A tool set to map allosteric networks through the NMR chemical shift covariance analysis.
A tool set to map allosteric networks through the NMR chemical shift covariance analysis.
复制标题
DOI：
10.1038/srep07306
复制
发表时间：
2014-12-08
影响因子：
4.6
通讯作者：
Melacini G
中科院分区：
文献类型：
--
作者：
Boulton S;Akimoto M;Selvaratnam R;Bashiri A;Melacini G
变态反应是生物功能的重要调节机制。变构位点也是非相关的，因为它们通常以比正构位点更高的选择性被靶向。然而，一个全面的地图变构网站提出了实验挑战，因为变构不仅是由结构的变化，而且还通过调制的动力学，通常仍然难以捉摸的经典结构测定方法。NMR化学位移协方差分析（CHESCA）提供了克服这些挑战的途径，因为化学位移对动态构象系综中的再分布非常敏感。在这里，我们提出了一组互补的CHESCA算法，旨在可靠地检测变构网络，最小的假阳性或阴性的发生。拟议的CHESCA工具集进行了测试的两个变构蛋白（PKA和EPAC），预计将补充传统的比较结构分析，在全面识别功能相关的变构位点，包括那些在其他难以捉摸的部分非结构化区域。
Allostery is an essential regulatory mechanism of biological function. Allosteric sites are also pharmacologically relevant as they are often targeted with higher selectivity than orthosteric sites. However, a comprehensive map of allosteric sites poses experimental challenges because allostery is driven not only by structural changes, but also by modulations in dynamics that typically remain elusive to classical structure determination methods. An avenue to overcome these challenges is provided by the NMR chemical shift covariance analysis (CHESCA), as chemical shifts are exquisitely sensitive to redistributions in dynamic conformational ensembles. Here, we propose a set of complementary CHESCA algorithms designed to reliably detect allosteric networks with minimal occurrences of false positives or negatives. The proposed CHESCA toolset was tested for two allosteric proteins (PKA and EPAC) and is expected to complement traditional comparative structural analyses in the comprehensive identification of functionally relevant allosteric sites, including those in otherwise elusive partially unstructured regions.
登录
查看更多内容
使用奇异值分解来表征蛋白质 - 蛋白质相互作用，通过内部NMR光谱法表征。
影响因子：
3.2
作者：
Majumder, Subhabrata;DeMott, Christopher M.;Burz, David S.;Shekhtman, Alexander
通讯作者：
Shekhtman, Alexander
DOI：
10.1074/mcp.m110.004390
发表时间：
2011-03-01
期刊：
Molecular & cellular proteomics : MCP
影响因子：
--
作者：
Badireddy, Suguna;Yunfeng, Gao;Anand, Ganesh S
通讯作者：
Anand, Ganesh S
影响因子：
3.9
作者：
Akimoto, Madoka;Moleschi, Kody;Melacini, Giuseppe
通讯作者：
Melacini, Giuseppe
影响因子：
5.6
作者：
Axe, Jennifer M.;Boehr, David D.
通讯作者：
Boehr, David D.
影响因子：
3.9
作者：
Boulton, Stephen;Akimoto, Madoka;Melacini, Giuseppe
通讯作者：
Melacini, Giuseppe