Structural pattern detection and domain recognition for protein function prediction

Abstract

Proteinler hücrelerdeki fonksiyonları kontrol eden ve etkileyen önemli faktörlerdir. Proteinlerdeki birkaç aminoasitin belirli bir düzen içinde bir araya gelmesi ile yapısal örüntüler oluşur. Belirli düzenleri nedeniyle proteinlerin fonksiyon olarak önemli yerleri kabul edilen bu örüntüler, birbirlerine uzaktan akraba proteinlerde de korunurlar. Bunun yanında, bu tür birkaç yapısal örüntü bir araya gelerek protein fonksiyonunda önemli yeri olan domenleri oluşturur.Bu çalışmada, iki proteindeki ortak yapısal örüntüleri graf parçacıkları eşlemesi kullanarak bulmaya çalışan bir metodu tanıtıyoruz. Protein yapıları, graf kullanılarak gösterildi daha sonra da graf parçacıkları yaratıldı. Her iki proteindeki graf parçacıkları birbirleriyle eşleştirilerek bölgesel yapı hizalamaları elde edildi. Ayrıca bu bölgesel yapı hizalamaları birleştirilerek fonksiyon olarak önemli domenler bulunmaya çalışıldı.Bu ortak domenler, protein fonksiyon tayini ve işlevsel yapı ünitesi tayini ile homoloji ilişki tespitinde kullanılabilir. Çalışmada, algoritmamız öncelikle işlevsel yapı ünitesi tayin etme amacıyla kullanıldı ve 80% doğru sınıflandırma yapıldı. Ayrıca algoritmamız, fonksiyon tayin etme amacıyla da kullanıldı ve 97% doğru fonksiyon ataması gerçekleştirildi.

Proteins are essential players of the cell that control and affect all functions. In proteins, structural patterns consist of a few amino acids which assemble in a specific arrangement. Due to their specific structures, they are recognized as the functionally important sites of the proteins, and conserved even in distantly related proteins. Moreover, several structural patterns merge and form domains which are also associated with the proteins function.In this work, we introduced a method for finding structure patterns common to a protein pair by using graphlet mappings. We presented protein structures with graphs, and then generate graphlets. Local alignments are produced by mapping the generated graphlets from protein pairs. Moreover, by merging these local alignments, we tried to recognize functionally important domains.These common domains are very useful in protein function prediction, fold classification and homology relationship detection. In this work, our algorithm was first applied to fold classification problem and 80% accuracy was observed. Furthermore, our algorithm was also used for protein function prediction and 97% accuracy was observed.