De novo main-chain modeling for EM maps using MAINMAST.
De novo main-chain modeling for EM maps using MAINMAST.
复制标题
DOI：
10.1038/s41467-018-04053-7
复制
发表时间：
2018-04-24
影响因子：
16.6
通讯作者：
Kihara D
中科院分区：
文献类型：
--
作者：
Terashi G;Kihara D
越来越多的蛋白质结构是由近原子分辨率的低温电子显微镜(Cryo-EM)确定的。然而，追踪主链并从~4-5 ä的EM图中构建全原子模型仍然不是一件微不足道的事情，仍然是一项耗时的任务。在这里，我们介绍了一种全自动从头结构建模方法，MainMast，它从近原子分辨率的EM图建立蛋白质的三维模型。该方法直接追踪蛋白质的主链，并在EM图谱中将Cα位置识别为树形图结构。在建立全球蛋白质结构模型方面，MainMast的表现明显好于现有软件，数据集包括40个5 ä分辨率的模拟密度图和30个实验确定的2.6-4.8 ä分辨率图。在EM图谱的蛋白质模型中构建缺失片段的另一个基准是，Main Mast构建了长度为11-161个残基的片段，平均RMSD为2.68RMSDä。对于中分辨率低温电磁图来说，主链追踪仍然是一项耗时的任务。在这里，作者描述了MainMast，一种从4-5？分辨率的EM图建立蛋白质主链结构模型的计算方法，它通过跟踪密度分布中的局部密点来建立蛋白质的主链模型。
An increasing number of protein structures are determined by cryo-electron microscopy (cryo-EM) at near atomic resolution. However, tracing the main-chains and building full-atom models from EM maps of ~4–5 Å is still not trivial and remains a time-consuming task. Here, we introduce a fully automated de novo structure modeling method, MAINMAST, which builds three-dimensional models of a protein from a near-atomic resolution EM map. The method directly traces the protein’s main-chain and identifies Cα positions as tree-graph structures in the EM map. MAINMAST performs significantly better than existing software in building global protein structure models on data sets of 40 simulated density maps at 5 Å resolution and 30 experimentally determined maps at 2.6–4.8 Å resolution. In another benchmark of building missing fragments in protein models for EM maps, MAINMAST builds fragments of 11–161 residues long with an average RMSD of 2.68 Å. Main-chain tracing remains a time-consuming task for medium resolution cryo-EM maps. Here the authors describe MAINMAST, a computational approach for building main-chain structure models of proteins from EM maps of 4-5 Å resolution that builds main-chain models of the protein by tracing local dense points in the density distribution.
登录
查看更多内容
影响因子：
48
作者：
Kucukelbir, Alp;Sigworth, Fred J.;Tagare, Hemant D.
通讯作者：
Tagare, Hemant D.
影响因子：
48
作者：
Nogales E
通讯作者：
Nogales E
影响因子：
48
作者：
Frenz B;Walls AC;Egelman EH;Veesler D;DiMaio F
通讯作者：
DiMaio F
影响因子：
7.7
作者：
Kühlbrandt W
通讯作者：
Kühlbrandt W
影响因子：
3
作者：
Tang, Guang;Peng, Liwei;Ludtke, Steven J.
通讯作者：
Ludtke, Steven J.