AmoebaContact and GDFold: a new pipeline for rapid prediction of protein structures
从蛋白质的氨基酸序列可以预测氨基酸残基之间的天然接触，预测的接触信息可以辅助从头蛋白质结构预测。在这里，我们提出了一个新的管道的残基接触预测AmoebaContact和接触辅助文件夹GDFold快速蛋白质结构预测。与利用人类设计的神经网络的主流接触预测器不同，AmoebaContact采用了一组通过自动搜索发现的最佳接触预测的网络架构，并预测一系列截止点处的残留接触。与传统的仅使用得分最高的接触对的接触辅助文件夹不同，GDFold在可微损失函数中考虑来自AmoebaContact预测结果的所有残基对，并使用梯度下降算法优化原子坐标。AmoebaContact和GDFold的组合允许快速重建蛋白质结构，具有与最先进的蛋白质结构预测方法相当的模型质量。
2019-05-28 q-bio.BM
Cross-Modality Protein Embedding for Compound-Protein Affinity and Contact Prediction
Texas A&M University（得克萨斯农工大学）
化合物-蛋白质对主导FDA批准的药物-靶标对，并且化合物-蛋白质亲和力和接触（CPAC）的预测可以帮助加速药物发现。在这项研究中，我们认为蛋白质的多模态数据，包括一维氨基酸序列和（序列预测）二维残基对接触地图。我们经验性地评估了两种单一模式的嵌入在其CPAC预测（即无结构可解释的化合物-蛋白质亲和力预测）的准确性和普遍性。我们合理化他们的表现在嵌入个人模态和学习概括嵌入标签关系的挑战。我们进一步提出了两个涉及交叉模态蛋白质嵌入的模型，并确定具有交叉相互作用（从而捕获模态之间的相关性）的模型在亲和力，接触和结合位点预测方面优于SOTA和我们的单一模态模型，这些预测在训练集中从未见过。
2020-11-14 cs.LG q-bio.BM
Why aren't the small worlds of protein contact networks smaller
通过计算机实验研究了蛋白质接触网络（由蛋白质氨基酸残基之间的空间接触引起的网络）的平均最短路径长度为何不短，尽管它们对蛋白质折叠很重要。我们发现，较短的平均节点间的距离是不能保证找到一个更容易的全局最优。实验结果也导致了与现有观点相一致的观察结果，即短程或长程相互作用都不主导蛋白质折叠过程。尽管如此，在使用远程交互时稍微延迟的运行产生了最好的搜索性能。我们将这一发现纳入优化功能，给予更多的权重，短程链接。这产生的结果表明，随机化的长距离链接并没有产生更好的搜索性能比蛋白质接触网络自然，即使随机化的长距离链接显着减少平均路径长度，并保留了大部分的集群和正度度相关性固有的蛋白质接触网络。因此，在蛋白质接触网络的拓扑限制之下，除了排除体积的论点之外，还可以有其他解释。
2011-06-01 cs.SI physics.bio-ph physics.soc-ph
Protein contact map prediction using bi-directional recurrent neural network
在给定的二维接触图下，蛋白质三维结构的重建精度可达2 A或更高，是解决蛋白质折叠问题的一种可行的计算方法。传统方法的预测准确性通常太差而无法使用，但最近的深度学习模型显着提高了准确性。在这项研究中，我们提出了一个神经网络模型，包括一个双向循环神经网络和人工神经网络。在Protein Data Bank中所有可用蛋白质3D结构的非冗余数据库中，该深度学习模型的准确率达到0.80，远高于以前的模型。这项研究代表了蛋白质2D接触图预测的重大突破，并可能是蛋白质折叠问题的重要一步。
2019-06-11 q-bio.BM
Optimality of Moore neighborhoods in protein contact maps
蛋白质接触图是捕捉蛋白质原子之间的距离关系的二元对称邻接矩阵。蛋白质接触图的每个单元（i，j）表示原子（节点）i和j彼此之间是否在某个欧几里德距离内。我们通过一次突变一个细胞来检查完整蛋白质接触图中每个细胞（i，j）周围的半径为1的摩尔邻域，其中j >（i + 2）。我们发现，在没有其他配置可以保持或改善现有的本地和全局效率的节点驻留在一个街区的意义上，一个街区的特定配置通常是（97%）最佳的。节点的局部效率与其聚类度量直接相关。节点的全局效率与其到网络中其他节点的距离成反比。完整蛋白质接触图中摩尔邻域的这一特征可以解释蛋白质残基网络如何能够形成长距离链接以减少平均路径长度，同时在整个小世界形成过程中保持高水平的聚类，并可能为蛋白质接触图预测提出新的方法。有效地，蛋白质接触图预测的问题转化为最大化的最佳邻域的数量之一。相比之下，具有随机长距离链接的蛋白质接触图中的摩尔邻域不太理想。
2013-05-06 q-bio.BM q-bio.MN
Prediction of native contacts in proteins from an out--of--equilibrium coevolutionary process
同源蛋白质残基的协同进化分析是预测其天然构象的有力工具。共同进化分析的标准框架通常是平衡Potts模型，假设蛋白质已经进化了足够长的时间，在序列空间中达到热力学平衡。在这里，我们提出了一个模型来描述序列中的相关性的基础上明确描述蛋白质的进化动力学。我们表明，这个过程提高了正确的预测本地接触相对于平衡-基于模型。
2020-02-09 q-bio.BM
Geometric Transformers for Protein Interface Contact Prediction
University of Missouri（密苏里大学）
用于预测蛋白质之间的界面接触的计算方法在药物发现中受到高度追捧，因为它们可以显着提高替代方法的准确性，例如蛋白质-蛋白质对接，蛋白质功能分析工具和蛋白质生物信息学的其他计算方法。在这项工作中，我们提出了几何Transformer，一种用于旋转和平移不变蛋白质界面接触预测的新型几何演化图Transformer，封装在DeepInteract中，DeepInteract是一种端到端的预测管道。DeepInteract预测伴侣特异性蛋白质界面接触（即，蛋白质间残基-残基接触），给出两种蛋白质的3D三级结构作为输入。在严格的基准测试中，DeepInteract在第13和第14次CASP-CAPRI实验以及对接基准5的挑战性蛋白质复合物目标上分别达到了14%和1.1%的最高L/5精度（L：复合物中蛋白质单元的长度）。在这样做的过程中，DeepInteract以Geometric Transformer作为其基于图形的主干，除了与DeepInteract兼容的其他基于图形的神经网络主干之外，还优于现有的界面接触预测方法，从而验证了Geometric Transformer在学习3D蛋白质结构下游任务的丰富关系几何特征方面的有效性。
2022-03-04 cs.LG q-bio.BM q-bio.QM
