Le reti neurali e la predizione della struttura proteica

Presentazione sul tema: "Le reti neurali e la predizione della struttura proteica"— Transcript della presentazione:

1 Le reti neurali e la predizione della struttura proteica
Rita Casadio Interdepartmental Centre for Biotechnological Research University of Bologna, Italy

2 L’era “omica”: genomi completi
Archea: 16 speci/33 in progress Batteri: 83 speci Eukarioti: 17 speci (242 chromosomi) Draft del genoma umano Nature (2/15/01) Human Genome Issue Science (2/16/01) Human Genome Issue

3 Dalla Sequenza alla Funzione
Genomica funzionale, Proteomica ed Interattomica Strutture proteiche Geni > RICIN GLYCOSIDASE MYSFPNSFRFGWSQAGFQSEMGTPGSEDPNTDWYKWVHDPENMAAGLVSG DLPENGPGYWGNYKTFHDNAQKMGLKIARLNVEWSRIFPNPLPRPQNFDE SKQDVTEVEINENELKRLDEYANKDALNHYREIFKDLKSRGLYFILNMYH WPLPLWLHDPIRVRRGDFTGPSGWLSTRTVYEFARFSAYIAWKFDDLVDE YSTMNEPNVVGGLGYVGVKSGFPPGYLSFELSRRHMYNIIQAHARAYDGI KSVSKKPVGIIYANSSFQPLTDKDMEAVEMAENDNRWWFFDAIIRGEITR GNEKIVRDDLKGRLDWIGVNYYTRTVVKRTEKGYVSLGGYGHGCERNSVS LAGLPTSDFGWEFFPEGLYDVLTKYWNRYHLYMYVTENGIADDADYQRPY YLVSHVYQVHRAINSGADVRGYLHWSLADNYEWASGFSMRFGLLKVDYNT KRLYWRPSALVYREIATNGAITDEIEHLNSVPPVKPLRH Sequenze proteiche Funzione

4 PRINCIPI DI BASE DELLA STRUTTURA DELLE PROTEINE
Livelli di organizzazione strutturale Primaria Secondaria Terziaria Quaternaria

5 PRINCIPI DI BASE DELLA STRUTTURA DELLE PROTEINE
Gli elementi di struttura secondaria Foglietto b a -elica C N

6 La predizione del Protein Folding
Il processo di folding La catena La proteina nativa La cinetica del Folding: I siti di iniziazione

7 Le Banche Dati di Sequenze Biologiche e Strutture
NCBI: 18,197,119 sequenze 22,616,937,182 nucleotidi >BGAL_SULSO BETA-GALACTOSIDASE Sulfolobus solfataricus. MYSFPNSFRFGWSQAGFQSEMGTPGSEDPNTDWYKWVHDPENMAAGLVSG DLPENGPGYWGNYKTFHDNAQKMGLKIARLNVEWSRIFPNPLPRPQNFDE SKQDVTEVEINENELKRLDEYANKDALNHYREIFKDLKSRGLYFILNMYH WPLPLWLHDPIRVRRGDFTGPSGWLSTRTVYEFARFSAYIAWKFDDLVDE YSTMNEPNVVGGLGYVGVKSGFPPGYLSFELSRRHMYNIIQAHARAYDGI KSVSKKPVGIIYANSSFQPLTDKDMEAVEMAENDNRWWFFDAIIRGEITR GNEKIVRDDLKGRLDWIGVNYYTRTVVKRTEKGYVSLGGYGHGCERNSVS LAGLPTSDFGWEFFPEGLYDVLTKYWNRYHLYMYVTENGIADDADYQRPY YLVSHVYQVHRAINSGADVRGYLHWSLADNYEWASGFSMRFGLLKVDYNT KRLYWRPSALVYREIATNGAITDEIEHLNSVPPVKPLRH Swiss-Prot: ,470 sequenze 41,413,223 residui PDB: ,510 strutture August/2002

8 Possiamo estrarre dal PDB circa 1500 esempi di catene di cui e’ nota la struttura terziaria al fine di ricavare informazioni non ridondanti per la relazione tra sequenza e: Struttura secondaria Motivi strutturali e funzionali Struttura terziaria (3D)

9 Il Protein Folding T T C C P S I V A R S N F N V C R L P G T P E A L C A T Y T G C I I I P G A T C P G D Y A N

10 Caratteristiche della Predizione Strutturale di Sequenze Proteiche
Ampio insieme di dati per cui la soluzione del problema è nota E’ difficile (impossibile) formulare una soluzione analitica del problema Le banche dati vengono aggiornate in modo continuo (grande volume di dati, necessità di operare in tempo reale)

