PCRPi: Presaging Critical Residues in Protein interfaces, a new computational tool to chart hot spots in protein interfaces.
PCRPi: Presaging Critical Residues in Protein interfaces, a new computational tool to chart hot spots in protein interfaces.
复制标题
DOI：
10.1093/nar/gkp1158
复制
发表时间：
2010-04
影响因子：
14.9
通讯作者：
Fernandez-Fuentes N
中科院分区：
文献类型：
--
作者：
Assi SA;Tanaka T;Rabbitts TH;Fernandez-Fuentes N
蛋白质-蛋白质相互作用（PPI）在生物学中普遍存在，因此为发现新的治疗方法提供了巨大的潜力。虽然蛋白质界面很大，缺乏明确的理化特性，但公认的是，只有一小部分界面残基，即所谓的热点残基，对蛋白质复合物的结合能贡献最大。此外，最近在开发旨在破坏PPI的新药方面的成功依赖于靶向这些残基。描述关键残基的实验方法是冗长和昂贵的，因此，有必要的计算工具，可以补充实验工作。在这里，我们描述了一种新的计算方法来预测热点蛋白质界面的残留物。该方法被称为蛋白质界面中的预测关键残基（PCRPi），它依赖于通过使用贝叶斯网络将不同的度量整合到一个独特的概率度量中。我们使用大量经过实验验证的热点残基以及对HRAS蛋白和单域抗体形成的蛋白质复合物的盲预测来对我们的方法进行基准测试。在这两种情况下，PCRPi都提供了一致和准确的预测。最后，PCRPi能够处理某些输入数据缺失或不可靠的情况（例如进化信息）。
Protein–protein interactions (PPIs) are ubiquitous in Biology, and thus offer an enormous potential for the discovery of novel therapeutics. Although protein interfaces are large and lack defining physiochemical traits, is well established that only a small portion of interface residues, the so-called hot spot residues, contribute the most to the binding energy of the protein complex. Moreover, recent successes in development of novel drugs aimed at disrupting PPIs rely on targeting such residues. Experimental methods for describing critical residues are lengthy and costly; therefore, there is a need for computational tools that can complement experimental efforts. Here, we describe a new computational approach to predict hot spot residues in protein interfaces. The method, called Presaging Critical Residues in Protein interfaces (PCRPi), depends on the integration of diverse metrics into a unique probabilistic measure by using Bayesian Networks. We have benchmarked our method using a large set of experimentally verified hot spot residues and on a blind prediction on the protein complex formed by HRAS protein and a single domain antibody. Under both scenarios, PCRPi delivered consistent and accurate predictions. Finally, PCRPi is able to handle cases where some of the input data is either missing or not reliable (e.g. evolutionary information).
登录
查看更多内容
影响因子：
5.6
作者：
Guerois, R;Nielsen, JE;Serrano, L
通讯作者：
Serrano, L
影响因子：
5.8
作者：
Husmeier, D
通讯作者：
Husmeier, D
影响因子：
5.8
作者：
Fernandez-Fuentes, Narcis;Rai, Brajesh K.;Fiser, Andras
通讯作者：
Fiser, Andras
影响因子：
2.9
作者：
Lafont, Virginie;Schaefer, Michael;Dejaegere, Annick
通讯作者：
Dejaegere, Annick
影响因子：
5.6
作者：
Landgraf, R;Xenarios, I;Eisenberg, D
通讯作者：
Eisenberg, D