PDZ domains: Interaction prediction, classification and peptide library construction

Abstract

PDZ yapısal bölgeleri, birbirinden farklı birçok sinyal iletim proteinlerinde bulunan, iyi korunmuş yapısal protein etkileşim bölgeleridir. PDZ yapısal bölgeleri proteinlerin karboksil ucuna bağlanarak, farklı protein komplekslerini bir araya getirir, belli proteinleri hedef alır ve bu proteinleri sinyal iletim yollarına yönlendirir. PDZ yapısal bölgeleri, bağlandığı hedef peptitlere ve oluşturduğu bağların niteliğine göre Sınıf I, II, III olmak üzere üç sınıfa ayrılır. PDZ yapısal bölgelerinin bağlanma özgünlüğü, sinyal iletimlerinin karmaşıklığını anlamak adına çok önemlidir. Bu yapısal bölgelerin, hedeflerini nasıl tanıdığı ve hedeflerine nasıl bağlandığı hala açık bir sorudur.Bu tez, üç odak noktasından oluşmaktadır: 1) PDZ yapısal bölgelerinin hangi peptitlere bağlanabileceğini tahmin etmek, 2) PDZ yapısal bölgelerini Sınıf I, II, I-II olarak sınıflandırabilmek, 3) genetik algoritma kullanılarak PDZ yapısal bölgeleri için peptit veri tabanı oluşturmak. İlk iki kısım için, trigram ve bigram amino asit frekansları hesaplanarak, bunlar oluşturulan otomatik öğrenme metodunda özellik olarak kullanılmıştır. 85 PDZ yapısal bölgesi ve 181 peptit kullanılarak, modelimiz ikili etkileşim tahmininde yüzde 91.4 doğruluğa ulaşarak benzer diğer metotlarından daha üstün olmuştur. Aynı zamanda, bu metotla PDZ yapısal bölgelerinin sınıfları yüzde 90.7 doğrulukla tahmin edilmiştir. Ve PDZ yapısal bölgelerinin özgünlüğünde önemli roller üstlenebilecek üç kiritk amino asit sekans motifi önerilmiştir. Son kısım için, genetik algoritma uygulamasıyla, PDZ yapısal bölgelerine bağlandığı deneysel olarak kanıtlanmış peptitlerin sekansları kullanılarak, PDZ yapısal bölgelerine bağlanabilecek olası peptitler oluşturulmuştur. Daha sonra, bu oluşturulmuş peptit veri tabanlarının performansları, ilk kısımda oluşturulan PDZ etkileşimi tahmin modeli ile test edilmiştir.

PDZ domain is a well-conserved, structural protein-protein interaction domain found in hundreds of signaling proteins that are otherwise unrelated. PDZ domains can bind to the C-terminal peptides of different proteins and they cluster different protein complexes together, target specific proteins and route these proteins in many signaling pathways. PDZ domains are classified into Class I, II and III, depending on their binding partners and the nature of bonds formed. Binding specificities of PDZ domains are very crucial in order to understand the complexity of signaling pathways. It is still an open question how these domains recognize and bind their partners.The focus of this thesis is three folds: 1) predicting to which peptides a PDZ domain will bind, 2) classification of PDZ domains as Class I, II or I-II and 3) construction of peptide libraries for PDZ domains using genetic algorithm. For the first two parts, trigram and bigram amino acid frequencies are used as features in machine learning methods. Using 85 PDZ domains and 181 peptides, our model reaches high prediction accuracy (91.4%) for binary interaction prediction which outperforms previously investigated similar methods. Also, we can predict classes of PDZ domains with an accuracy of 90.7%. We propose three critical amino acid sequence motifs that could have important roles on specificity pattern of PDZ domains. For the last part, we implemented genetic algorithm to generate possible binding peptides for PDZ domains by using the sequence of experimentally verified binding peptides of PDZ domains. Then, the performance of this generated peptide library is evaluated by PDZ interaction prediction model constructed in the first part.