蛋白与蛋白互作预测 蛋白互作预测protein

2023-10-19 06:10
文章标签 预测 蛋白 protein 互作

本文主要是介绍蛋白与蛋白互作预测 蛋白互作预测protein,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

How to prepare structures for HADDOCK? – Bonvin Labicon-default.png?t=N7T8https://www.bonvinlab.org/software/bpg/structures/RosettaDock: 蛋白-蛋白复合物对接预测 - 知乎 (zhihu.com)

要进行LPR1-SEPP1复合物的结合亲和力预测,您可以按照以下步骤进行:

  1. 获取蛋白质结构数据:首先,您需要获取LRP1和SEPP1的晶体结构数据。这可以通过X射线晶体学、核磁共振等实验方法来获得。可以在专业数据库(如Protein Data Bank)中搜索相应的结构数据或联系相关研究人员。

  2. 准备蛋白质结构文件:将获得的LRP1和SEPP1的结构数据以PDB或mmCIF格式保存为文件。确保文件中包含完整的蛋白质链、配体或者其他交互分子的信息。

  3. 进行分子对接计算:使用分子对接软件,如AutoDock、Vina、HADDOCK等,将LRP1和SEPP1的结构文件输入进去进行分子对接计算。这些软件可以模拟蛋白质与配体之间的互作,并生成可能的复合物构象。

  4. 导出复合物结构:根据分子对接计算的结果,选择最合适的复合物构象,并将复合物结构导出为PDB或mmCIF格式的文件。

  5. 使用PRODIGY进行预测:访问PRODIGY网站,将导出的LRP1-SEPP1复合物结构文件上传至相应的预测工具或选项中。按照网站的指导进行操作,提交预测任务。Prodigy Webserver (uu.nl)icon-default.png?t=N7T8https://wenmr.science.uu.nl/prodigy/

  6. 解析预测结果:一旦预测任务完成,您将获得LRP1-SEPP1复合物的结合亲和力预测结果。根据PRODIGY的结果,可以评估该复合物的结合强度。

请注意,上述步骤中提到的分子对接软件和PRODIGY都是常用的工具,但在使用时可能需要一定的计算资源和专业知识。如果您不熟悉分子对接和结合亲和力预测的方法,建议寻求专业的科研人员或相关领域的专家的帮助和指导。

对于每个分子,您可以提供以下信息:

  • PDB_ID:目标复合物的PDB ID。这是目标复合物在Protein Data Bank(PDB)数据库中的唯一标识符。
  • ID_chain(s):与复合物中的每个分子相关的链ID。例如,如果一个分子由链A和链B组成,您可以输入"A,B"作为ID_chain(s)

在填写表单时,将Interactor 1和Interactor 2的相关信息填入相应的字段。同时,您还可以提供温度(以摄氏度为单位),以便PRODIGY在预测结合亲和力时考虑温度的影响。

========+++++++++++++++++++++++++_---------------------------========================

以下是使用AutoDock、Vina、HADDOCK三种分子对接软件进行蛋白质-配体分子对接的大致步骤:

  1. 准备蛋白质和配体的结构文件,可以从PDB数据库下载。如果需要,还要对结构进行优化处理,保证分子结构的完整性和准确性。

  2. 对分子进行预处理:包括添加氢原子,移除水分子,指定原子类型和电荷状态等。这些步骤可以使用自动化工具或专业软件完成,例如AutoDockTools或OpenBabel等。

  3. 确定搜索空间:在进行分子对接的时候,需要定义一个搜索空间来限制分子的运动范围。搜索空间通常由一个参考点(如活性位点)和空间大小确定。可以使用pdbqt格式的文件来定义搜索空间。

  4. 运行分子对接计算:使用分子对接软件,将预处理后的蛋白质和配体的结构文件输入进去,同时指定搜索空间和其他参数,并运行程序进行计算。计算结果将生成一系列可能的复合物构象。

  • AutoDock:AutoDock的输入文件主要包括四个方面:蛋白质文件、配体文件、搜索参数文件和终止条件文件。采用Lamarckian 遗传算法,通过评估每个构象的分子对接自由能,来搜索最可能的复合物构象。

