Новые технологии в биомедицине: биоинформатика арчаков А. И., Поройков В. В., Белкина Н. В., Гусев С. А., Дубанов А. В., Иванов А. С., Лагунин А. А., Лисица А. В., Скворцов В. С., Соболев Б. Н
|
|
Скачать 483.25 Kb.
|
|
НОВЫЕ ТЕХНОЛОГИИ В БИОМЕДИЦИНЕ: БИОИНФОРМАТИКА Арчаков А.И., Поройков В.В., Белкина Н.В., Гусев С.А., Дубанов А.В., Иванов А.С., Лагунин А.А., Лисица А.В., Скворцов В.С., Соболев Б.Н. НИИ биомедицинской химии РАМН, 19832, Москва, Погодинская ул., 10 РЕЗЮМЕ Биоинформатика – область науки, разрабатывающая и применяющая вычислительные алгоритмы для анализа и систематизации генетической информации с целью выяснения структуры и функции макромолекул, с последующим использованием этих знаний для создания новых лекарственных препаратов. В результате исследования структуры геномов микроорганизмов, млекопитающих и человека появились огромные объемы информации о последовательностях ДНК и первичной структуре белков. Эта информация стала основой для разработки и приложения новых математических методов анализа данных и извлечения из них новых знаний. Цели биоинформатики, как области науки о жизни: Анализ геномов, выделение в их составе отдельных генов, их экзон- интронной структуры, сигнальных последовательностей и т.д.; Предсказание функции генов и экспрессируемых ими продуктов; Выявление генов - потенциальных мишеней действия новых лекарств; Оценка роли отдельных участков аминокислотной последовательности в функционировании белка; Построение молекулярных моделей белков и нуклеиновых кислот, исходя из их последовательностей; Исследование механизма функционирования макромолекул, исходя из их молекулярных моделей; Компьютерное конструирование лекарств, основанное на рациональном выборе генов-мишеней и молекулярных моделей их белковых продуктов. По сути дела, все эти задачи решаются с помощью математического анализа биологических текстов – последовательностей нуклеиновых кислот и первичной структуры белков. Современное понимание биоинформатики подводит нас к мысли о том, что все те задачи, которые до недавнего времени решались биохимией и молекулярной биологией в реальных экспериментах, в будущем могут быть решены с той или иной степенью точности в виртуальных компьютерных экспериментах. Поэтому основная задача биоинформатики в настоящее время сводится к разработке новых и адаптации уже существующих методов для работы с генетической информацией. Решение проблем "разметки" генома, предсказания функции отдельных генов и их продуктов, построения молекулярных моделей белков и нуклеиновых кислот служит основой для рационального компьютерного дизайна новых лекарств. Таким образом, экономической базой биоинформатики являются фармацевтическая промышленность и биотехнология. Получение предсказанных компьютерным путем макромолекул-фармакологических мишеней для действия лекарственных веществ - с помощью трансгенных животных и, особенно, растений, с одной стороны, и быстрый компьютерный поиск с последующим конструированием низкомолекулярных лигандов с высоким сродством к активным центрам этих молекул, с другой – способны качественным образом изменить содержание как современной биотехнологии, так и фармакологии. ^ Биоинформатика – область науки о компьютерном анализе генетических текстов, аминокислотных последовательностей, пространственной структуры и функции белков, являющаяся основой для идентификации макромолекул-мишеней и выявления их специфических лигандов с целью создания новых лекарств, превратилась в бурно развивающуюся область биомедицинской науки на стыке XX-XXI веков (Benton, 1996). Количество публикаций по биоинформатике, оцененное по информационной системе MEDLINE, стремительно нарастает в последние годы (рис.1).  ^ Симптоматично, что на страницах общенаучных журналов Nature и Science, обладающих одними из наиболее высоких импакт-факторов (превышающих 25), за последние годы было опубликовано соответственно 199 и 93 публикации, затрагивающих вопросы биоинформатики. Из приведенных на рис.1 данных, однако, не следует, что первые работы в данной области были начаты лишь в 1993 году. Скорее этот период явился результатом осознания качественного изменения ситуации – перехода от разрозненных теоретических работ, анализирующих нуклеотидные и аминокислотные последовательности, пространственную структуру белка, взаимосвязи "структура-функция", "структура-активность"; и попыток рационального конструирования новых лекарств – к комплексному подходу, охватывающему всю цепочку "от гена – к лекарству". В результате появился и сам термин (молекулярная) "биоинформатика". База для реализации такого комплексного подхода создавалась в течение многих лет усилиями многочисленных исследователей. Первые работы по теоретическому анализу