Publicado 2018-06-19
Palabras clave
- Bioinformática,
- clasificadores,
- predicción estructural,
- proteínas,
- SCOP
Cómo citar
Resumen
En este artículo se presenta un nuevo enfoque para la predicción estructural de proteínas. A diferencia de los métodos que existen actualmente, en este trabajo se propone un enfoque en el que se utilizan algoritmos de clasificación basados en aprendizaje supervisado para efectuar la predicción estructural. El desempeño del método propuesto se compara con el de métodos tradicionales como local feature frequency (LFF) usando el conjunto de datos Scop 2,05. Los resultados obtenidos indican que hay una diferencia favorable para el método propuesto y alcanzan porcentajes de proteínas correctamente clasificadas de 92,13 %, en cuanto a clase; 96,32 %, pliegue; 93,05 %, en superfamilia, y 76,35 %, en familia. Así se superan métodos tradicionales como LFF, que obtiene porcentajes de 85,90 %, 90,54 %, 79,85 % y 67,38 % para los mismos niveles estructurales.
Descargas
Referencias
I. Choi, J. Kwon, S. Kim. “Local Feature Frequency Profile: A Method to Measure Structural Similarity in Proteins.” Proceedings of the National Academy of Sciences of the United States of America (PNAS), vol. 101, no. 11, pp. 3797-3802, 2004.
S. Gupta, J. Stamatoyannopoulos, T. Bailey, W. Stafford. “Quantifying similarity between motifs. Genome Biology”, vol. 8, pg. R24, 2007.
A. Narunsky, S. Nepomnyachiy, H. Ashkenazy, R. Kolodny, N. Ben-Tal. “ConTemplate Suggests Possible Alternative Conformations for a Query Protein of Known Structure.” Structure Volume 23, Issue 11, pp. 2162–2170, 2015.
E. Zotenko, D. O'Leary, T. Przytycka. “Secondary structure spatial conformation footprint: a novel method for fast protein structure comparison and classification.“ BMC Structural Biology, pp. 1-12, 2006.
X. Cui, S. Cheng, L. He, M. Li. “Fingerprinting protein structures effectively and efficiently.” Bioinformatics 30 (7), pp. 949–955, 2014.
J. Moult, K. Fidelis, A. Kryshtafovych, B. Rost, T. Hubbard, A. Tramontano. “Critical assessment of methods of protein structure prediction Round VII.” Proteins; 69(Suppl 8):3–9, 2007.
A. Kryshtafovych, O. Krysko, P. Daniluk, Z. Dmytriv, K. Fidelis. “Protein structure prediction center in CASP8.” Proteins;77(Suppl 9):5–9, 2009.
E. Zotenko, R. Dogan, J. Wilbur, “Structural footprinting in protein structure comparison: the impact.” BMC Structural Biology, pp. 1-14, 2007.
J. Moult, K. Fidelis, A. Kryshtafovych, T. Schewede. “Critical assessment of methods of protein structure prediction: Progress and new directions in round XI.” Proteins Volume 84, Issue S1, pp. 4–14, 2016.
O. Bedoya, E. Satizábal, “NN-PRED: Un nuevo programa para la predicción de la estructura secundaria de la proteína usando redes neuronales,” Rev. UIS Ing., vol. 12, no. 1, pp. 51-59, 2013.
P. Rogen, B. Fain. “Automatic classification of protein structure by using Gauss integrals. “ Multidisciplinary journal covering the biological, physical, and social sciences, pp. 119-124, 2003.
L. Kaufman, P. Rousseeuw. “Partitioning Around Medoids (Program PAM).” En L. Kaufman, & P. Rousseeuw, Finding Groups in Data: An Introduction to Cluster Analysis. Hoboken, New Jersey, USA, 2008.
I. Witten, F. Eibe, M. Hall, C. Jal. “Data mining. Practical machine learning tools and techniques.” Cambridge. MA: Morgan Kaufmann, 2017.
A. Andreeva, D. Howorth, C. Chothia, E. Kulesha, A. Murzin. “SCOP2 prototype: a new approach to protein structure mining.” Nucleic Acids Research, vol. 42, no. 18, pp. 310-314, 2014.