利用物理及蛋白質廓形為基礎的混合方法預測蛋白質結構

Abstract

蛋白質結構通常提供了序列和功能之間隱晦不明的關聯性。在蛋白質與蛋白質交互作用的研究中，以結構為基礎的蛋白質-蛋白質docking演算法常常提供比其他以序列為基礎的方法，提供了更多關於殘基在交互作用位置上詳細且正確的樣貌。因此，發展一個能正確又高效率地從序列預測3D結構的方法變得愈來愈重要。一般來說，有二類的理論方法可以預測蛋白質結構。一類是physics-based的方法，它採用物理化學的原理來分析資料，但是目前這種稱為ab initio的方法還不能實際運用的真實的系統之中。第二類則是knowledge-based的方法，依據對蛋白質結構和序列的瞭解和知識，用經驗法則來決定某序列最可能屬於的fold，其中又可分為comparative modeling、threading techniques (or reverse folding)或taxonometric approach等方法。然而knowledge-based的方法依據的是training的資料，這樣通常在會在序列相關性很低時出現誤判的情形，產生很低的可性度。在這個論文計畫中，我們將會發展一個綜合物理基礎和知識基礎的方法，可以有效率地運用在genome-scale蛋白質結構預測。本計畫的主要目標為： 1. 從序列產生decoy set。 2. 發展一個綜合物理基礎和知識基礎的energy 或scoring function，從decoy中找出native conformation。 我們相信這個方法可以提供一個預測蛋白質結構的實用工具。