аминокислотных последовательностей белков появились уже в пятидесятых годах вскоре после определения первичной структуры нескольких белков (Augenstine., 1953; Gamov, 1956). Расшифровка пространственной структуры инсулина (Hodgkin, 1936), а также гемогобина (Perutz, 1958) и миоглобина (Kendrew, 1959) методами рентгеноструктурного анализа положила основу для теоретического анализа взаимосвязей между пространственной структурой и функциями белка. Широкое внедрение в структурный анализ белка автоматических секвенаторов в начале 70-х годов существенно увеличило возможности экспериментального определения аминокислотных последовательностей. Существенно возрос и объем материала, доступного для теоретического осмысления. Параллельно расшифровке аминокислотных последовательностей белков развивались и исследования структуры нуклеиновых кислот. Накопление информации происходило достаточно быстро и в 1988 г. был начат проект по расшифровке генома человека, ставящий своей целью определение полной последовательности ДНК, составляющей хромосомы человека. Работы по этому проекту проводятся достаточно успешно и, по существующим оценкам, в 2001-2002 г.г. геном человека будет расшифрован полностью. Предполагается, что в результате этих работ число известных мишеней действия лекарств увеличится на порядок и достигнет 5000 (Investigational Drugs Weekly Highlights, 16 June 1999, p.20). Сравнительные оценки размеров геномов человека и других исследованных организмов приведены ниже: Человек 3000 млн. оснований (100 тыс.генов) Мышь 3000 млн. оснований (50-100 тыс. генов) Дрозофила 165 млн. оснований (15-25 тыс. генов) Нематода 100 млн. оснований (11.8-13.8 тыс.генов) Дрожжи (грибы) 14 млн. оснований (8355-8947 генов) E. coli (бактерия) 4.67 млн оснований (3237 генов) H. influenzae (бактерия) 1.8 млн. оснований M. genitalium (бактерия) 0.58 млн оснований К настоящему моменту полностью расшифрованы геномы ряда микроорганизмов (Human Genome News, 1998): Полностью расшифрованные геномы
В настоящее время большая часть расшифрованных аминокислотных последовательностей белков "транслирована" с нуклеотидных последовательностей, соответствующих кодирующим областям геномов. Насколько точной должна быть расшифровка нуклеотидных последовательностей, чтобы эти данные можно было использовать в прикладных целях? – Большинство авторов работ по секвенированию, проводимых в настоящее время, стремится к тому, чтобы частота ошибок была не более чем 1 на 10000 пар нуклеотидных оснований, а в некоторых случаях считается необходимым достичь точности 1 на 100000. Однако, индивидуальные различия составляют в среднем 1 на 500 пар оснований, поэтому при реализации проекта по полному секвенированию генома считается, что 1 ошибка на 1000 – более адекватная оценка приемлемой точности. В то же время, для повышения надежности и выявления возможных индивидуальных различий наиболее биологически- или медицински-значимые области генома должны быть исследованы более тщательно, но использование более грубого стандарта для других участков генома существенно снижает стоимость расшифровки генома человека в целом. Накопление огромного количества аминокислотных и нуклеотидных последовательностей привело к возникновению биоинформатики – области науки, направленной на их сравнительный анализ с целью определения структурно-функциональных взаимоотношений и выявления мишеней действия новых лекарств. Существенно, что для значительного числа белков, кодируемых расшифрованными генами, не известны ни физиологическая роль в организме, ни их месторасположение в клетке. Во многих случаях невозможно даже сказать, экспрессируются ли эти белки в процессе нормальной жизнедеятельности. Ответ на последний вопрос дает новая область науки – протеомика, которая определяет экспериментально всю совокупность белков, встречающихся в отдельных клетках и тканях у человека (в норме и при патологии), млекопитающих и микроорганизмов. Дополнительную к протеомике информацию получают теоретическими методами с помощью биоинформатики, анализирующей нуклеотидные и аминокислотные последовательности, на основе которой в последние годы сформировалась вся цепочка исследований "от гена - к лекарству": анализ генома человека в норме и при патологиях либо анализ генома патогенных микроорганизмов; выявление генов, кодирующих макромолекулы – потенциальные мишени новых лекарств; анализ аминокислотных последовательностей макромолекул-мишеней, выдвижение гипотез о их функции, если последняя не определена в эксперименте; экспериментальное определение или компьютерное построение моделей пространственной структуры макромолекулы-мишени; поиск в базах данных низкомолекулярных органических веществ потенциальных лигандов, моделирование