  • Vina:Vina的输入文件主要包括蛋白质文件、配体文件和参数文件。它采用梯度下降算法,通过评估每个构象的绑定自由能,来搜索最可能的复合物构象。

  • HADDOCK:HADDOCK的输入文件包括蛋白质PDB文件、配体PDB文件、搜索空间数据文件、分子力场参数文件、能量最小化参数文件、约束文件和其他参数。HADDOCK使用受限分子动力学模拟算法,通过评估每个构象的HADDOCK score,来搜索最可能的复合物构象。

  1. 分析和选择结果:分析计算结果,挑选出具有稳定性和生物学意义的复合物结构。可以通过各种可视化工具来检查和比较不同构象之间的差异,如PyMol、Chimera等。

这些步骤只是大致指导,具体使用方式还需按照软件的具体操作手册进行操作。同时,不同的软件有着各自特殊的参数设置和运行方式,需要了解其原理和方法才能更好地使用。

-=========-----------====------------===================--------------============

PRODIGY (PROtein binDIng enerGY prediction) is a web application to predict the binding affinity of protein-protein complexes based on intermolecular contacts.

Input

The protein-protein complex

PRODIGY server takes as input the three-dimensional structure of the protein-protein complex in PDB or mmCIF format:

You can choose one of the following options:

-upload the 3D structure coordinates in PDB or mmCIF format
-provide a protein databank ID code for automatic retrieval from the Protein Data Bank
-Upload a multi-model PDB ensemble or .zip file with multiple structures to analyzing multiple structures at the same time
(i.e. models derived from docking simulations)

Specify the chains

The user is required to specify the chain identifiers for the molecules involved in the interaction.
Interacting molecules associated with multiple chain IDs should be provided as comma-separated list.
For the FAB/HIV-1 capsid protein p24 complex (PDB code 1E6J) the input would be expected in following format:

Interactor 1: P
Interactor 2: L,H

In this example, the binding affinity will be predicted for the interface made between chain P (p24) and chains L and H (FAB).

Please note! PRODIGY only supports the 20 standard amino acids

Archive file

When submitting an archive file to PRODIGY, make sure that the chain IDs of ALL structures are compatible with the Interactors specified in the submission form.

Parameters (optional)

Temperature (in ℃)

By default the value of the dissociation constant (Kd) is calculated at 25 ℃. The user can change this value to any desired temperature.

Job ID

The user can specify a personalized Job ID to identify the run.

Email

If an email is provided, a link with the results will be sent when the job is done. The results will be stored for 2 weeks.

Output

PRODIGY outputs are displayed online and remain downloadable for 14 days. A link to the online resource is also emailed to the user, if an email is provided.

The results returned by the server include:

1.Predicted value of the binding affinity (ΔG) expressed in kcal mol-1
2.Calculated value of the dissociation constant (Kd) at a given temperature (25 ℃ by default), expressed in Molar (M)
3.Number of intermolecular contacts (ICs) at the interface within the threshold distance of 5.5 Å, separately listed according to the contact property
4.Percentage of the charged and apolar non-interacting surface (NIS%) of the complex
5.Downloadable table (.txt) listing the residues in contact within the given threshold
6.Downloadable ready-to-run Pymol (Delano Scientific, 2002) script (.pml) with different color coding for the interacting residues
7.Archive file including all the output files

How to run PRODIGY locally

In case you have many structures on which you wish to run PRODIGY, we distribute the standalone version in form of a Github repository.
The link to the repository can be found at the BonvinLab software page.

这篇关于蛋白与蛋白互作预测 蛋白互作预测protein的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/237853

相关文章

Tensorflow lstm实现的小说撰写预测

最近,在研究深度学习方面的知识,结合Tensorflow,完成了基于lstm的小说预测程序demo。 lstm是改进的RNN,具有长期记忆功能,相对于RNN,增加了多个门来控制输入与输出。原理方面的知识网上很多,在此,我只是将我短暂学习的tensorflow写一个预测小说的demo,如果有错误,还望大家指出。 1、将小说进行分词,去除空格,建立词汇表与id的字典,生成初始输入模型的x与y d

临床基础两手抓!这个12+神经网络模型太贪了,免疫治疗预测、通路重要性、基因重要性、通路交互作用性全部拿下!