Impact of phylogeny on structural contact inference from protein sequence data
本文研究了系统发育相关性对蛋白质序列推断结构接触的影响，通过可控合成数据证明全局推断方法（如Potts模型）比局部方法更具鲁棒性，并揭示了早期突变位点导致假阳性接触的机制。
2023-01-05 physics.bio-ph q-bio.BM q-bio.QM
Effect of protein structure on evolution of cotranslational folding
共翻译折叠取决于新生蛋白质的折叠速度和稳定性。然而，要预测哪些蛋白质会协同折叠仍然很困难。在这里，我们模拟模型蛋白质的进化，以探讨天然结构如何影响共翻译折叠的进化。我们开发了一个模型，将翻译期间和翻译后的蛋白质折叠与细胞适应性联系起来。模型蛋白进化出改进的折叠速度和稳定性，蛋白质采用两种快速折叠策略之一。低接触顺序蛋白进化为互补折叠。此类蛋白质在翻译过程的早期就采用天然构象，随后翻译的每个残基都建立了额外的天然接触。另一方面，高接触顺序的蛋白质往往在其天然构象中不稳定，直到整个链几乎被挤出。我们还模拟了缓慢翻译密码子的进化，发现在某些位置较慢的翻译速度增强了共翻译折叠。最后，我们研究了真正的蛋白质结构，使用以前发表的数据集，确定了进化保守的罕见密码子在E。coli基因，并将这些密码子与共翻译折叠中间体相关联。我们发现，保守的稀有密码子之前的蛋白质亚结构往往具有较低的接触顺序，与我们的发现，即较低的接触顺序的蛋白质更容易折叠互补。我们的工作显示了进化的选择压力如何导致具有局部接触拓扑结构的蛋白质进化共翻译折叠。
2020-06-22 q-bio.BM
Sequence co-evolution gives 3D contacts and structures of protein complexes
蛋白质相互作用是许多生物过程的基础。实验筛选已经确定了数以万计的相互作用，结构生物学为选择3D蛋白质复合物提供了详细的功能见解。关于蛋白质相互作用的另一个丰富的信息来源是进化序列记录。在早期工作的基础上，我们表明，跨蛋白质的相关进化序列变化的分析确定的残基，是接近的空间有足够的准确性，以确定的三维结构的蛋白质复合物。我们在盲法测试中评估了76个已知3D结构的复合物的预测性能，预测了32个未知结构的复合物中的蛋白质-蛋白质接触，并演示了如何使用进化耦合来区分大型复合物中相互作用和非相互作用的蛋白质对。随着目前序列数据库的增长，我们期望该方法可以推广到全基因组范围内的蛋白质相互作用网络的阐明，并用于在残基分辨率的相互作用预测。
2014-09-16 q-bio.BM
Predicting diverse M-best protein contact maps
蛋白质接触包含了蛋白质结构和功能研究的重要信息，但从序列信息预测接触仍然是非常具有挑战性的。近年来，进化偶联（EC）分析在多序列序列比对（MSA）中通过检测共同进化的残基（或柱）来预测接触，由于更好的统计评估技术和高通量测序而取得了良好的进展。现有的EC分析方法仅预测给定蛋白质的单个接触图，这可能具有低准确性，特别是当待预测的蛋白质不具有大量序列同源物时。类似于从头折叠通常预测一个给定的蛋白质序列的几个可能的3D模型，本文提出了一种新的结构学习方法，可以预测一组不同的接触图为一个给定的蛋白质序列，其中最好的解决方案通常有更好的精度比第一个。我们的实验测试表明，对于许多测试蛋白质，由我们的方法产生的5个解决方案中的最佳解决方案的准确性至少比第一个好0.1，当评估前L/5或L/10（L是序列长度）预测的长程接触时，特别是对于具有少量序列同源物的蛋白质家族。我们最好的解决方案也比两种流行的EC方法Evfold和PSICOV产生的质量更好。
2015-11-30 q-bio.BM q-bio.QM
Potential function of simplified protein models for discriminating native proteins from decoys: Combining contact interaction and local sequence-dependent geometry
有效的势函数是蛋白质结构预测和折叠模拟的关键。对于简化的蛋白质模型，其中仅需要指定$C_α$原子的坐标，精确的势函数是重要的。这样一个简化的模型是必不可少的构象空间的有效搜索。在这项工作中，我们提出了一个公式的潜在功能的简化表示的蛋白质结构。它是基于来自残基-残基接触和序列依赖的局部几何形状的描述符的组合。通过最大化本机结构和诱饵结构之间的裕度来优化，获得接触和局部几何的最优权系数。后者是由链增长和无间隙穿线产生的。利用几个基准诱饵集对势函数在区分天然蛋白质结构和诱饵的盲测中的性能进行了评价。该势函数具有与几种基于残基的势函数相当或更好的性能，所述基于残基的势函数另外需要侧链中心的坐标或所有侧链原子的坐标。
2004-07-22 q-bio.BM
OPUS-Beta: A Statistical Potential for Beta-Sheet Contact Pattern in Proteins
开发准确的评分函数对于成功预测蛋白质结构至关重要。在这项研究中，我们开发了一个统计势函数，称为OPUS-Beta，用于独立于原子坐标信息的能量评估β-折叠接触模式（蛋白质的整个残基-残基β-接触）。OPUS-Beta电位包含五项，即，自包装项、成对链间包装项、成对链内包装项、晶格项和氢键项。结果表明，OPUS-Beta势在识别诱饵中的天然β-接触模式时优于文献中的现有方法，尤其是与使用二维递归神经网络的方法相结合时（在前1和前5选择方面分别提高了约5%和23%）。我们期望OPUS-Beta电位在蛋白质的β折叠建模中是有用的。
2015-08-03 q-bio.BM
Deriving amino acid contact potentials from their frequencies of occurence in proteins: a lattice model study
从进化的角度讨论了从蛋白质中出现的频率推导氨基酸之间接触电势的可能性。这种方法允许使用传统的热力学来描述这样的频率，并因此开发出一种策略，以在计算中包括由于氨基酸的空间接近性和它们在蛋白质中保守的总体趋势而引起的相关性。利用晶格模型来描述蛋白质链，并定义一个“真正的”潜力，我们测试这些策略，通过选择一个数据库的折叠模型序列，推导出接触电位从这样的序列，并将它们与“真正的”潜力。考虑到相关性，可以更好地预测相互作用势。
2004-06-15 q-bio.BM
Assortative mixing in Protein Contact Networks and protein folding kinetics
