prediction of transmembrane segments in proteins utilising multiple sequence alignments. J Mol Biol. 237(2):182−192.
  60. P4. Paulsen I.T., Sliwinski M.K., Saier M.H. Jr. 1998. Microbial genome analyses: global comparisons of transport capabilities based on phylogenies, bioenergetics and substrate specificities. Mol. Biol. 277:573−592.
  61. P5. Parodi L.A., Granatir C.A., Maggiora G.M. 1994. A consensus procedure for predicting the location of alpha-helical transmembrane segments in proteins. Comput Appl Biosci. 10:527 535.
  62. P6. Park J.H., Saier M.H. Jr. 1996. Phylogenetic characterization of the MIP family of transmembrane channel proteins. J Membr Biol. 153(3): 171−180.
  63. Rl. Rost В., Fariselli P., Casadio R. 1996. Topology prediction for helical transmembrane proteins at 86% accuracy. Protein Sci. 5(8): 1704−1718.
  64. R2. Ren Q., Kang K.H., Paulsen I.T. 2004. TransportDB: a relational database of cellular membrane transport systems. Nucleic Acids Res. 32:284−288.
  65. R3. Royant A., Nollert P., Edman K., Neutze R., Landau E.M., Pebay-Peyroula E., Navarro J. 2001. X-ray structure of sensory rhodopsin II at 2.1-A resolution. Proc. Natl. Acad. Sci USA. 98:10 131−10 136.
  66. R4. Rost В., Liu J. 2003. The PredictProtein server. Nucleic Acids Res. 31:3300−3304.
  67. Saier M.H. Jr. 2000. A functional-phylogenetic classification system for transmembrane solute transporters. Microbiol. Mol. Biol. Rev. 64(2):354−411.
  68. Saier M.H. Jr, Tran C.V., Barabote R.D. 2006. TCDB: the Transporter Classification Database for membrane transport protein analyses and information. Nucleic Acids Res. 34:181−186.
  69. T.F., Waterman M.S. 1981. Identification of common molecular subsequences. J Mol Biol. 147(1):195−197.
  70. Saier MH Jr. 1999. A functional-phylogenetic system for the classification of transport proteins. Cell Biochem. 32:84−94.
  71. R.A., Rakhmaninova A.B., Gelfand M.S. 2003. BATMAS30: amino acid substitution matrix for alignment of bacterial transporters. Proteins. 51:85−95.
  72. Saitou N., Nei M. 1987. The neighbor-joining method: a new method for reconstructing phylogenetic trees. Mol. Biol. Evol. 4:406−425.
  73. Sonnhammer E.L., von Heijne G., Krogh A. 1998. A hidden Markov model for predicting transmembrane helices in protein sequences. Proc. Int. Conf. Intell. Syst. Mol. Biol. 6:175 182.
  74. R.A., Mironov A.A. 2006. Membrane probability profile construction based on amino acids sequences multiple alignment. Mol Biol (Mosk). 40(3):541−545.
  75. Tl. Tusnady G.E., Simon 1.1998. Principles governing amino acid composition of integral membrane proteins: Application to topology prediction. J. Mol. Biol. 283:489−506.
  76. T2. Tusnady G.E., Dosztanyi Z., Simon 1.2005. PDBTM: selection and membrane localization of transmembrane proteins in the protein data bank. Nucleic Acids Res. 33:275−278.
  77. T3. Tusnady G.E., Dosztanyi Z., Simon I. 2005. TMDET: web server for detecting transmembrane regions of proteins by using their 3D coordinates. Bioinformatics. 21(7):1276−1277.
  78. Т4. Thompson J.D., Higgins D.G., Gibson T.J. 1994. CLUSTAL W: improving the sensitivity of progressive multiple sequence alignment through sequence weighting, position-specific gap penalties and weight matrix choice. Nucleic Acids Res. 22:4673−4680.
  79. T5. Tudos E., Cserzo M., Simon I. 1990. Predicting isomorphic residue replacements for protein design. Int J Pept Protein Res. 36:236−239.
  80. VI. Viklund H., Elofsson A. 2004. Best alpha-helical transmembrane protein topologypredictions are achieved using hidden Markov models and evolutionary information. Protein Sci. 13(7):1908−1917.
  81. Wl. White S.H. 2004. The progress of membrane protein structure determination. Protein Sci. 13(7):1948−1949
  82. W2. Watson J.D., Laskowski R.A., Thornton J.M. 2005. Predicting protein function from sequence and structural data. Curr Opin Struct Biol. 15(3):275−284.
  83. Zl. Zhou C., Zheng Y., Zhou Y. 2004. Structure prediction of membrane proteins. Genomics Proteomics Bioinformatics. 2(l):l-5.
  84. Z2. Zhou H, Zhou Y. 2003. Predicting the topology of transmembrane helical proteins using mean burial propensity and a hidden-Markov-model-based method. Protein Sci. 12(7): 15 471 555.
  85. Z3. Zhang H., Cramer W.A. 2005. Problems in Obtaining Diffraction-quality Crystals of Hetero-oligomeric Integral Membrane Proteins. J. Struct. Funct. Genomics. 6:219−223.
  86. Z4. Zuckerkandl E., Pauling L. 1965. Molecules as documents of evolutionary history. J. Theor. Biol. 8:357−366.
Заполнить форму текущей работой

Сессия? Спокойно!