11 Mapping generale non-lineare funzionale
X x1 x2 ………xn X space Y space Y y1 y2 ………yn

12 Tools derivati dall’apprendimento automatico:
Reti Neurali Training Predizione Set dalla banca dati Nuova sequenza Regole Generali Mapping noto Predizione

13 La finestra di input Le proprieta’ del residuo R dipendono sia dalle interazioni locali (finestra W) che da quelle non locali (contesto C) Contesto C Residuo R Finestra W Oa Onon a Rete Neurale

14 Input basato sulla Informazione Evolutiva
Multiple Sequence Alignment (MSA) Posizione lungo la sequenza 1 MVKGPGLYTDIGKKARDLLYKDYHS--DKKFTISTYSPTGVAITSSGTKKGEL--FLGDV 2 MAKGPGLYTDIGKKARDLLYRDYQT--DQKFSITTYSPTGVAITSSGTKKGDL--FLADV 3 MVKGPGLYSDIGKRARDLLYRDYQS--DHKFTLTTYTANGVAITSTGTKKGEL--FLADV 4 MVKGPGLYSDIGKKARDLLYRDYVS--DHKFTVTTYSTTGVAITASGLKKGEL--FLADV 5 MVKGPGLYTEIGKKARDLLYRDYQG--DQKFSVTTYSSTGVAITTTGTNKGSL--FLGDV 6 MVVAVGLYTDIGKKTRDLLYKDYNT--HQKFCLTTSSPNGVAITAAGTRKNES--IFGEL 7 -MGGPGLYSGIGKKAKDLLYRDYQT--DHKFTLTTYTANGPAITATSTKKADL--TVGEI 8 AVVRPYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVTGSLEI 9 --AVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVTGSL 10 -MAVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVNGSL 11 --AVPPSYADLGKSARDIFNKGYGFG-LVKLDVKTKSATGVEFTTSGTSNTDSGKVNGSL 12 --MAPPSYSDLGKQARDIFSKGYNFG-LWKLDLKTKTSSGIEFNTAGHSNQESGKVFGSL 13 --MAVPAFSDIAKSANDLLNKDFYHLAAGTIEVKSNTPNNVAFKVTGKSTHDK-VTSGAL 1 MVKGPGLYTDIGKKARDLLYKDYHS--DKKFTISTYSPTGVAITSSGTKKGEL--FLGDV 2 MAKGPGLYTDIGKKARDLLYRDYQT--DQKFSITTYSPTGVAITSSGTKKGDL--FLADV 3 MVKGPGLYSDIGKRARDLLYRDYQS--DHKFTLTTYTANGVAITSTGTKKGEL--FLADV 4 MVKGPGLYSDIGKKARDLLYRDYVS--DHKFTVTTYSTTGVAITASGLKKGEL--FLADV 5 MVKGPGLYTEIGKKARDLLYRDYQG--DQKFSVTTYSSTGVAITTTGTNKGSL--FLGDV 6 MVVAVGLYTDIGKKTRDLLYKDYNT--HQKFCLTTSSPNGVAITAAGTRKNES--IFGEL 7 -MGGPGLYSGIGKKAKDLLYRDYQT--DHKFTLTTYTANGPAITATSTKKADL--TVGEI 8 AVVRPYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVTGSLEI 9 --AVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVTGSL 10 -MAVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVNGSL 11 --AVPPSYADLGKSARDIFNKGYGFG-LVKLDVKTKSATGVEFTTSGTSNTDSGKVNGSL 12 --MAPPSYSDLGKQARDIFSKGYNFG-LWKLDLKTKTSSGIEFNTAGHSNQESGKVFGSL 13 --MAVPAFSDIAKSANDLLNKDFYHLAAGTIEVKSNTPNNVAFKVTGKSTHDK-VTSGAL Sequenze allineate Finestra di Input

15 Artificial Neural Networks
Bias Inputs Outputs x 0 x 1 x d z m z 1 Percettrone a singolo strato a = S w i x i i = 0 d z = g (a) La Funzione di Errore Y i (X q) = Output of the network D iq = Expected Value L’ Algoritmo di Training: il Back Propagation (gradient descendent: Rumelhart et al. 1986) Correction to the weights m = learning rate h = momentum term

16 Parametri variabili delle Reti Neurali
Il codice di input L’ampiezza della finestra mobile L’architettura: il numero di nodi (neuroni) e gli strati di neuroni La velocità di apprendimento

17 Le Reti Neurali a Bologna predicono:
La struttura secondaria delle proteine I siti di iniziazione del protein folding La topologia delle proteine di membrana all alpha and all beta (ISMB BEST PAPER AWARD 2002) La presenza dei peptidi segnale Lo stato di legame delle cisteine e la topologia dei ponti a zolfo Le mappe di contatto delle proteine (BEST PREDICTOR of the CATEGORY at CASP4) Le superfici di interazione tra proteine