从氨基酸的线性链开始，蛋白质自发折叠成它们精细的三维结构是生物自组织的一个显著例子。我们从复杂网络的角度研究了30个单结构域、双状态蛋白质的自然状态结构，以理解拓扑参数在蛋白质折叠动力学中的作用，在两个长度尺度上--作为"蛋白质接触网络“（PCNs）及其相应的”长程相互作用网络“（LINs），通过忽略短程相互作用构建。我们的研究结果表明，PCNs和LINs都表现出特殊的拓扑性质的“非对称混合”，这是在所有其他生物和技术网络研究到目前为止。我们发现，这些接触网络的度分布是部分负责所观察到的非线性。在短接触和长接触尺度下，线性化系数与蛋白质折叠速率均呈正相关，而只有LINs的聚类系数呈负相关。结果表明，这些自然进化的蛋白质网络的一般拓扑参数可以有效地代表结构和功能特性所需的快速信息传递之间的残基促进生化/动力学功能，如，变构，稳定性和折叠的速度。
2007-11-17 q-bio.BM q-bio.MN
Free energy landscape of two-state protein Acylphosphatase with large contact order revealed by force-dependent folding and unfolding dynamics
酰基磷酸酶（AcP）是一种由98个氨基酸残基组成的小分子蛋白质，催化羧基-磷酸键的水解。AcP是一种典型的双态蛋白，由于其天然结构中相对较大的接触顺序，折叠速率较慢。用原子力显微镜研究了磷酸亚铁的力学性质和去折叠行为。但在低力下的折叠和展开动力学还没有报道。在这里，使用稳定的磁镊，我们测量的力依赖性的折叠速率范围从1 pN到3 pN，和展开速率从15 pN到40 pN。所获得的展开速率在低于和高于~27 pN的力下显示出不同的力敏感性，这决定了具有两个能垒的自由能景观。我们的研究结果表明，小球状蛋白质的自由能景观一般双峰驼形状，和大的接触秩序的天然状态产生了一个高的障碍占主导地位，在低力。
2022-03-11 cond-mat.soft physics.bio-ph q-bio.BM
Accurate De Novo Prediction of Protein Contact Map by Ultra-Deep Learning Model
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
近年来，蛋白质接触预测取得了令人振奋的进展，但对于没有大量同源序列的蛋白质，预测的接触仍然是低质量的，对从头结构预测不是很有用。本文提出了一种新的深度学习方法，该方法通过由两个深度残差网络形成的超深度神经网络整合进化耦合（EC）和序列保守信息来预测接触。这种深度神经网络使我们能够模拟非常复杂的序列接触关系以及长距离的相互接触相关性。我们的方法大大优于现有的接触预测方法，并导致更准确的接触辅助蛋白质折叠。在579个蛋白质的三个数据集上进行测试，我们的方法，代表性EC方法CCMpred和CASP 11获奖者MetaPSICOV的平均top L远程预测准确率分别为0.47，0.21和0.30;我们的方法，CCMpred和MetaPSICOV的平均top L/10远程准确率分别为0.77，0.47和0.59。使用我们预测的接触作为约束的从头折叠可以产生正确的折叠（即，TMscore>0.6），而使用MetaPSICOV-和CCMpred-预测的接触可以分别仅对79和62种蛋白质这样做。此外，我们的接触辅助模型比基于模板的模型具有更好的质量。使用我们预测的接触作为限制，我们可以（从头开始）折叠398个膜蛋白中的208个，TM评分>0.5。相比之下，当我们的方法的训练蛋白质被用作模板时，同源建模只能对其中的10个进行。一个有趣的发现是，即使我们没有用任何膜蛋白训练我们的预测模型，我们的方法在膜…
2016-11-27 cs.LG q-bio.BM q-bio.QM
Mapping active allosteric loci SARS-CoV Spike Proteins by means of Protein Contact Networks
冠状病毒是导致近期人类严重急性呼吸系统综合症爆发的一类病毒。病毒进入和感染性背后的分子机制是基于病毒刺突蛋白与血管紧张素转化酶2（ACE 2）复合物的形成。病毒刺突蛋白上推定的变构位点的检测可以追踪开发变构药物以减弱刺突-ACE 2界面的强度并因此降低病毒感染性的路径。在这项工作中，我们提出了将蛋白质接触网络（PCN）范式应用于复杂的SARS-CoV尖峰-ACE 2的结果，相对于2003年的SARS和最近的2019 - CoV。结果指向一个特定的区域，存在于这两种结构中，这是预测作为变构位点调节与ACE 2的刺突蛋白的结合。
2020-03-11 q-bio.BM stat.AP
The network of stabilizing contacts in proteins studied by coevolutionary data
蛋白质的一级结构，即它们的序列，代表了关于生物分子的最丰富的实验数据之一。通过逆伊辛模型的方法，在家庭的共同进化蛋白质的相关性的研究可以获得它们的天然构象的信息。沿着这条线的最新发展，我们优化的算法来计算残基之间的有效能量，验证的方法都回计算模型系统中的相互作用能，并预测在真实系统中的突变相关的自由能。利用这些有效的能量，我们研究了网络的相互作用，稳定了一些研究充分的蛋白质的天然构象，显示它显示出不同的属性比相关的接触网络。
2013-07-05 q-bio.BM
Reconstruction of protein structures from a vectorial representation
我们表明，接触地图的天然结构的球状蛋白质，可以重建从接触地图的主特征向量的唯一知识，并为此目的提出了一个精确的算法。我们的算法产生一个独特的接触地图的所有221个球状结构的PDB选择25的长度$N \le 120$。我们还表明，重建的接触地图允许反过来准确重建的三维结构。这些结果表明，由接触图的主特征向量提供的约化向量表示等价于蛋白质结构本身。这种表示法有望为蛋白质结构比较和比对的生物信息学算法提供一个有用的工具，同时也是蛋白质结构预测的一个有前途的中间步骤。
2004-04-13 q-bio.BM
Direct-coupling analysis of residue co-evolution captures native contacts across many protein families
同源蛋白质的三维结构的相似性对其序列变异性施加了强有力的约束。长期以来，人们一直认为，不同序列位置处的氨基酸组成之间的相关性可以用来推断蛋白质三级结构内的空间接触。该推断的关键是解开直接和间接相关性的能力，如通过最近引入的直接耦合分析（DCA）（Weigt等人（2009）Proc Natl Acad Sci 106：67）所实现的。在这里，我们开发了一个计算效率高的实施DCA，这使我们能够评估接触预测的准确性DCA的大量蛋白质结构域，纯粹基于序列信息。DCA示出产生大量的正确预测的接触，概括的全球结构的接触图的大多数蛋白质结构域检查。此外，我们的分析捕获了超出结构域内残基接触的明确信号，例如，来自蛋白质低聚物中的替代蛋白质构象、配体介导的残基偶联和结构域间相互作用。我们的研究结果表明，DCA预测的接触可以作为一个可靠的指导，以促进计算预测的替代蛋白质构象，蛋白质复合物的形成，甚至从头预测的蛋白质结构域结构，提供了大量的同源序列的存在，这是由于在基因组测序的进步，正在迅速提供。
2011-10-25 cond-mat.stat-mech q-bio.BM q-bio.QM
Cotranslational folding of deeply knotted proteins
即使在基于结构的模型中，深度打结的蛋白质的正确折叠也具有非常低的成功率，所述基于结构的模型有利于天然接触的形成，但没有拓扑偏差。通过采用基于结构的模型，我们证明了在模型核糖体上的共翻译折叠可以提高蛋白质YibK形成三叶结的几率，而无需引入任何非天然接触。核糖体是由一个排斥壁代表的，它使蛋白质不断延长。核糖体上的折叠通过活结构象进行。我们阐明其形成的力学和能量学。我们表明，在上核糖体折叠的打结概率是温度的函数，并有一个最佳的温度的过程。我们的模型往往导致建立本土联系，而没有形成结。
2015-09-03 physics.bio-ph q-bio.BM
Statistical mechanical properties of sequence space determine the efficiency of the various algorithms to predict interaction energies and native contacts from protein coevolution
研究进化相关性的同源序列比对的逆Potts模型已被证明是有用的，以获得残基-残基接触能和预测蛋白质中的接触。结果的质量在很大程度上取决于几个选择的详细模型和所使用的算法。我们以一种非常可控的方式构建了具有与真实蛋白质相似的统计特性的合成比对，并使用它们来评估不同反演算法及其变体的性能。现实的合成路线显示无序系统的低温阶段的典型功能，影响反演算法的功能。我们表明，玻尔兹曼-学习算法是计算上可行的，并在预测本地接触的能量表现良好。然而，所有算法都同样会出现误报，这使得使用不同算法的本地联系人的预测质量在很大程度上取决于系统。
2019-02-04 q-bio.BM
Predicting membrane protein contacts from non-membrane proteins by deep transfer learning
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）；University of Chicago（芝加哥大学）；University of Hong Kong（香港大学）
膜蛋白（MP）结构的计算预测是非常具有挑战性的，部分原因是缺乏足够的解决结构的同源建模。最近，直接进化偶联分析（DCA）揭示了一些光蛋白质接触预测，因此，接触辅助折叠，但DCA是有效的，只有在一些非常大的家庭，因为它只使用在一个单一的蛋白质家族的信息。本文提出了一种深度迁移学习方法，通过从数千种非膜蛋白（non-MP）中学习接触模式和复杂的序列-接触关系，可以显著改善MP接触预测。在510个非冗余MP上进行测试，我们的深度模型（仅从非MP学习）具有最高的L/10长距离接触预测精度0.69，优于我们仅由MP训练的深度模型（0.63），并且远远优于代表性的DCA方法CCMpred（0.47）和CASP 11获奖者MetaPSICOV（0.55）。当由非MP和MP混合训练时，我们的深度模型的准确性可以进一步提高到0.72。当仅评估跨膜区域中的接触时，当分别由非MP和MP的混合、仅由非MP和仅由MP训练时，我们的方法具有最高L/10远程准确度0.62、0.57和0.53，仍然比MetaPSICOV（0.45）和CCMpred（0.40）好得多。所有这些结果表明，我们的深度模型从非MP学习到的序列-结构关系可以很好地推广到MP接触预测。改进的接触预测还导致更好的接触辅助折叠。仅使用最高预测联系人作为约束，当仅由非MP训练时，我们的深度学习方法可以折叠TMscore>0.6的510个MP中的1…
2017-04-24 cs.LG cs.NE q-bio.BM
Predicting Residue-wise Contact Orders of Native Protein Structure from Amino Acid Sequence
残基接触序（RWCO）是一种新的一维蛋白质结构，它表征了蛋白质之间长程接触的程度。我们最近发现，一组三种类型的一维结构（二级结构，接触数，和RWCO）包含足够的信息重建蛋白质的三维结构。目前，已有从氨基酸序列预测二级结构和接触数的方法，但还没有针对RWCO的预测方法。此外，影响RWCO的氨基酸的性质还不清楚。在这里，我们提出了一种基于线性回归的方法来预测RWCO从氨基酸序列，并分析回归参数，以确定与RWCO相关的属性。本方法实现了显着的相关性0.59之间的本地和预测RWCO的平均。RWCO预测的一个不寻常的特征是26个残基的非常大的最佳半窗口大小。局部序列片段的中心和近中心残基的回归参数与接触数预测高度相关，因此与疏水性高度相关。
2005-01-12 q-bio.BM
Predicting protein contact map using evolutionary and physical constraints by integer programming (extended version)
Toyota Technological Institute at Chicago（芝加哥丰田工业大学）
动机蛋白质接触图描述了蛋白质中残基的空间和功能关系，包含了蛋白质三维结构预测的关键信息。尽管已经被广泛研究，但仅使用序列信息预测接触图仍然非常具有挑战性。现有的方法大多是逐元素地预测接触图矩阵，忽略了接触之间的相关性和整个接触图的物理可行性。最近的几种方法预测接触地图的基础上残基的共同进化，考虑到接触相关性和执行稀疏约束，但这些方法需要非常大量的序列同源物的蛋白质在考虑和所得的接触地图可能仍然是物理上不利的。结果本文提出了一种新的方法PhyCMAP接触地图预测，集成了机器学习和整数线性规划（ILP）的进化和物理约束。进化约束包括序列特征、残基协同进化和环境特异性统计势。物理约束比稀疏约束更具体地描述了接触之间的关系。因此，我们的方法大大减少了接触映射矩阵的解空间，从而显着提高了预测精度。实验结果证实，PhyCMAP优于目前流行的方法，无论有多少序列同源物可用于所考虑的蛋白质。PhyCMAP可以在PSIBLAST搜索序列同源物后几分钟内预测接触，比最近的两种方法PSICOV和EvFold快得多。有关Web服务器，请参见http://raptorx.uchicago.edu。
2013-08-19 cs.CE cs.LG math.OC
Modeling Protein Contact Networks
蛋白质是一类重要的生物分子，作为细胞的基本组成部分。它们的三维结构负责它们的功能。在这篇论文中，我们用网络理论的方法研究了蛋白质的结构。在这样做的时候，我们使用了一种粗粒度的方法，即，复杂网络分析我们在两个长度尺度上对蛋白质结构进行建模，即蛋白质接触网络（PCN）和长程相互作用网络（LIN）。我们发现，蛋白质由于具有大量的聚类特征，是小世界网络。除了小世界性质，我们发现蛋白质还有另一个一般性质，即，不确定性。这是一个有趣而特殊的发现，因为所有其他复杂网络（除了社交网络）都是离散的。重要的是，我们可以通过建立适当的控制来确定一个主要的拓扑决定因素。
2007-11-16 q-bio.BM q-bio.MN