их взаимодействия с макромолекулой-мишенью и сравнительная оценка прочности связывания в комплексе. Биоинформатика – бурно растущая область науки, что легко проиллюстрировать, например, по количеству web-сайтов в Интернете, содержащих данное ключевое слово, которое, согласно поисковой системе Alta Vista, в октябре 1999 года составляет 134630 web-сайтов. Возможно, наиболее важными среди них являются web-сайты, содержащие информацию по нуклеотидным и аминокислотным последовательностям, которые будут рассмотрены ниже более подробно. В то же время, несмотря на достигнутые успехи в расшифровке пространственной структуры биологических макромолекул, разрыв между количеством данных о нуклеотидных и аминокислотных последовательностей и числом расшифрованных трехмерных структур стремительно растет (рис.2-4).  Рис. 2. Рост числа записей в базе данных по нуклеотидным последовательностям (EMBL) с 1985 по 1999 годы.  Рис.3. Рост числа аминокислотных последовательностей в базах данных PIR (1), SWISS-PROT (2) и числа трехмерных структур в базе данных PDB (3) с 1986 по 1999 гг.  ^ Существует также разрыв между количеством открытых генов и знаниями о их функции. В докладе Р.Скотта (Incyte Pharmaceuticals Inc., USA) на конференции "Discovery 99: Accelerate and Improve Drug Discovery Process" (Сан-Диего, США, 26-29 апреля 1999 года) была представлена следующая статистика: всего открыто свыше 109000 генов; возможно, еще около 20000 будет найдено в ближайшие годы; функция известна – менее чем для 40% из этих генов (Investigational Drugs Weekly Highlights, 12th May, 1999, p.36). ^ Необходимо подчеркнуть, что в отличие от традиционной библиографической научно-технической информации, собираемой и распространяемой на печатных носителях и в электронной форме такими информационными службами как National Library of Medicine (US), Chemical Abstracts Service (US), BIOSIS (US), Excerpta Medica (The Netherlands), ВИНИТИ (Россия), МЦНТИ (Россия) и др., данные по биоинформатике являются фактографическими и гораздо более тесно привязаны к источникам их происхождения. По этой причине все известные в настоящее время базы данных по биоинформатике созданы и поддерживаются либо специально созданными для этой цели организациями, например European Molecular Biology Laboratory (Germany), European Bioinformatics Institute (UK), GenBank (US), National Center for Biotechnology Information (US), DNA DataBank of Japan (Japan) и др., либо функционируют на базе известных научно-исследовательских учреждений, ведущих экспериментальные работы в области биохимии и молекулярной биологии, например, National Institute of Allergy and Infectious Diseases, NIH (USA); Institute of Pharmaceutical Chemistry, University of Marburg (Germany); Department of Biochemistry, Kumamoto University School of Medicine (Japan); Институт цитологии и генетики СО РАН (Новосибирск), Институт биомедицинской химии РАМН (Москва), Институт физико-химической биологии МГУ им. А.Н.Белозерского и др. Как правило, в первом случае обеспечивается функционирование общих банков данных (БД) по биоинформатике, содержащих информацию о самых разных последовательностях белков и нуклеиновых кислот (GenBank, SWISS-PROT, и др.), а во втором – специализированных банков данных (БД по кодирующим ДНК цитокинов, БД по лиганд-рецепторным взаимодействиям, БД по цитохромам Р450, и т.д.). Поскольку информация по биоинформатике весьма разнообразна и многоаспектна, такое "разделение труда" представляется целесообразным, поскольку благодаря этому обеспечивается наиболее высокий уровень экспертной оценки данных. Вместе с тем, в настоящее время остро стоит проблема интеграции информации (Karp, 1996), содержащейся в различных банках данных, которая успешно решается как путем стандартизации представления информации, так и благодаря созданию необходимых конверторов. Пример системы обработки информации из различных фактографических и библиографических банков данных, созданной в EMBL, приведен на рисунке 5. Разработанная в EMBL компьютерная система обеспечивает работу с информацией из примерно 50 общих и специализированных банков данных, доступных через Интернет (рис.5). Некоторые примеры существующих в настоящее время банков данных по биоинформатике приведены в таблице 1. По-видимому, в будущем сохранится тенденция, когда наряду со сравнительно небольшим количеством глобальных (общих) банков данных, содержащих ограниченный объем информации по большому числу аминокислотным и нуклеотидным последовательностям, будет расти число специализированных банков данных, содержащих большой объем разнообразной информации по отдельным категориям аминокислотных и нуклеотидных последовательностей, относящимся к узкой предметной области. В то же время, будут интенсивно развиваться и поисковые системы, собирающие и интегрирующие информацию в соответствии с конкретными запросами пользователей из многочисленных (общих и специализированных) банков данных.  Рис. 5. Взаимосвязи в компьютерной системе Европейской лаборатории по молекулярной биологии, осуществляющей интеграцию и обработку данных по нуклеотидным и аминокислотным последовательностям из большого числа различных банков данных ^
