Flexible Beschreibung und Optimierung biologischer Randbedingungen zur Aufdeckung von Sequenz-Struktur-Beziehungen von Proteinen

Der zur Zeit erfolgversprechendste Answer für die theoretische Proteinstrukturvorhersage sind homologiebasierten Verfahren，welche im Rahmen der Modellierung über die üblichen Datenbanken hinausgehende Informationen aus verbenedenen Quellen verwerten können. Solche Quellen sind z.B. zusätzliche experimentelle Daten aus speziellen Versuchen，Daten aus theoretischen“ab initio”-Modellierungen，aber auch menschliches Expertenwissen.这个问题最好是在Tatsache，因为它可以用公式来表达。Optimierungsverfahren für bestimmte genau definierte Kostenfunktionen，die zusätzlichen Informationen jedoh zumeist von unscharfer Natur sind.我们还可以用上下文信息就像她的z.B.在形式von Netzwerken des Sequenz-Struktur-Raums verfügbar sind bzw.韦尔登- sowohl über nahe verwandte Proteine und Proteinfamilien und insbesondere auch über sehr unähnliche Proteine -努尔sehr unzureichend in den herkömmlichen Verfahren genutzt韦尔登.在前一个项目中，通过两种不同的前向韦尔登解决了前向研究基础上的问题：一种韦尔登是一种基于Eignung untersucht和ggf的算法技术。因此，我们需要将信息传递给客户，并有效地为客户提供服务。在ProML的特定约束下，家族/家族比对的比对可以更好地代表子簇，从而对蛋白质和蛋白质簇进行网络化的比对。序列-结构-比对的分支和结合方法与RDP（Rekursive Dynamische Programmierung），但也可以通过多重比对进行序列分析和蛋白质结构分析（von Sequenzen und Strukturen）蛋白质家族的分类和识别;测序-结构的特征、描述和可视化;序列和3D-动机识别和韦尔登。一个重要的项目要素是联系的核心：大足韦尔登不仅仅是序列结构集群的特征代表，也是序列结构集群的特征代表。这些预处理方法是通过将蛋白质家族的蛋白质进行预处理，以确定蛋白质家族的分类和分类，并通过与其他蛋白质家族的相容性进行比对。diskrimierenden Eigenschaften.大北韦尔登有积极的（nahe Verwandtschaft，Anwesenchymeinsamer Eigenschaften）也有消极的（entfernte or der keine Verwandtschaft，Abwesenchymecharakteristischer Features）。Zum anderen ist es daneben notwendig，der exakten rechnergestützten Erfassung zusätzlicher Informationen in für obengenannte professmen verwertbarer Form eine theoretische und praktische Grundlage zu verleihen. Dazu wird die Beschreibungssprache weiterentwickelt，Techniken zur Ableitung charakteristischer Eigenschaften（Feature extraction and selection，association rule mining）entwickelt und möglichst scharfe Schranken für die spezizierten Eigenschaften bestimmt und diese entweder schon für die Generierung von Alternativen oder die spätere Bewertung und Auswahl dieser alternativen Lösungen im BkB Verfahren verwendet. Dabei wird auf frühere Forschungsergebnisse und erstellte Softwarewerkzeuge insbesondere aus PROSEQO-L aber auch aus PROPHY（I+II）Bezug genommen.

Der zur Zeit erfolgversprechendste Ansatz für die theoretische Proteinstrukturvorhersage sind homologiebasierten Verfahren, welche im Rahmen der Modellierung über die üblichen Datenbanken hinausgehende Informationen aus verschiedenen Quellen verwerten können. Solche Quellen sind z.B. zusätzliche experimentelle Daten aus speziellen Versuchen, Daten aus theoretischen "ab initio"-Modellierungen, aber auch menschliches Expertenwissen. Das wesentliche Problem besteht dabei in der Tatsache, daß die gängigen Vorhersageverfahren exakt formulierte Algorithmen bzw. Optimierungsverfahren für bestimmte genau definierte Kostenfunktionen, die zusätzlichen Informationen jedoch zumeist von unscharfer Natur sind. Weiterhin können wesentliche Kontextinformationen, wie sie z.B. in Form von Netzwerken des Sequenz-Struktur-Raums verfügbar sind bzw. werden - sowohl über nahe verwandte Proteine und Proteinfamilien und insbesondere auch über sehr unähnliche Proteine - nur sehr unzureichend in den herkömmlichen Verfahren genutzt werden. Im vorliegenden Projekt sollen diese Probleme auf Grundlage der vorangegangenen Forschungen durch zwei konvergente Vorgehensweisen gelöst werden: Zum einen werden die bekannten algorithmischen Techniken auf ihre Eignung untersucht und ggf. erweitert, zusätzliche Informationen nutzbringend und effizient verwerten zu können. Das umfasst neben der Nutzung von in ProML spezifizierten Constraints, das Family/Cluster-Alignment zum Alignment gegen mehrere Subcluster Repräsentanten gleichzeitig, sowie die Nutzung der Netzwerkbeziehungen von Proteinen und Proteinclustern. Das Hauptaugenmerk gilt dabei dem Sequenz-Struktur-Alignment mittels Branch & Bound Methoden wie RDP (Rekursive Dynamische Programmierung), aber auch andere Anwendungsgebiete aus den Bereichen Sequenzanalyse und Proteinstrukturvergleich wie Multiples Alignment (von Sequenzen und Strukturen) Proteinfamilienklassifikation und -diskrimierung; Charakterisierung, Beschreibung und Visualisierung des Sequenz-StrukturRaums; Faltungserkennung; Sequenz- und 3D-Motiv-Identfizierung und Suche werden adressiert. Eine zusätzliche Komponente des Projekts ist die Nutzung von Kontextwissen: Dazu werden nicht nur die Eigenschaften von Sequenz-Strukturclustern geeignet repräsentiert, sondern auch die Nachbarschaftsbeziehungen zwischen den Clustern. Das Vorhersageverfahren soll die Relationen zwischen den Proteinfamilien in dem entstehenden Netzwerk nutzen, einerseits zur Diskriminierung und Klassifizierung, andererseits zur Verbesserung der Alignments durch Kompatibilität mit gemeinsamen bzw. diskrimierenden Eigenschaften. Dabei werden sowohl positive (nahe Verwandtschaft, Anwesenheit gemeinsamer Eigenschaften) als auch negative (entfernte oder keine Verwandtschaft, Abwesenheit charakteristischer Features) berücksichtigt. Zum anderen ist es daneben notwendig, der exakten rechnergestützten Erfassung zusätzlicher Informationen in für obengenannte Algorithmen verwertbarer Form eine theoretische und praktische Grundlage zu verleihen. Dazu wird die Beschreibungssprache weiterentwickelt, Techniken zur Ableitung charakteristischer Eigenschaften (Feature extraction and selection, association rule mining) entwickelt und möglichst scharfe Schranken für die spezifizierten Eigenschaften bestimmt und diese entweder schon für die Generierung von Alternativen oder die spätere Bewertung und Auswahl dieser alternativen Lösungen im BkB Verfahren verwendet. Dabei wird auf frühere Forschungsergebnisse und erstellte Softwarewerkzeuge insbesondere aus PROSEQO-L aber auch aus PROPHY (I+II) Bezug genommen.