18

19 Schema generale dei predittori disponibili al nostro sito web

20 Predittori basati su Reti Neurali
Verso la predizione della struttura 3D: La predizione delle mappe dei contatti

21 Predizione dei contatti tra residui Contatti nelle Proteine
F 297 F 156 V 299 V 271 I 240 V 238 I 269

22 Computation of Contact Maps
From 3D Structure F 297 F 156 V 299 V 271 I 240 V 238 I 269 To Contact Map TTCCPSIVARSNFNVCRLPGTPEAICATYTGCIIIPGATCPGDYAN

23 MARC 3-D Modelling through Contact Maps Bacteriorhodopsin Model N C
1QHJ (1.9 Å) N C MARC Contact map RMSD = 2.5 Å

24 Tools di Apprendimento Automatico Predizione della mappa dei contatti
Le Reti Neurali imparano il mapping dalla sequenza alla mappa dei contatti Training Predizione Set Banca Dati Sequenza TTCCPSIVARSNFNVCRLPGTPEAICATYTGCIIIPGATCPGDYAN Regole generali Mapping noto Predizione della mappa dei contatti

25 T0087: 310 residues A=20 % (FR/NF)
C N

26 T0110: 128 residues A=30% (NF) N C

27

28 Predittori basati su Reti Neurali
Verso la predizione della struttura 3D: La predizione dei ponti a zolfo

29 Il Protein Folding RPDFCLEPPYTGPCKARIIRYFYNAKAGLCQTF VYGGCRAKRNNFKSAEDCMRTCGGA

30 I legami a zolfo tra cisteine nelle proteine
Ca 2-SH -> -SS- + 2H+ + 2e- S-S distance  2.2 Å Torsion angle C-S-S-C  90° Bond Energy  3 Kcal/mol

31 Neural Networks for the Prediction of the disulfide-bonding state of cysteines in proteins
Non bonding 1 MVKGPGLYTDIGKKARDLLYKDYHS--DKKFTISTYSCTGVAITSSGTKKGEL--FLGDV 2 SAKGPGLYTDIGKKARDLLYRDYQT--DQKFSITTYSCTGVAITSSGTKKGDL--FLADV 3 MVKGPGLYSDIGKRARDLLYRDYQS--DHKFTLTTYTCNGVAITSTGTKKGEL--FLADV 4 MVKGPGLYSDIGKKARDLLYRDYVS--DHKFTVTTYSCTGVAITASGLKKGEL--FLADV 5 MVKGPGLYTEIGKKARDLLYRDYQG--DQKFSVTTYSCTGVAITTTGTNKGSL--FLGDV 6 MVVAVGLYTDIGKKTRDLLYKDYNT--HQKFCLTTSSCNGVAITAAGTRKNES--IFGEL 7 -MGGPGLYSGIGKKAKDLLYRDYQT--DHKFTLTTYTCNGPAITATSTKKADL--TVGEI 8 AVVRPYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVTGSLEI 9 --AVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSGNGLEFTSSGSANTETTKVTGSL 10 -MAVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSGNGLEFTSSGSANTETTKVNGSL 11 --AVPPSYADLGKSARDIFNKGYGFG-LVKLDVKTKSCTGVEFTTSGTSNTDSGKVNGSL 12 --MAPPSYSDLGKQARDIFSKGYNFG-LWKLDLKTKTCSGIEFNTAGHSNQESGKVFGSL 13 --MAVPAFSDIAKSANDLLNKDFYHLAAGTIEVKSNTCNNVAFKVTGKSTHDK-VTSGAL

32 Most probable path through the states
W1 W2 W3 MYSFPNSFRFGWSQAGFQCEMSTPGSEDPNTDWYKWVHDPENMAAGLCSGDLPENGPGYWGNYKTFHDNAQKMCLKIARLNVEWSRIFPNP... P(B|W1), P(F|W1) P(B|W2), P(F|W2) P(B|W3), P(F|W3) Cysteine free states Cysteine bonding states End Begin Most probable path through the states Prediction of the bonding and non-bonding states of all the cysteines of the sequence

33 Il sistema ibrido Accuratezza per cisteina: 88%; per proteina: 84%
Correctly predicted proteins (%) No of cysteines per protein No of proteins NN-based predictor HNN-based predictor Protein Science, in press