A generative model for protein contact networks
在本文中，我们提出了一个蛋白质接触网络的生成模型。该模型的合理性主要集中在介观性能阐述的光谱图拉普拉斯。为了补充分析，我们还研究了经典的拓扑描述符，如最短路径的统计和模块化的重要特征。我们的实验表明，所提出的模型结果在一个相当大的改进，相对于两个适当选择的生成机制，模仿更好的近似真正的蛋白质接触网络的扩散性能阐述从拉普拉斯光谱。然而，以及其他考虑的模型，它没有足够的精度再现的最短路径结构。为了弥补这一缺陷，我们设计了第二步，涉及有针对性的边缘重新配置过程。重新配置的网络的集合表示统计上显著的改进。作为我们研究的副产品，我们证明了模块化，蛋白质的一个众所周知的属性，并不能完全解释蛋白质接触网络的实际网络结构特征。事实上，我们的结论是，模块性，作为一个潜在的社区结构的量化，应被视为一个新兴的属性的结构组织的蛋白质。有趣的是，这样的属性是适当优化的蛋白质接触网络与路径效率的功能。
2015-03-08 physics.data-an q-bio.BM q-bio.MN
Representation of protein structure based on frequency distributions of oriented cycles in contact graphs
我们提出了一种统计方法，蛋白质结构，通过引入一个表示蛋白质折叠的基础上定义为接触图中的定向周期的频率的简单的可观的。受这些循环可能形成整个蛋白质结构的代码的想法的启发，我们研究了它的香农熵。当在定义接触的蛋白质残基的几何阈值$t$的不同值上追踪时，后者显示出特征性的短暂行为。为了解释这一观察结果，我们提出了一个非线性力学模型-制定为一个哈密顿系统，其中$t$被认为是一个连续的参数-允许识别的行为香农熵之间的一个无序和有序相的建议的机械系统的一阶相变。过渡本身反映了蛋白质结构的形成时，表示在接触图周期，它被确定为一个例子，从其他几个统计系统没有适当的热力学限制已知的片段化过渡。一些有趣的影响，从我们的模型，包括手性，破缺$t$对称性和一维。虽然定义从纯粹的结构考虑，我们进一步表明，对于天然蛋白质结构，这些可观的遵循一些定量规则，通常是有效的氨基酸类型的蛋白质序列。此外，多肽结构和它们的氨基酸序列之间的这种关系暗示了特定的蛋白质设计字母表。
2005-10-06 nlin.AO q-bio.BM
Estimating probabilistic context-free grammars for proteins using contact map constraints
蛋白质序列语言的学习是生物信息学的一个长期挑战，它需要至少上下文无关文法来描述氨基酸之间的非局部相互作用。然而，蛋白质相互作用的复杂性阻碍了上下文无关文法的无监督学习。使用结构信息来约束句法树在学习概率自然语言和RNA语言中被证明是有效的。在这项工作中，我们建立了一个框架，学习概率上下文无关文法的蛋白质序列的句法树部分限制使用从湿实验或计算预测，其可靠性大幅增加最近获得的氨基酸接触。在这个框架内，我们实现了简单而实用的语法参数的最大似然和对比估计。通过对蛋白质基序样本的测试，在该框架内开发的语法显示出更高的识别精度和对蛋白质结构的更高保真度。该框架适用于其他生物分子语言和超越任何地方的非本地依赖性的知识。
2018-05-22 cs.FL q-bio.BM
Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts
Department of Electrical；Computer Engineering, Texas A\&M University, College Station, TX 77843, United States；Department of Computer Science；Engineering, Texas A\&M University, College Station, TX 77843, United States
预测化合物与蛋白质的亲和力对于加速药物发现至关重要。机器学习最近取得的进展主要集中在准确性上，但在可解释性方面还有很多需要改进的地方。通过分子联系的基础亲和力，我们的大规模的可解释性评估发现常用的注意力机制不足。因此，我们制定了一个层次化的多目标学习问题，其预测的接触形成的基础上预测的亲和力。我们进一步设计了一个物理启发的深度关系网络，DeepRelations，具有内在可解释的架构。具体来说，各种原子级接触或“关系”导致分子级亲和力预测。嵌入式注意与预测的结构上下文和监督部分可用的训练接触。DeepRelations表现出了卓越的可解释性：在不影响亲和力预测的情况下，它分别将测试、化合物独特、蛋白质独特和两者都独特的接触预测的AUPRC提高了9.5、16.9、19.3和5.7倍。我们的研究代表了第一个专门的模型开发和系统的模型评估，可解释的机器学习的化合物-蛋白质亲和力。
2019-12-29 cs.LG q-bio.BM
Contact statistics highlight distinct organizing principles of proteins and RNA
虽然RNA和蛋白质都具有密集的天然结构，但这两种生物聚合物的链组织是根本不同的。最近发现染色质折叠，间期染色体的领土组织的签名指向亚稳定性的动机，我们分析了蛋白质数据库中存放的生物分子结构，发现链内接触概率，$P(s)$作为弧长$s$的函数，在$s$，$10\lesssim s\lesssim 110$的中间范围内的幂律$\sim s^{-γ}$衰减。我们发现，接触概率标度指数为$γ\approx 1.11$的大RNA（$N>110$），$γ\approx 1.41$的小尺寸RNA（$N<110$），和$γ\approx 1.65$的蛋白质。考虑到高斯统计预期在聚合物熔体中完全平衡的链，在天然状态下大RNA的子链的$γ$值与$γ=1.5$的偏差表明RNA的链构型没有完全平衡。视觉上清楚的是，大尺寸RNA（$N\gtrsim 110$）的折叠结构采用褶皱结构，被划分成由沿着链的近端序列组装的模块化多结构域，而折叠蛋白质的多肽链看起来更好地与结构的其余部分混合。我们对大RNA的$γ\approx 1$的发现可能是折叠过程中二级到三级元件的等级排序的必然结果。
2016-04-02 cond-mat.soft physics.bio-ph q-bio.BM
Substructural cooperativity and parallel versus sequential events during protein unfolding
根据“旧观点”，蛋白质折叠沿着明确的顺序路径，而“新观点”认为蛋白质折叠作为一个高度平行的随机过程漏斗形的能量景观。我们已经分析了大量的分子动力学解折叠轨迹的蛋白质CI 2在高温下的并行和顺序过程。使用严格的统计措施，我们量化的程度上的顺序两个结构层面。展开过程是高度平行的微观结构水平上的个人接触。在一个粗糙的，宏观结构水平的接触集群，特征并行和顺序事件出现。这些特征事件可以从接触簇之间的环闭合依赖性来理解。的接触的展开时间的相关性分析揭示了高度的子结构内的接触集群的协同性。
2006-01-28 cond-mat.soft q-bio.BM
Contact and first layer residues prediction in protein dimers using the Gaussian Network model with adjustable number of fast modes
蛋白质之间的相互作用很难破译。蛋白质-蛋白质相互作用是难以解决的问题，因为它们不像蛋白质-DNA或蛋白质-脂质相互作用那样基于电荷类型的差异。在这篇手稿中，我们提出了几种方法，旨在识别接触及其相邻的第一层残留物。该方法是基于通过高斯网络模型（GNM）的简正模式的简化分析。该方法根据目标（接触和第一层残基）的预测和预期数量的比较，调整分析中使用的模式数量。如果预测的数量超出给定蛋白质序列长度的范围，则增加或减少加权和计算中使用的模式的数量。这些方法平均能够识别50%以上的目标。与此同时，它们产生略高于40%的误报。他们也相当成功地识别Vakser诱饵集的近本地诱饵。这里描述的结果表明，动力学活性残基在蛋白质-蛋白质相互作用中是重要的。所描述的GNM分析还表明，两个相互作用的链通常表现出相反的行为。虽然其中一个伴侣的结合表面是刚性和稳定的，但另一个伴侣的界面区域更灵活。
2013-12-28 cond-mat.stat-mech q-bio.BM
ContactNet: Geometric-Based Deep Learning Model for Predicting Protein-Protein Interactions
School of Computer Science and Engineering（计算机科学与工程学院）；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
提出基于注意力图神经网络的ContactNet模型，无需MSA即可将对接生成的蛋白质-蛋白质相互作用模型分类为准确或不准确，在抗体-抗原测试中Top-10准确率达43%，未结合抗体时达65%，显著优于现有评分函数。
2024-06-26 cs.LG q-bio.BM
Protein Contact Prediction by Integrating Joint Evolutionary Coupling Analysis and Supervised Learning
Toyota Technological Institute at Chicago（芝加哥丰田工业大学）
蛋白质接触包含了蛋白质结构和功能研究的重要信息，但从序列中预测蛋白质接触仍然是一个非常具有挑战性的问题。进化耦合（EC）分析和监督机器学习的方法来预测接触，利用不同类型的信息，分别。本文提出了一种群体图形套索（GGL）接触预测方法，结合联合多族EC分析和监督学习。与现有的单家族EC分析仅使用靶蛋白家族中的残基共进化信息不同，我们的联合EC分析使用靶蛋白家族及其相关家族中的残基共进化，这些家族可能具有不同的序列但相似的折叠。为了实现联合EC分析，我们使用高斯图形模型（GGM）建模一组相关的蛋白质家族，然后通过最大似然法共同估计其精度矩阵，但精度矩阵应具有相似的残差共同进化模式。为了进一步提高估计精度矩阵的准确性，我们采用监督学习方法从各种进化和非进化信息中预测接触概率，然后将预测概率作为先验纳入我们的GGL框架。实验表明，我们的方法可以更准确地预测接触比现有的方法，我们的方法执行更好的保守和家庭特定的接触。
2015-04-08 cs.LG math.OC q-bio.BM
Protein contact networks at different length scales and role of hydrophobic, hydrophilic and charged residues in protein's structural organisation
蛋白质的三维结构是其组成氨基酸在三维空间中相互作用的结果。以氨基酸为节点，以氨基酸间的相互作用为边，构建了不同长度尺度的蛋白质接触网络。长、短程相互作用由氨基酸在主链上的位置决定，而接触网络是基于氨基酸的三维空间距离构建的。我们进一步将这些网络分为疏水、亲水和带电残基的子网络。我们的分析表明，一个显着更高的百分比的疏水亚簇的长程疏水网络有助于蛋白质在沟通必要的信息，蛋白质折叠一方面;另一方面，疏水亚基的聚集系数值越高，簇在减缓该过程中起主要作用，使得可以通过氨基酸的内部连接性实现必要的局部和全局稳定性残基此外，更高程度的疏水长程相互作用表明它们在蛋白质折叠和稳定性中的作用更大。小范围全氨基酸网络具有层次结构特征。目前的分析与其他证据表明，在蛋白质的三维构象空间中，连接的增长不是通过优先连接或随机连接进化的;相反，它遵循一个特定的结构必要性为基础的指导原则-其中一些相互作用是主要的，而其他的，作为这些主要相互作用的结果是次要的。
2010-07-23 q-bio.BM q-bio.MN
OnionNet: a multiple-layer inter-molecular contact based convolutional neural network for protein-ligand binding affinity prediction
计算药物发现为大规模先导分子筛选提供了有效的工具。先导化合物发现的主要任务之一是鉴定对靶点（一般是蛋白质）具有有希望的结合亲和力的分子。目前用于预测结合亲和力的评分函数的准确性不够令人满意。因此，最近已经开发了基于机器学习（ML）或深度学习（DL）的方法来改进评分函数。在这项研究中，引入了一种深度卷积神经网络（CNN）模型（称为OnionNet），其特征基于配体和蛋白质原子之间的无旋转元素对特异性接触，并将接触进一步分组在不同的距离范围内，以覆盖配体和蛋白质之间的局部和非局部相互作用信息。使用评分函数比较评估（CASF-2013）基准和PDBbind数据库的v2016核心集对模型的预测能力进行评估并与其他评分函数进行比较。当与以前的基于CNN的评分函数相比时，我们的模型显示预测的结合亲和力和实验测量的结合亲和力之间的回归的相关性（R）和标准偏差（SD）分别提高了0.08和0.16。通过预测从对接模拟而不是实验确定的PDB结构产生的复合物的结合亲和力，进一步探讨了该模型的鲁棒性。
2019-06-06 physics.bio-ph physics.comp-ph q-bio.BM
Cooperativity and Contact Order in Protein Folding
通过使接触相互作用依赖于与天然构象的接近度，在蛋白质的Go-Lennard-Jones模型内研究了协同性的影响。动力学普适性类被发现保持不变，在没有协同性。对于固定的原生几何形状，有效接触图中的小变化可能以偶然的方式影响折叠时间，并且影响程度与由于协同性而引起的折叠时间的偏移相当。接触顺序控制折叠的情况下：平均所需的时间，使氨基酸对到其近天然分离取决于顺序的距离内的对。这种依赖性在很大程度上是单调的，不管协同性如何，并且主导趋势可以由单个参数（如平均接触顺序）来描述。然而，它是偏离的趋势，这通常被发现设置净折叠时间。
2004-01-11 cond-mat.soft q-bio.BM
Temperature-dependent non-covalent protein-protein interactions explain normal and inverted solubility in a mutant of human gamma D-crystallin
蛋白质晶体的制备是蛋白质结构表征的主要瓶颈。为了超越大规模筛选，蛋白质结晶的合理策略至关重要。了解由于与溶剂接触的各种氨基酸侧链引起的蛋白质表面的化学各向异性（或斑块）如何有助于在晶格中形成蛋白质蛋白质接触是预测和优化结晶的主要障碍。复杂的理论模型，其中包括足够的细节，以联系集体行为，捕捉在蛋白质相图，分子水平的细节，确定从高分辨率的结构信息的相对稀缺是一个进一步的障碍。在这里，我们提出了两个晶体结构的γ D-晶体蛋白的P23 TR 36 S突变体，每个具有相反的溶解度行为，一个熔化时加热，其他时冷却。当结合蛋白质相图和一个定制的补丁颗粒模型，我们表明，一个单一的温度依赖性的相互作用是足以稳定倒置的溶解度晶体。在P23 T取代位点的这种接触与遗传性白内障有关，并在分子水平上揭示了蛋白质溶解度降低和逆行的起源。我们的研究结果表明，这里采用的方法可能会提出一种替代策略的合理化蛋白质结晶。
2018-11-01 cond-mat.soft physics.bio-ph q-bio.BM
The GōMartini approach: Revisiting the concept of contact maps and the modelling of protein complexes
本文综述了基于距离阈值的接触图及其在Martini 3力场中构建GōMartini模型的应用，并扩展至蛋白质-糖复合物，讨论了该金标准方法的局限与支持性研究。
2023-11-14 cond-mat.soft q-bio.BM
The principal eigenvector of contact matrices and hydrophobicity profiles in proteins
为了研究蛋白质序列与其天然结构之间的关系，我们对序列和结构都采用矢量表示。结构表示是基于褶皱的接触矩阵（PE）的主特征向量。如最近所示，后者编码足够的信息，用于重建整个接触矩阵。该序列通过疏水性分布（HP）表示，使用广义疏水性尺度，我们从残基-残基相互作用矩阵的主特征向量获得，并将其表示为交互性尺度。使用这种新的规模，我们定义的最佳HP的蛋白质折叠，并预测，通过稳定性参数，它是强烈相关的PE折叠的接触矩阵。这一预测是通过进化分析证实，这表明，PE与HP的每个单独的序列采用相同的倍，甚至更强烈，与这组序列的平均HP相关。因此，蛋白质序列以这样的方式进化，即它们的平均HP接近最佳HP，这意味着中性进化可以被视为序列空间中围绕最佳HP的一种运动。我们的研究结果表明，N维向量之间的相关系数构成了一个自然的度量在向量空间中，我们表示的蛋白质序列和蛋白质结构，我们称之为向量蛋白质空间。通过这种方式，我们定义了序列到序列、序列到结构和结构到结构比对的统一框架。我们表明，互动规模是近最佳的序列与序列和序列结构的比较。
2004-06-01 q-bio.BM
The limited role of non-native contacts in folding pathways of a lattice protein
蛋白质能量学模型忽略了天然状态下不相邻的氨基酸之间的相互作用，例如Go模型，编码或支持了许多关于蛋白质折叠的有影响力的想法。这种简化隐含着一个从未在广泛背景下进行过批判性评估的关键假设：蛋白质折叠的详细机制不会受到非天然接触的偏见，通常被想象为序列设计和/或拓扑结构的结果。在这里，我们提出，使用计算机模拟的一个良好的研究晶格杂聚物模型，第一次系统的测试，这种经常假设的对应关系在统计上显着的范围内的数十万个氨基酸序列，并伴随着不同的折叠途径。通过一种新的指纹折叠轨迹的手段，我们的研究揭示了一个深刻的不敏感的顺序，其中本地接触积累到非本地的相互作用的省略。与传统思维相反，这种鲁棒性并不来自拓扑限制，也不依赖于折叠速率。相反，我们发现，在区分拓扑路径的关键因素是异质性的本地接触能。我们的研究结果挑战了传统的思维序列设计和蛋白质折叠的自由能景观之间的关系，并有助于证明广泛使用的Go样模型来仔细研究真实蛋白质的详细折叠机制。
2009-01-21 cond-mat.stat-mech q-bio.BM
Empirical Potential Function for Simplified Protein Models: Combining Contact and Local Sequence-Structure Descriptors
有效的势函数是蛋白质结构预测和折叠模拟的关键。简化的蛋白质模型，如那些只需要$C_α$或骨干原子是有吸引力的，因为它们使构象空间的有效搜索。我们表明，残基特定的减少离散状态模型可以代表小RMSD值的蛋白质的骨架构象。然而，不存在为这种简化的蛋白质模型设计的潜在函数。在这项研究中，我们开发了最佳的潜在功能相结合的接触相互作用描述符和本地序列结构描述符。势函数的形式是所有描述子的加权线性和，最佳权系数是通过使用本机和诱饵结构优化获得的。用几个基准诱饵集对势函数在区分天然蛋白质结构和诱饵中的性能进行了评价。我们的势函数只需要骨架原子或$C_α$原子具有可比或更好的性能比几个残基为基础的势函数，需要额外的侧链中心的坐标或坐标的所有侧链原子。通过将局部结构-序列关系的剩余字母表的大小减小到5，可以进一步提高势函数的性能。我们的研究结果还表明，局部序列-结构相关性可能在降低蛋白质折叠的熵代价方面发挥重要作用。
2006-01-20 q-bio.BM
DRLComplex: Reconstruction of protein quaternary structures using deep reinforcement learning
University of Missouri（密苏里大学）
预测的链间残基-残基接触可用于从头开始构建蛋白质复合物的四级结构。然而，只有少数的方法已经开发出使用预测的链间接触来重建蛋白质四级结构。在这里，我们提出了一种基于深度强化学习（DRL Complex）的基于Agent的自学习方法，以链间接触作为距离约束来构建蛋白质复合物结构。我们在同源二聚体和异源二聚体蛋白质复合物的两个标准数据集上严格测试了DRL Complex（即，CASP-CAPRI同源二聚体和Std_32异源二聚体数据集）。利用真实接触作为输入，DRLComplex在两个数据集上分别实现了0.9895和0.9881的高平均TM分数以及0.2197和0.92的低平均界面RMSD（I_RMSD）。当使用预测的接触时，该方法对于同二聚体和异二聚体分别实现0.73和0.76的TM分数。我们的实验发现，重建的四级结构的准确性取决于接触预测的准确性。与其他优化方法相比，DRL Complex的性能与先进的梯度下降方法相近，优于Markov Chain Monte Carlo模拟方法和基于模拟退火的方法，验证了DRL Complex用于蛋白质复合物四级结构重构的有效性.
2022-05-26 cs.AI cs.LG q-bio.BM
CRNPRED: Highly Accurate Prediction of One-dimensional Protein Structures by Large-scale Critical Random Networks
背景资料：一维蛋白质结构如二级结构或接触数对于三维结构预测是有用的，并且有助于直观地理解序列-结构关系。准确的预测方法将作为这些和其他目的的基础。结果：我们实现了一个程序CRNPRED预测二级结构，接触数和残基明智的接触顺序。这个程序是基于一个新的机器学习计划称为临界随机网络。与大多数传统的基于氨基酸序列局部窗口的一维结构预测方法不同，CRNPRED考虑了整个序列。CRNPRED实现，平均每条链，Q3 = 81%的二级结构预测，和相关系数为0.75和0.61的接触数和残基的接触顺序预测，分别。结论：CRNPRED将是一个有用的工具，计算以及实验生物学家谁需要准确的一维蛋白质结构预测。
2006-04-12 q-bio.BM
Understanding surface-adsorption of proteins: the Vroman effect
现在公认的是，细胞对生物介质中材料的反应在很大程度上反映了吸附的生物分子层，而不是材料本身。在这里，我们通过分子动力学模拟研究了表面上的竞争性蛋白质吸附（Vroman效应），即与血浆接触的表面上吸附的蛋白质的量作为接触时间和血浆浓度的函数的非单调行为。我们发现了一种复杂的行为，在这种情况下，小蛋白和大蛋白不一定在它们之间竞争，而是在溶液中与其他蛋白竞争。我们展示了如何理解，控制和逆转的效果。
2013-01-27 cond-mat.soft physics.bio-ph q-bio.BM
Exploring the correlation between the folding rates of proteins and the entanglement of their native states
蛋白质向其天然状态折叠是一个相当复杂的过程。然而，有经验证据表明，折叠时间与接触顺序相关，这是蛋白质天然状态空间组织的一个简单测量。接触顺序与由接触的氨基酸形成的主链环的平均长度有关。在这里，我们认为，折叠动力学也可以影响的纠缠，环可能会经历在整个三维蛋白质结构。为了探索这种可能性，我们引入了一个新的描述符，我们称之为“最大链内接触纠缠”。具体来说，我们测量的最大高斯纠缠之间的任何环状部分的蛋白质和任何其他非重叠的子链相同的蛋白质，这是很容易计算的离散线积分的坐标上的$C_α$原子。通过分析实验数据集的两个状态和多态文件夹，我们表明，新的索引也是一个很好的预测的折叠率。此外，由于它与以前的方法只有部分相关性，因此可以与它们集成以产生更准确的预测。
2017-10-26 cond-mat.soft cond-mat.stat-mech physics.bio-ph
A Tale of Two Desolvation Potentials: An Investigation of Protein Behavior Under High Hydrostatic Pressure
流体静压是一种常用的微扰来探测蛋白质的构象。疏水分子的压力依赖平均力势（PMFs）有两种常见的形式，可用于流体静压下蛋白质折叠和解折叠的粗粒度分子模拟。尽管两种PMF都包括分离直接接触的井和溶剂介导的接触的井的去溶剂化屏障，但是这些特征如何随流体静压力而变化仍有争议。需要对蛋白质上的这两种PMF进行系统比较。我们研究了两种不同的压力依赖于基于结构的蛋白质模型的去溶剂化潜力，使用粗粒度的分子模拟。我们将它们与基于实验证据的已知行为进行了比较。我们证明了蛋白质在压力温度相图上的折叠转变曲线取决于势阱极小值与压力的关系。对于在压力下减少总体积的蛋白质，PMF必须具有这样的特征，即在高压下直接接触孔的稳定性必须低于水介导的接触孔。我们还评论的实用性和重要性的结构为基础的最低限度的模型理解的现象学行为的蛋白质在广泛的相空间。
2019-11-15 q-bio.BM
How superlocalization affects Vibrational Energy Exchange process in proteins
最近对蛋白质的实验发现表明，振动能的扩散并不像预期的那样沿着主链相互作用发生，而是发生在非键合接触上。这些结果进行了解释，提出了一个理论的图片，支持的计算计算，占这些不同的行为在振动能量交换过程中显示的集体运动的骨干上呈现$superlocalized$性质，因为它们的衰减与距离$r$是$exp(-r^{d})$与$d \sim 1.8$，而那些相关的非键合接触结果简单地本地化与$d \sim 1$。
2019-05-12 cond-mat.soft physics.bio-ph q-bio.BM
Predicting Secondary Structures, Contact Numbers, and Residue-wise Contact Orders of Native Protein Structure from Amino Acid Sequence by Critical Random Networks
预测蛋白质的一维结构，如二级结构和接触数，对于预测蛋白质的三维结构和理解蛋白质的序列-结构关系具有重要意义。在这里，我们提出了一种新的机器学习方法，临界随机网络（CRN），用于预测一维结构，并将其应用于位置特定的评分矩阵，预测二级结构（SS），接触数（CN），和残留明智的接触顺序（RWCO）。本方法实现，平均而言，$Q_3$的准确度为77.8%的SS，相关系数为0.726和0.601 CN和RWCO，分别。SS预测的准确性与其他最先进的方法相当，CN预测的准确性比以前的方法有显著的提高。我们给出了一个详细的制定临界随机网络为基础的预测方案，并检查预测精度的上下文依赖性。为了研究非线性和多体效应，我们将基于CRNS的方法与基于位置特定评分矩阵的纯线性方法进行了比较。尽管不优于基于CRNs的方法，但线性方法实现的令人惊讶的良好准确性突出了从氨基酸序列提取除位置特异性评分矩阵提供的结构特征之外的更高阶结构特征的困难。
2005-10-20 q-bio.BM
Looking at structure, stability, and evolution of proteins through the principal eigenvector of contact matrices and hydrophobicity profiles
我们回顾并进一步开发了一个分析模型，描述了如何热力学约束的稳定性的天然状态影响蛋白质的进化，在一个特定的网站的方式。为此，我们将蛋白质序列和蛋白质结构表示为向量：结构由蛋白质接触矩阵的主特征向量（PE）表示，该向量与每个位点的有效连接性非常相似;序列通过每个氨基酸类型的“相互作用”表示，使用与亲水性尺度相关的新参数。这些相互作用参数比我们研究的其他亲水性尺度更强地相关：（1）突变后蛋白质的展开自由能与两态热力学的变化;（2）基因组性质，如基因组大小和全基因组GC含量;（3）取代矩阵的主要特征向量。相互作用向量的进化平均值与蛋白质结构的PE非常密切相关。利用这一结果，我们推导出一个解析表达式的特定位点分布的氨基酸跨蛋白质家族的玻尔兹曼分布的形式，其"逆温度“是一个功能的PE组件。我们表明，我们的预测与从蛋白质数据库中获得的位点特异性氨基酸分布一致，并且我们确定了最适合观察到的位点特异性氨基酸分布的突变模型。有趣的是，最优模型几乎最小化了自然选择消除有害突变的速度。
2004-12-02 q-bio.BM q-bio.PE
Mechanical Stretching of Proteins: Calmodulin and Titin
机械展开的钙调素和肌联蛋白的几个领域的研究使用一个现实的接触地图和Lennard-Jones接触相互作用的Go样模型。它表明，这个简单的模型捕捉到实验观察到的两种蛋白质之间的差异：肌联蛋白是一个弹簧，是强硬和强大的，而钙调蛋白的行为就像一个弱弹簧与无特征的力-位移曲线。这种差异与钙调素天然结构中α二级结构的优势有关。钙调蛋白的串联排列在每个结构域中同时展开，而肌联蛋白的结构域以串行方式展开。解开过程中的接触事件的顺序与接触顺序相关，即与天然状态下沿着主链进行接触的氨基酸之间的分离相关。温度被发现以一种深刻的方式影响拉伸。
2004-12-16 cond-mat.stat-mech q-bio.BM
Residue network in protein native structure belongs to the universality class of three dimensional critical percolation cluster
单个蛋白质分子被认为是氨基酸残基的接触网络。一些研究表明，该网络是一个小世界网络（SWN），而其他结果暗示，这是一个分形网络（FN）。然而，SWN和FN在最短路径长度对节点数的依赖性上有本质的不同。在本文中，我们研究了这种依赖性在天然结构的蛋白质的残基接触网络，并表明网络不是SWN，但FN。FN通常具有多个维度的特征。其中，我们着重于三个维度;网络拓扑维数$D_c$，分形维数$D_f$，和频谱维数$D_s$。我们发现蛋白质普遍产生$D_c \approx 1.9$、$D_f \approx 2.5$和$Ds \approx 1.3$。这些值与三维临界渗流团簇中的值惊人地吻合。因此，蛋白质天然结构中的残基接触网络属于三维渗流簇的普适类。关键性与蛋白质天然结构的矛盾性质有关，即，稳定性和不稳定性的共存，这两者都是蛋白质作为分子机器或变构酶发挥作用所必需的。
2008-09-28 cond-mat.stat-mech physics.bio-ph q-bio.BM
