From systems to structure - using genetic data to model protein structures.
From systems to structure - using genetic data to model protein structures.
复制标题
DOI：
10.1038/s41576-021-00441-w
复制
发表时间：
2022-06
期刊：
影响因子：
--
通讯作者：
Krogan NJ
中科院分区：
文献类型：
--
作者：
Braberg H;Echeverria I;Kaake RM;Sali A;Krogan NJ
理解遗传变异的影响是生物学中的一个基本问题，它需要在系统范围和机械尺度上分析序列变化的物理和功能后果。为了获得系统视图，蛋白质相互作用网络绘制了哪些蛋白质物理相互作用，而遗传相互作用网络则通知了干扰这些蛋白质相互作用的表型后果。直到最近，了解这些相互作用的分子机制通常需要生物物理学方法来确定所涉及的蛋白质的结构。在过去的十年中，出现了基于共同进化、深度突变扫描和基因组尺度的遗传或化学-遗传相互作用作图的新方法，这些方法能够对单个蛋白质或蛋白质复合物的结构进行建模。在这里，我们回顾了大规模遗传数据集和深度学习方法的新兴应用，以模拟蛋白质结构及其相互作用，并讨论了来自不同来源的结构数据的集成。大规模的遗传数据集和深度学习方法被用来模拟蛋白质或蛋白质复合物的结构。本文综述了基于协同进化、深度突变扫描和基因组尺度遗传或化学-遗传相互作用作图的方法，以及它们在结构建模中的应用和集成。
Understanding the effects of genetic variation is a fundamental problem in biology that requires methods to analyse both physical and functional consequences of sequence changes at systems-wide and mechanistic scales. To achieve a systems view, protein interaction networks map which proteins physically interact, while genetic interaction networks inform on the phenotypic consequences of perturbing these protein interactions. Until recently, understanding the molecular mechanisms that underlie these interactions often required biophysical methods to determine the structures of the proteins involved. The past decade has seen the emergence of new approaches based on coevolution, deep mutational scanning and genome-scale genetic or chemical–genetic interaction mapping that enable modelling of the structures of individual proteins or protein complexes. Here, we review the emerging use of large-scale genetic datasets and deep learning approaches to model protein structures and their interactions, and discuss the integration of structural data from different sources. Large-scale genetic datasets and deep learning approaches are being used to model the structures of proteins or protein complexes. This Review describes approaches based on coevolution, deep mutational scanning and genome-scale genetic or chemical–genetic interaction mapping and their application and integration to inform structural modelling.
登录
查看更多内容
影响因子：
48
作者：
Butland, Gareth;Babu, Mohan;Emili, Andrew
通讯作者：
Emili, Andrew
DOI：
10.1073/pnas.1209751109
发表时间：
2012-10-16
影响因子：
11.1
作者：
Araya, Carlos L.;Fowler, Douglas M.;Fields, Stanley
通讯作者：
Fields, Stanley
影响因子：
2.9
作者：
Balakrishnan, Sivaraman;Kamisetty, Hetunandan;Langmead, Christopher James
通讯作者：
Langmead, Christopher James
影响因子：
14.9
作者：
Burley SK;Bhikadiya C;Bi C;Bittrich S;Chen L;Crichlow GV;Christie CH;Dalenberg K;Di Costanzo L;Duarte JM;Dutta S;Feng Z;Ganesan S;Goodsell DS;Ghosh S;Green RK;Guranović V;Guzenko D;Hudson BP;Lawson CL;Liang Y;Lowe R;Namkoong H;Peisach E;Persikova I;Randle C;Rose A;Rose Y;Sali A;Segura J;Sekharan M;Shao C;Tao YP;Voigt M;Westbrook JD;Young JY;Zardecki C;Zhuravleva M
通讯作者：
Zhuravleva M
影响因子：
7.7
作者：
Diss G;Lehner B
通讯作者：
Lehner B