34 VGDKLIPLKITYDYYVCNNHMDTDTSYERWPALGTYRPLNGRDCVMNNHKLAASDRWECDQREPLYTCMCNKDLPTKAAGPLMNTRPILNLSREEWLLPLLTHMNVVAGLCKLP Input VGDKLIPLKITYDYYVCNNHMDTDTSYERWPALGTYRPLNGRDCVMNNHKLAASDRWECDQREPLYTCMCNKDLPTKAAGPLMNTRPILNLSREEWLLPLLTHMNVVAGLCKLP Output VGDKLIPLKITYDYYVCNNHMDTDTSYERWPALGTYRPLNGRDCVMNNHKLAASDRWECDQREPLYTCMCNKDLPTKAAGPLMNTRPILNLSREEWLLPLLTHMNVVAGLCKLP Disulfide bonding cysteine Free cysteine

35 I PREDITTORI POSSONO ESSERE USATI PER SCOPRIRE NUOVE PROTEINE?

36 Escherichia coli K12, genoma completo
Completed: Oct 13, 1998. Total Bases: 4,639,221 bp NCBI ( Protein coding genes: 4,289 Structural RNAs: 115 EcoGene/EcoProt (bmb.med.miami.edu/EcoGene) Protein coding genes: 4,173 Structural RNAs : 120

37 EcoGene/SwissProt functional annotation
Keywords of SwissProt entries (if exist) are extracted : 2160 ANNOTATED PROTEINS (52 %) 421 Inner membrane proteins 35 Outer membrane proteins 1704 Globular proteins 760 PARTIALLY ANNOTATED PROTEINS (18 %) proteins annotated as “Hypothetical proteins” and with other functional annotations 352 Inner membrane proteins 18 Outer membrane proteins 390 Globular proteins 1253 NON ANNOTATED PROTEINS (30 %) 137 proteins don’t have SwissProt entry 1116 proteins don’t contain functional annotation in SwissProt

38 Outer Membrane proteins (all b-Transmembrane proteins)
Inner Membrane proteins (all a-Transmembrane proteins)

39 HUNTER PROTEOME Signal peptide No Yes All-a TM All-a TM No Globular
All-b TM No Globular Yes all b-TM

40 Predicting globular, inner and outer membrane proteins in genomes of Gram-negative bacteria with Hunter * the number of new proteins predicted in the class with Hunter, out of the non-annotated region

41

42 Collaborazioni Italia All’estero
L.Masotti, Biochemistry, Bologna P.Mariani, Physics, Ancona M.Rossi, IBPE/CNR, Napoli G.Campadelli-Fiume, Pathology, Bologna G.Mita, IIGB/CNR, Napoli S.Prosperi, Veterinary, Bologna G.Irace, Biochemistry, Napoli F.Bernardi, Chemistry, Bologna D.Boraschi, CNR, Pisa S.Ciurli, Agricultural Chemistry, Bologna P.Arrigo, ICE/CNR, Genova C.Bergamini, Biochemistry, Ferrara All’estero B.Rost, Columbia University, New York A.Valencia, Protein Design Group, Cantoblanco, Madrid P.Baldi, Genomics and Bioinformatics, Irvine, California A.Krogh, University of Copenhagen, Copenhagen N.Ben Tal, Israel Insitute of Technology, Tel Aviv

43 The cross validation procedure
Protein set Testing set Training set

44 Evaluation of the performance
correct predictions total predictions p+n N Q = ———————— = —— correct predictions in class x total observations in class x p p+u Q(x) = ———————————— = —— correct predictions in class x total predictions in class x p p+o P(x) = ———————————— = —— p·n - o ·u [(p+o) ·(p+u) ·(n+o) ·(n+u)]1/2 C = Correlation index = ————————————— Legend: Predicted Observed

45 Evaluation of the efficiency of contact map predictions
1) Accuracy: A = Ncp* / Ncp where Ncp* and Ncp are the number of correctly assigned contacts and that of total predicted contacts, respectively. 2) Improvement over a random predictor : R = A / (Nc/Np) where Nc/Np is the accuracy of a random predictor ; Nc is the number of real contacts in the protein of length Lp, and Np are all the possible contacts 3) Difference in the distribution of the inter-residue distances in the 3D structure for predicted pairs compared with all pair distances in the structure (Pazos et al., 1997): Xd= i=1,n (Pic - Pia ) / n di where n is the number of bins of the distance distribution (15 equally distributed bins from 4 to 60Å cluster all the possible distances of residue pairs observed in the protein structure); di is the upper limit (normalised to 60 Å) for each bin, e.g. 8 Å for the 4 to 8 Å bin; Pic and Pia are the percentage of predicted contact pairs (with distance between di and di-1 ) and that of all possible pairs respectively

46 The cross validation procedure
Training set 1 Testing set 1 Protein set

47 PRINCIPI DI BASE DELLA STRUTTURA DELLE PROTEINE
Gli elementi della costruzione della struttura primaria Amminoacidi Backbone della proteina