^ 3.1. Анализ геномов – что можно извлечь из генетических текстов К настоящему времени полностью расшифрованы геномы около 30 биологических видов. В ближайшие годы ожидается завершение работ по анализу геномов еще несколько десятков видов, среди них – геномы ряда патогенных микроорганизмов; микроорганизмов, находящих применение в биотехнологии; геномов млекопитающих, в том числе – человека. Информация о геномах указанных видов предоставлена для свободного доступа на Web-серверах ряда организаций, которые занимаются собственно расшифровкой геномов (например, The Sanger Centre, Wellcome Trust, Великобритания; The Institute of Genomic Research, США), хранением и систематизацией медико-биологической и биотехнологической информации (например, National Center for Biotechnology Information, США), ее компьютерным анализом, а также активно использующих такую информацию в прикладных и фундаментальных исследованиях (например, Institut Pasteur, Франция). Базы данных (БД) геномов содержат нуклеотидные последовательности и "транслированные" по ним аминокислотные последовательности белков. В большинстве БД также содержатся дополнительные данные, как экспериментальные (например, значимость гена для выживаемости организма), так и полученные расчетным путем (например, функция белка, кодируемого геном, может быть постулирована на основе сходства его аминокислотной последовательности с первичной структурой уже охарактеризованного белка). Web-серверы, предоставляющие пользователю генетическую информацию, оснащены комплексом программных средств для поиска в БД и анализа нуклеотидных и аминокислотных последовательностей. В качестве запросов при поиске последовательностей в БД могут использоваться номенклатурные названия генов, организмов, ключевые слова и др. Ядро любой генетической информационной системы составляет программа поиска в БД гомологов последовательности, заданной пользователем. Обычно используются программы BLAST или FastA. Кроме того, на Web-серверах представлены программные средства, позволяющие рассчитать некоторые физико-химические свойства белка (например, изоэлектрическую точку), предсказывать вторичную структуру, наличие и локализацию трансмембранных участков и т.д. Такие данные часто используются при выполнении широкого круга исследований. Перечисленные программные средства позволяют ориентировочно установить некоторые характеристики отдельного выбранного белка. Вместе с тем, возможности выполнения операций с группами последовательностей как правило, ограничены, что не позволяет осуществлять сравнительный анализ целых геномов или больших групп последовательностей. Это ограничение значительно затрудняет решение с использованием этих программных средств задач по прогнозированию структурно-функциональных взаимосвязей для групп белков и поиску потенциальных молекулярных мишеней лекарственных препаратов на основе сравнительного анализа генетической информации. После определения последовательности генома необходимо выделить в его составе отдельные гены. Задача включает в себя определение локализации отдельных генов в нуклеотидной последовательности и идентификацию их границ и решается с применением методов биоинформатики. Эти методы позволяют определить с высокой степенью вероятности, является ли ген интроном или экзоном, а также является ли ген структурным или регуляторным. Используемые для этого подходы основаны на сравнении изучаемого генома с геномами, охарактеризованными ранее. Для локализации генов наилучшие результаты дает комбинация методов определения открытых рамок считывания и различий в частоте использования кодонов. Наиболее часто используемые компьютерные программы – GeneMark (Borodovsky, 1993), GenomeBrowser (Robinson, 1995), BLAST (Altschul, 1990), BLAZE или MPsrch (MPsrch). Когда "разметка" генома выполнена, осуществляется функциональная классификация отдельных генов. Задача решается путем поиска последовательностей, гомологичных рассматриваемому гену, в базах данных ранее охарактеризованных генов и белков (Ouzounis, 1996). Таким образом, функция нового гена прогнозируется, исходя из функции гомологов. Далее, путем выравнивания исследуемой последовательности с ее гомологами можно выявить в ней мотивы, ответственные за функцию белка, например - формирующие активный