生信碱移 IRnet介绍 用于预测病人免疫治疗反应类型的生物过程嵌入神经网络,提供通路、通路交互、基因重要性的多重可解释性评估。 临床实践中常常遇到许多复杂的问题,常见的两种是: 二分类或多分类:预测患者对治疗有无耐受(二分类)、判断患者的疾病分级(多分类); 连续数值的预测:预测癌症病人的风险、预测患者的白细胞数值水平; 尽管传统的机器学习提供了高效的建模预测与初步的特征重

结合Python与GUI实现比赛预测与游戏数据分析

在现代软件开发中,用户界面设计和数据处理紧密结合,以提升用户体验和功能性。本篇博客将基于Python代码和相关数据分析进行讨论,尤其是如何通过PyQt5等图形界面库实现交互式功能。同时,我们将探讨如何通过嵌入式预测模型为用户提供赛果预测服务。 本文的主要内容包括: 基于PyQt5的图形用户界面设计。结合数据进行比赛预测。文件处理和数据分析流程。 1. PyQt5 图形用户界面设计

CNN-LSTM模型中应用贝叶斯推断进行时间序列预测

这篇论文的标题是《在混合CNN-LSTM模型中应用贝叶斯推断进行时间序列预测》,作者是Thi-Lich Nghiem, Viet-Duc Le, Thi-Lan Le, Pierre Maréchal, Daniel Delahaye, Andrija Vidosavljevic。论文发表在2022年10月于越南富国岛举行的国际多媒体分析与模式识别会议(MAPR)上。 摘要部分提到,卷积

多维时序 | Matlab基于SSA-SVR麻雀算法优化支持向量机的数据多变量时间序列预测

多维时序 | Matlab基于SSA-SVR麻雀算法优化支持向量机的数据多变量时间序列预测 目录 多维时序 | Matlab基于SSA-SVR麻雀算法优化支持向量机的数据多变量时间序列预测效果一览基本介绍程序设计参考资料 效果一览 基本介绍 1.Matlab基于SSA-SVR麻雀算法优化支持向量机的数据多变量时间序列预测(完整源码和数据) 2.SS

力扣 | 递归 | 区间上的动态规划 | 486. 预测赢家

文章目录 一、递归二、区间动态规划 LeetCode:486. 预测赢家 一、递归 注意到本题数据范围为 1 < = n < = 20 1<=n<=20 1<=n<=20,因此可以使用递归枚举选择方式,时间复杂度为 2 20 = 1024 ∗ 1024 = 1048576 = 1.05 × 1 0 6 2^{20} = 1024*1024=1048576=1.05 × 10^

回归预测 | MATLAB实现PSO-LSTM(粒子群优化长短期记忆神经网络)多输入单输出

回归预测 | MATLAB实现PSO-LSTM(粒子群优化长短期记忆神经网络)多输入单输出 目录 回归预测 | MATLAB实现PSO-LSTM(粒子群优化长短期记忆神经网络)多输入单输出预测效果基本介绍模型介绍PSO模型LSTM模型PSO-LSTM模型 程序设计参考资料致谢 预测效果 Matlab实现PSO-LSTM多变量回归预测 1.input和outpu

时序预测|变分模态分解-双向时域卷积-双向门控单元-注意力机制多变量时间序列预测VMD-BiTCN-BiGRU-Attention

时序预测|变分模态分解-双向时域卷积-双向门控单元-注意力机制多变量时间序列预测VMD-BiTCN-BiGRU-Attention 文章目录 一、基本原理1. 变分模态分解(VMD)2. 双向时域卷积(BiTCN)3. 双向门控单元(BiGRU)4. 注意力机制(Attention)总结流程 二、实验结果三、核心代码四、代码获取五、总结 时序预测|变分模态分解-双向时域卷积

【销售预测 ARIMA模型】ARIMA模型预测每天的销售额

输入数据txt格式: 2017-05-01 100 2017-05-02 200 ……. python 实现arima: # encoding: utf-8"""function:时间序列预测ARIMA模型预测每天的销售额author:donglidate:2018-05-25"""# 导入库import numpy as np # numpy库from statsmode

回归预测 | Matlab基于贝叶斯算法优化XGBoost(BO-XGBoost/Bayes-XGBoost)的数据回归预测+交叉验证

回归预测 | Matlab基于贝叶斯算法优化XGBoost(BO-XGBoost/Bayes-XGBoost)的数据回归预测+交叉验证 目录 回归预测 | Matlab基于贝叶斯算法优化XGBoost(BO-XGBoost/Bayes-XGBoost)的数据回归预测+交叉验证效果一览基本介绍程序设计参考资料 效果一览 基本介绍 Matlab实现基于贝叶斯算法优化X