центр фермента. Сопоставлением групп последовательностей можно обнаружить, какие белки образуют функциональные комплексы, в реализации каких метаболических путей они принимают участие. На следующем этапе осуществляют поиск новых потенциальных мишеней для действия лекарственных средств. Проблема поиска мишеней встала особенно остро в связи с ситуацией, сложившейся в области создания новых противомикробных средств (Smith, 1996). Во многих случаях возможности воздействия лекарств на известные белки-мишени - практически исчерпаны (как, например, в случаях ВИЧ, вирусов гриппа, микобактерий туберкулеза и др.). Это обусловило необходимость поиска новых молекулярных мишеней для лекарств. С другой стороны, применение современных эффективных подходов к созданию новых лекарств требует детального изучения потенциальной молекулярной мишени. При создании нового противомикробного средства необходимо также учитывать его возможный спектр действия и вероятные побочные эффекты. Перечисленные факторы создают предпосылки для использования генетической информации при выборе мишеней для действия противомикробных средств. В 1999 году была опубликована первая работа, описывающая попытку выбора мишеней для действия лекарственных средств на основании сравнительного анализа генетической информации. Программа CATS (Computer-Aided Target Selection) была разработана с целью автоматизации выбора молекулярных мишеней для поиска новых противогрибковых средств (Spaltman, 1999). Вместе с тем, авторы преследовали цель создать достаточно гибкую систему, которая могла бы быть также использована применительно к другим фармакологическим группам. Программа CATS предназначена для анализа геномов с целью поиска белков, которые могли бы рассматриваться как наиболее предпочтительные мишени для действия лекарственных веществ. В качестве входной информации программа использует аминокислотные последовательности, соответствующие генам рассматриваемого микроорганизма, сравнниваемых геномов и сопутствующую информацию. Такой подход позволяет автоматизировать выбор потенциальных мишеней и определить приоритеты более детального изучения каждой из них, что сокращает число рассматриваемых объектов с нескольких тысяч до десятков (Spaltman, 1999). Как видно из рассмотренного в данном разделе материала, подход к конструированию лекарств на основе биоинформатики носит комплексный характер: уже на стадии анализа генетических текстов (сравнительный анализ целых геномов, отдельных генов) приходится принимать во внимание известную на конкретный момент информацию о структуре и функции ряда белков из различных организмов, возможности создания метода тестирования, возможности построения модели 3D структуры выбранной мишени, и ряд других факторов. ^ В случае, когда молекула белка-мишени определена, но ее пространственная структура не известна, приходится прибегнуть к построению 3D модели данного белка. С этой целью в настоящее время применяют три группы методов: (1) распознавание фолда (укладки, упаковки) с использованием библиотеки известных фолдов; (2) предсказания ab initio на основе знаний об атомных взаимодействиях и архитектуре белковой глобулы; (3) моделирование по гомологии. Распознавание фолда – это первая стадия для построения модели трехмерной структуры белка. Оно применяется, если отсутствует информация о близких гомологах исследуемого белка, пространственная структура которых расшифрована ранее. Хотя при этом удается предсказать корректно укладку для ~75% белков (Koehl, 1999), "разрешение" построенной таким образом модели не достаточно, чтобы использовать ее в дальнейших исследованиях как базовую для выявления механизма функционирования макромолекул. При предсказании ab initio целью является построение модели 3D структуры без использования знаний по структуре гомологов. Эти методы близки к методам предсказания фолда как по точности распознавания, так и по "разрешению" (Koehl, 1999). Предсказание трёхмерной структуры белка по известной аминокислотной последовательности осуществляется наиболее успешно, когда известна пространственная структура одного или нескольких его гомологов. В этих случаях информация об известных структурах может экстраполироваться на новую аминокислотную последовательность, что позволяет получить 3D модель до расшифровки структуры нового белка методами рентгеноструктурого анализа или ЯМР. Такой подход получил название сравнительного моделирования (иногда используются также термины - моделирование по гомологии или моделирование, основанное на знаниях). Первые попытки моделирования пространственной структуры белков, основанные на гомологии с другими белками, были предприняты в конце шестидесятых - начале семидесятых годов с использованием конструкцией из проволоки и пластиковых моделей (Browne, 1969). Значительно позже начали использовать интерактивную компьютерную графику (Issaks, 1978). Были„выполненыЃэксперименты по„{оделировани}„трехмерной„стр}ктурыuряда„белковp„в„частностиu„?„}актальбуминаѓна„осно{е„„D структуры лизоцима, процент идентичности между аминокислотными последовательностями которых равен 39% (Browne, 1969); ??литической‰проте{зы„грибов„на„основе„структур„химотрипсина€млекопитающих„и„элас{азы…„процент}идентичности„между а}иноки{лотными„последовательностями„которых„был„порядка„u„% (McLachlan, 1971); инсулиноподобных факторов роста на основе структуры инсулина свиньи (Blundell, 1978); ренина на основе структур пепсина и химозина (Frazao, 1994; Johnson, 1994); и другие. В результате этих экспериментов было показано, что моделирование дает хорошие результаты, если гомология между аминокислотными последовательностями рассматриваемых белков достаточно высока, но становится ненадежным, если эта гомология составляет менее 30% (Srinivasan, 1996). В настоящее время разработано достаточно большое число различных подходов к сравнительному моделированию (см. в кач. обзора – Johnson, 1994). Одним из наиболее широко используемых является метод, первоначально разработанный Бланделом с соавт. (Blundell, 1987, 1988) и реализованный в программе COMPOSER комплекса молекулярного моделирования SYBYL (TRIPOS, Inc.). При построении трехмерной модели для новой аминокислотной последовательности эта полипептидная цепочка сначала "вписывается" в координаты, соответствующие остаткам гомологичного белка с расшифрованной пространственной структурой, а затем осуществляется минимизация внутримолекулярной энергии, чтобы "убрать" возможные напряжения в структуре. В дальнейшем методами молекулярной динамики моделируется Броуновское движение отдельных частей молекулы с целью уточнения расположения гибких участков (петель) (Srinivasan, 1996). Качество полученной модели оценивают с использованием программы PROCHECK (Laskovski, 1993), к{тораяЂсравн‘вает‚распределениеuуглов„?„и„?„аминокислотныхyостатков|моделируемого бел}аyс~изв{стной|статистикой„Ђполученно{„для р}да„белковyс‚расши}рованнойqэкспе{иментально„пространственной„структурой„„ Построенные таким способом модели были успешно использованы для конструирования, например: новых ингибиторов протеазы вируса иммунодефицита человека для лечения СПИДа; ингибиторов ренина, как средств для лечения эссенциальной гипертензии; для белковой инженерии гибридных нейротрофных факторов; и т.д. (Srinivasan, 1996). Сравнительная оценка различных подходов к предсказанию пространственной структуры белка по аминокислотной последовательности традиционно проводится в Асиломаре (Калифорния, США). При этом авторам методов предсказания предъявляются аминокислотные последовательности белков, пространственная структура которых будет расшифрована к моменту очередного рабочего совещания CASP (Critical Assessment of Structure Prediction). Предсказание, таким образом, делается "вслепую", что позволяет объективно оценить его результаты. Недавно состоялось уже третье рабочее совещание CASP-3, на котором были обсуждены предсказания, сделанные 98 группами исследователей для 36 белков, структура которых была расшифрована к моменту проведения совещания (Koehl, 1999). По итогам CASP-3 было сделано заключение, что наилучшие предсказанные модели могут быть охарактеризованы величинами среднеквадратичного отклонения в расположении С? атомов 0.2, 0.4, и 0.6 нм. Разрешение 0.2 нм может быть достаточным для использования таких моделей с целью исследования механизма функционирования макромолекул. Разрешение 0.4 нм позволяет определить, какие остатки расположены по одну сторону молекулы и может быть использовано в планировании экспериментов. Разрешение 0.6 нм – слишком грубое и не может применяться ни в планировании дальнейших экспериментов, ни в анализе структурно-функциональных соотношений (рис.6). Второй подход, широко используемый в биоинформатике – это анализ биологических текстов как таковых с целью выяснения функции как целых молекул, так и их отдельных фрагментов. При этом используется только информация, содержащаяся в аминокислотной последовательности. Результаты такого рода работ оформляются в виде структурно-функциональных карт, на которых отмечены вероятные участки, участвующие в обеспечении каталитической активности, пространственной конформации, взаимодействии с белками-партнерами и т.п. ^ 3. Моделирование поверхностных петель; 4. Моделирование мембранного якоря (для мембранного белка).  |
Ваша оценка этого документа будет первой.
Ваша оценка:
Похожие:
База данных защищена авторским правом ©MedZnate 2000-2016
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям