Interested Article - Мотив (молекулярная биология)

Моти́в в молекулярной биологии — относительно короткая последовательность нуклеотидов или аминокислот , слабо меняющаяся в процессе эволюции и, по крайней мере предположительно, имеющая определённую биологическую функцию . Под мотивом иногда подразумевают не конкретную последовательность, а каким-либо образом описанный спектр последовательностей, каждая из которых способна выполнять определённую биологическую функцию данного мотива .

Мотивы встречаются в живых организмах повсеместно и выполняют множество жизненно важных функций, таких как регуляция транскрипции и трансляции (в случае нуклеотидных мотивов), посттрансляционная модификация и клеточная локализация белков, и частично обуславливают их функциональные свойства ( лейциновая молния ) . Они широко используются в биоинформатике для предсказания функций генов и белков, построения карт регуляции, важны для многих задач генной инженерии и молекулярной биологии в целом .

В связи с практической важностью мотивов, разработаны как биоинформатические методы их поиска ( MEME , Gibbs Sampler), так и методы поиска мотивов in vivo ( ChIP-seq , ChIP-exo). Последние довольно часто дают приблизительные координаты мотивов и их результаты затем уточняются биоинформатическими методами .Для удобства хранения мотивов в базах данных используются их разные, отличающееся степенью детальности, представления, наиболее распространенными из которых являются консенсус и позиционная весовая матрица .

Следует отличать мотив от консервативных участков в близкородственных организмах, необладающих значимыми биологическими функциями, где мутационный процесс не успел ещё достаточно их изменить .

Мотивы в нуклеиновых кислотах

В случае с ДНК чаще всего мотивы представляют собой короткие последовательности, являющиеся сайтами связывания для белков, таких, как нуклеазы и транскрипционные факторы , или вовлечённые в важные регуляторные процессы уже на уровне РНК , такие как посадка рибосомы , процессинг мРНК и терминация транскрипции .

Краткая история изучения

Изучение мотивов в ДНК стало возможным благодаря появлению в 1973 году процедуры секвенирования ДНК (определения последовательности нуклеотидов фрагмента ДНК). Первыми были определены последовательности lac -оператора и лямбда-оператора . Однако до появления более производительных методов секвенирования , количество последовательностей мотивов оставалось достаточно малым. К концу 1970-х годов появилось множество примеров мутантных последовательностей (сайтов), связывающих транскрипционные факторы и последовательностей с изменённой специфичностью . С увеличением количества последовательностей, стали развиваться и методы теоретического предсказания мотивов. В 1982 году была впервые сконструирована позиционно-весовая матрица (ПВМ) мотива сайта инициации трансляции. С помощью построенной ПВМ были предсказаны другие сайты инициации трансляции . Этот подход оказался достаточно мощным и до сих пор в разных формах применяется для поиска известных мотивов в геномах, а конкретные методы различаются только видом весовой функции . Однако подход, основанный на построении ПВМ на базе уже имеющихся последовательностей, не позволял находить принципиально новые мотивы, что является более сложной задачей. Первый алгоритм, решавший эту задачу, был предложен Галласом с коллегами в 1985 году . Этот алгоритм был основан на поиске общих слов в наборе последовательностей и давал большой процент ложноотрицательных результатов, однако он стал основой для целого семейства алгоритмов . Позднее были разработаны более точные вероятностные методы: алгоритм MEME , основанный на процедуре максимизации ожидания и алгоритм , также основанный на процедуре максимизации ожидания . Оба метода оказались очень чувствительными и используются в настоящее время для предсказания мотивов в наборах последовательностей.

После разработки мощных средств для предсказания мотивов связывания транскрипционных факторов и установления соответствия между достаточным количеством транскрипционных факторов и мотивов, стало возможным предсказывать функции оперона, лежащего поблизости от мотива по специфичности транскрипционного фактора, с ним связывающегося и наоборот, предсказывать транскрипционный фактор по генам в опероне, лежащем рядом с определённым мотивом .

Сайты связывания

Регуляция транскрипции

Характерными примерами регуляции транскрипции, осуществляемой с помощью белка, распознающего специальный мотив, являются:

  1. Сайт пуринового репрессора PurR у Escherichia coli . PurR связывается с последовательностью в 16 нуклеотидов, которая расположена перед и регулирует транскрипцию генов, ответственных за синтез пуриновых и пиримидиновых нуклеотидов . Интересно, что у бактерии Bacillus subtilis , эволюционно далёкой от кишечной палочки, также есть пуриновый репрессор, не гомологичный PurR ;
  2. Сайт лактозного оперона Lac . Лактозный оперон контролируется репрессором LacI , который, связывая ДНК, препятствует транскрипции генов, ответственных за катаболизм лактозы .
Регуляция трансляции

Одними из наиболее известных примеров регуляции трансляции при помощи мотив-распознающих регуляторов являются:

  1. Сайт посадки рибосомы прокариот — последовательность Шайн — Дальгарно , здесь связывание происходит с ;
  2. Сайт посадки рибосомы эукариот последовательность Козак , связывание происходит с эукариотическим фактором инициации трансляции eIF1 ;
  3. IRE — регуляторные элементы, располагающиеся на 5’UTR и/или 3’UTR мРНК ферментов (к примеру, ферритина ), регулирующие содержание железа в клетке. С этими мотивами связываются белки IRP1 ( цитозольная форма аконитазы) и IRP2 (каталитически неактивный гомолог аконитазы), регулируя самим фактом своего связывания с мРНК скорость её деградации или скорость трансляции, происходящей с неё .
Сила мотива

Сила взаимодействия белка или РНК с ДНК мотивом зависит в первую очередь от последовательности данного мотива. Различают «сильные» мотивы, дающие сильное взаимодействие с белком или РНК и «слабые» мотивы, с которыми взаимодействие слабее. Практически всегда удаётся получить так называемую «консенсусную последовательность» («консенсус»), то есть такую последовательность, в каждой позиции которой стоит буква, наиболее часто встречающаяся в соответствующей позиции в последовательностях мотивов из разных организмов. Консенсусная последовательность принимается за самую сильную, каковой она почти всегда и является . Более слабые мотивы получаются из неё с помощью небольшого (чаще всего 1—3) числа замен .

Эволюция силы мотива

В процессе эволюции сила мотивов регулируется с помощью естественного отбора, причём мотив может становиться как сильнее, так и слабее . Характерным примером такой подстройки силы мотива может служить изменчивость последовательности Шайна — Дальгарно (ШД). Есть тесная корреляция между необходимым организму количеством транслируемого белка и силой ШД перед ним .

Важно отметить, что в случае с ШД, хотя сила связывания белка и напрямую коррелирует с силой связывания 16S-субъединицы рибосомы , в связи с особенностями инициации трансляции, консенсусная последовательность не обязательно будет гарантировать наиболее эффективную трансляцию (из-за затруднённого ухода рибосомы с сайта инициации ) . Поэтому последовательность Шайна — Дальгарно чаще всего содержит 4—5 нуклеотидов из консенсусной последовательности при длине последней примерно в 7 нуклеотидов .

РНК-переключатели

Не всегда наличие мотива, явно выполняющего биологически значимую роль, влечёт за собой наличие белка-регулятора. Регуляция также может осуществляться за счёт связывания РНК с каким-либо низкомолекулярным веществом . На этом принципе построены — структуры, образующиеся на РНК во время транскрипции, способные связывать малые молекулы . Связывание молекулы влияет на способность рибопереключателя останавливать транскрипцию или препятствовать трансляции. В этом случае важной оказывается не последовательность нуклеотидов как таковая, а наличие комплементарных нуклеотидов на нужных местах в последовательности .

Регуляция за счёт вторичной структуры

Регуляция трансляции также может осуществляться только за счёт образуемой нуклеиновой кислотой вторичной структуры.

  1. Ро-независимый терминатор транскрипции шпилька , образующаяся на синтезируемой мРНК до начала трансляции, препятствующая дальнейшему синтезу мРНК ( Терминатор (ДНК) ) ;
  2. IRES — сложная структура в мРНК вирусов эукариот , обеспечивающий внутреннюю инициацию трансляции .

Структура мотива

Зачастую, мотивы, связывающие транскрипционные факторы, имеют вид прямых повторов некоторой последовательности, обратных повторов или палиндромных последовательностей . Это можно объяснить работой транскрипционных факторов в виде димеров белков, в которых каждый из мономеров связывает одну и ту же последовательность. Встречаются также мотивы большей повторности . Такое строение мотивов обеспечивает большую резкость реакции на изменение внешних условий. К примеру, если связывание зависит от концентрации одного вещества в клетке, то получаем зависимость силы реакции клетки, описываемую уравнением Михаэлиса — Ментен . С увеличением числа связывающихся единиц белка (будем считать, что действие связывания белка с мотивом проявляется только в случае связывания со всеми повторами) зависимость всё больше становится похожей на сигмоиду , в пределе стремясь к функции Хевисайда , описывающей один из главных принципов реагирования живых систем на многие воздействия — закон «всё или ничего» ( англ. all-or-nothing law ) , к примеру, формирования потенциала действия .

Мотивы в белках

Для белков следует различать

Мотивы в первичной структуре (последовательности белка)

Мотивы в первичной структуре похожи на мотивы в нуклеиновых кислотах. Характерными примерами таковых являются:

  1. сигнальные пептиды — короткие аминокислотные последовательности в составе белка длиной порядка 3—60 аминокислот , определяющие, в какой компартмент клетки будет отправлен после синтеза . Пример — сигнал ядерной локализации ;
  2. сайты посттрансляционной модификации белков, представляющие собой консервативные пептиды порядка 5—12 аминокислот . Пример — сайты ацетилирования в белке

Структурные мотивы

В белках структурные мотивы описывают связи между элементами вторичной структуры. Такие мотивы часто имеют участки переменной длины, которые в некоторых случаях могут и вовсе отсутствовать .

  1. Лейциновая молния — характерен для димерных белков, связывающих ДНК. Лейциновая молния обеспечивает контакт двух мономеров белка за счёт гидрофобных взаимодействий . Для него характерно наличие в каждой седьмой позиции остатка лейцина .
  2. Цинковые пальцы — характерен для ДНК-связывающих факторов транскрипции ;
  3. Спираль-поворот-спираль — ДНК-связывающий мотив, именно такой ДНК-связывающий фрагмент у Lac-репрессора .
  4. Гомеодомен — мотив, связывающий ДНК и РНК. У эукариот белки с гомеодоменами индуцируют дифференцировку клеток, запуская каскады генов, необходимых для образования тканей и органов. Похож на мотив «спираль-поворот-спираль», потому часто отдельно не выделяется .
  5. Укладка Россмана — мотив, связывающий нуклеотиды (к примеру — НАД) . Встречается, в частности, в дегидрогеназах, в том числе в , участвующей в гликолизе .
  6. EF-рука — мотив, связывающий ионы Са 2+ , также подобен мотиву «спираль-поворот-спираль» .
  7. — три последовательных аминокислотных остатка формируют сайт связывания аниона .
  8. — три последовательных аминокислотных остатка формируют сайт связывания катиона .
  9. Бета-шпилька — два β-тяжа, соединённых коротким разворотом цепи белка .

Кроме бета-шпильки выделяют и множество других мотивов, функция которых состоит в формировании структурного каркаса белка .

Близким к термину структурный мотив белка является — характерное расположение элементов вторичной структуры. В силу своей схожести термины часто используются один вместо другого и грань между ними размыта .

Представление мотивов

Изначально имеется набор мотивов из разных последовательностей и ставится задача :

  • представить их компактно и наглядно;
  • уметь по представлению мотива осуществлять поиск его новых вхождений.

Существует несколько общепризнанных способов представления мотивов . Часть из них подходит как для белков, так и для нуклеотидов, другая часть — только для белков или нуклеотидов.

Консенсус

Строгий консенсус

Строгим консенсусом мотива назовем строчку, состоящую из самых представленных букв в множестве реализаций мотива. На практике, указывается не просто наиболее частая буква в данной позиции, но и, если максимальная частота встречаемости какой-либо буквы в данной позиции меньше заданного порога, то на этом месте в консенсусе ставится x (любая буква алфавита). По такому консенсусу мы почти наверняка находим последовательности, реально являющиеся мотивами, но упускаем большое число мотивов, отличающихся от консенсуса на несколько замен . Ниже приведён пример строгого консенсуса для участка мотива пяти взятых из UniProt белков с мотивом лейциновой молнии (порог был взят равным 80 %):

Номер позиции
UniProt ID 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O35048 L S P C G L R L I G A H P I L
Q6XXX9 L G Q D I C D L F I A L D V L
Q9N298 L G Q V T C D L F I A L D V L
Q61247 L S P L S V A L A L S H L A L
B0BC06 L T I G Q Y S L Y A I D G T L
Консенсус L x x x x x x L x x x x x x L

Нестрогий консенсус

Нестрогим консенсусом назовем последовательность списков букв, наиболее представленных на соответствующем месте. Описываются все или наиболее часто встречающиеся буквы в данной позиции (обычно устанавливается минимальный порог частоты) . Фактически, мотив описывается при помощи регулярного выражения . В качестве обозначений используют:

  • Алфавит — совокупность отдельных символов, обозначающих определённую аминокислоту/нуклеотид или набор аминокислот/нуклеотидов;
  • ABC — строка из символов алфавита, обозначающая последовательность символов, следующих друг за другом;
  • [ABC] — любая строка символов, взятых из алфавита в квадратных скобках соответствует любому из соответствующих символов; например [ABC] соответствует или A или B или C;
  • {ABC..DE} — любая строка символов, взятых из алфавита, соответствует любой аминокислоте, кроме тех, что находятся в фигурных скобках; например {ABC} соответствует любой аминокислоте, кроме A , B и C ;
  • x в нижнем регистре — любой символ алфавита.

В случае с таким представлением приходится балансировать между чувствительностью консенсуса (количеством реальных мотивов, которые им получится отыскать) и специфичностью (способностью метода отбраковывать мусорные последовательности) . Ниже приведен пример нестрого консенсуса для тех же пяти последовательностей белков, что и для строго консенсуса (порог был взят равным 20 %). Видим, что в позиции 10 мотив не совсем объективен — лейцин ( L ) и изолейцин ( I ) — очень близкие по свойствам аминокислоты, и логично было бы их обе занести в консенсус.

Номер позиции
UniProt ID 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O35048 L S P C G L R L I G A H P I L
Q6XXX9 L G Q D I C D L F I A L D V L
Q9N298 L G Q V T C D L F I A L D V L
Q61247 L S P L S V A L A L S H L A L
B0BC06 L T I G Q Y S L Y A I D G T L
Консенсус L [SG] [PQ] x x C D L F I A [LH] D V L

Prosite-консенсус (для белков)

PROSITE использует ИЮПАК для обозначения однобуквенных кодов аминокислот, за исключением символа конкатенации «-», используемого между элементами паттерна. При использовании PROSITE добавляется несколько символов, облегчающих представление белкового мотива :

  • ' < ' — шаблон ограничивается N-концом последовательности;
  • ' > ' — шаблон ограничивается C-концом последовательности;

Если e — шаблон элемента, и m и n два десятичных целых числа и m <= n , то:

  • e(m) эквивалентно повторению e ровно m раз;
  • e(m,n) эквивалентно повторению e ровно k раз для любого целого k удовлетворяющего условию: m <= k <= n ;

Пример: мотив домена с сигнатурой C2H2-type цинкового пальца выглядит следующим образом: C-x(2,4)-C-x(3)-[LIVMFYWC]-x(8)-H-x(3,5)-H

Позиционная весовая матрица

Позиционной весовой матрицей называется такая матрица, столбцы которой соответствуют позиции в последовательности, а строчки соответствуют буквам в алфавите. Значениями этой матрицы являются частоты (или монотонные функции от частот) встречаемости данной буквы в данной позиции на последовательности. При этом обычно, чтобы исключить нулевые частоты к числу встреч каждой буквы позиции добавляют некоторое число, исходя из априорного распределения букв в подобных последовательностях (к примеру, вводят поправку Лапласа ). Данный подход, как и предыдущие, неявно предполагает, что позиции в мотиве независимы, чего на самом деле не наблюдается даже для нуклеотидных последовательностей .

Пусть у нас есть 7 последовательностей ДНК, представляющих собой мотив :

Номер позиции
Номер

последовательности

1 2 3 4 5 6 7 8
1 A T C C A G C T
2 G G G C A A C T
3 A T G G A T C T
4 A A G C A A C C
5 T T G G A A C T
6 A T G C C A T T
7 A T G G C A C T

Позиционная матрица для них будет иметь следующий вид ( +1 — учёт правила Лапласа) :

Номер позиции
Нуклеотид 1 2 3 4 5 6 7 8
A 5 + 1 1 + 1 0 + 1 0 + 1 5 + 1 5 + 1 0 + 1 0 + 1
C 1 + 1 0 + 1 1 + 1 4 + 1 2 + 1 0 + 1 6 + 1 1 + 1
G 0 + 1 1 + 1 6 + 1 3 + 1 0 + 1 1 + 1 0 + 1 0 + 1
T 1 + 1 5 + 1 0 + 1 0 + 1 0 + 1 1 + 1 1 + 1 6 + 1

Частоты можно пронормировать на общее число последовательность, тем самым получив оценку вероятности встречи данного нуклеотида в данной последовательности (собственно, обычно в таком представлении и хранится PWM) :

Номер позиции
Нуклеотид 1 2 3 4 5 6 7 8
A 0,55 0,18 0,09 0,09 0,55 0,55 0,09 0,09
C 0,18 0,09 0,18 0,45 0,27 0,09 0,64 0,18
G 0,09 0,18 0,64 0,36 0,09 0,18 0,09 0,09
T 0,18 0,55 0,09 0,09 0,09 0,18 0,18 0,64

HMM (скрытые марковские модели)

Скрытая марковская модель нулевого порядка для приведённых выше последовательностей
Скрытая марковская модель нулевого порядка для приведённых выше последовательностей одного мотива. Каждое состояние соответствует одной из позиций, вероятность перехода из одного состояния в другое равна 1. Эмиссионные вероятности для нуклеотидов изображены на состояниях

Для большей точности можно учитывать зависимость соседних позиций в мотиве с помощью скрытых марковских моделей первого и более высоких порядков . Этот подход сопряжён с некоторыми трудностями, так как для его применения необходимо наличие достаточно представительной выборки вариантов мотивов. В случае предыдущего примера имеем:

  • Для марковской модели порядка 0 (вероятность появления нуклеотида в данной позиции от других позиций не зависит — другой способ трактовки PWM) ;
Скрытая марковская модель нулевого порядка для приведённых выше последовательностей
Скрытая марковская модель первого порядка для приведённых выше последовательностей одного мотива. Каждое состояние соответствует нуклеотиду в одной из позиций, вероятность перехода из одного состояния во другое равна вероятности появления после нуклеотида, соответствующего этому состоянию, нуклеотида, соответствующего другому
  • Для марковской модели порядка 1 (вероятность появления нуклеотида в данной позиции зависит только от нуклеотида в предыдущей последовательности. Легко заметить, что число параметров модели сильно возросло) . При расчете вероятностей перехода также использовалось правило Лапласа. Эмисионные вероятности для состояний равны 1 для нуклеотидов, которым они соответствуют, 0 — для остальных.

В случае мотивов, содержащих участки переменного размера и нуклеотидного состава, можно было бы вводить отдельно модель для этих участков, отдельно — для консервативных, а затем «склеивать» их в одну модель путём добавления промежуточных «молчащих» состояний и вероятностей перехода в них и из них .

СКС (стохастическая контекстно-свободная грамматика)

В случае мотивов, формирующих вторичные структуры (РНК-переключатели) в РНК, в элементах вторичной структуры важно учитывать возможность спаривания нуклеотидов . С этой задачей справляются СКС . Однако обучение СКС требует ещё большего размера выборки, чем HMM, и сопряжено с рядом трудностей .

Представление для больших базах данных

В тех случаях, когда важна скорость поиска и допустим пропуск некоторых вхождений нашего мотива, исследователи прибегают к различным уловкам, позволяющим с приемлемой точностью зашифровать пространственную структур биополимера (РНК или белка) путём расширения алфавита .

Представление мотивов в белках с помощью кодирования пространственной структуры белка

Оперон Escherichia coli репрессор лактозы LacI ( PDB chain A) и ген активатор катаболизма ( PDB chain A) оба имеют мотив спираль-поворот-спираль, но их аминокислотные последовательности не очень схожи. Группой исследователей был разработан код, который они назвали «трёхмерный код цепи», представляющий структуру белка в виде строки из писем. Эта схема кодирования, по мнению авторов, показывает сходство между белками гораздо более отчётливо, чем аминокислотные последовательности :

Пример : сравнение двух упомянутых выше белков при помощи этой схемы кодирования :

PDB ID 3D-code Amino acid sequence
1lccA TWWWWWWWKCLKWWWWWWG LYDVAEYAGVSYQTVSRVV
3gapA KWWWWWWGKCFKWWWWWWW RQEIGQIVGCSRETVGRIL
Сравнение Видно явное сходство между белками По аминокислотной последовательности белки сильно отличаются

где W соответствует α-спирали, и E и D соответствует β-нити.

Представление мотивов в РНК с помощью вторичной структуры (foldedBlast)

В данной работе с целью применения алгоритма поиска, схожего с BLAST , нуклеотидный алфавит (ATGC, так как поиск осуществлялся в геноме) был расширен за счёт комбинирования нуклеотидов и трех символов, характеризующих их предположительное направление спаривания :

  • ( — нуклеотид спарен с нуклеотидом справа;
  • ) — нуклеотид спарен с нуклеотидом слева;
  • . — нуклеотид не спарен.

Таким образом получалось 12 букв нового алфавита (4 нуклеотида * 3 «направления»), при правильном использовании позволяющий осуществлять BLAST-подобный поиск, названный авторами foldedBlast .

Логотип последовательностей

мотив сайта связывания пуринового репрессора PurR из Escherichia coli
Мотив сайта связывания пуринового репрессора PurR из Escherichia coli . Получен с помощью пакета R seqLogo

Для визуального представления мотивов часто используют логотип последовательностей — графического представления консервативности каждой позиции в мотиве. При этом данную визуализацию можно успешно применять как и в случае представления мотива в виде консенсуса или позиционной весовой матрицы , так и для представления HMM модели последовательности, как это сделано в базе белковых семейств Pfam .

Кроме того, если использовать, к примеру, яркость каждой нуклеотида в мотиве как индикатор того, насколько часто ему соответствует в этом же мотиве комплементарный нуклеотид, то можно частично представлять и информацию о вторичной структуре мотива. Так сделано, например, в биоинформатическом веб-сервисе .

Поиск сайтов связывания транскрипционных факторов in silico

В случае поиска в нуклеотидных последовательностях мотивов, отвечающих за связывание регуляторных белков пользуются соображением, что они [мотивы] меняются сравнительно медленно, а значит, если взять организмы, достаточно далёкие друг от друга, чтобы в высоковариабельных позициях их последовательностей успели накопиться мутации, а сайты измениться сильно ещё не успели, то можно пользоваться правилом «что консервативно — то важно» . После получения последовательностей, в которых предполагается наличия специфичного мотива, в основном используют два подхода к поиску последовательности мотива — филогенетический футпринтинг и сведение задачи к задаче поиска вставленного мотива .

Филогенетический футпринтинг

Филогенетический футпринтинг — полуавтоматический метод. Последовательности обрабатываются программой множественного выравнивания , и в получившемся выравнивании исследователем ищутся паттерны, которые можно считать мотивами. Одним из наиболее успешных примеров применения данного подхода можно считать расшифровку способа кодирования нерибосомных пептидов нерибосомными пептид-синтетазами (NRPS) . Данный метод не позволяет полностью автоматизировать процесс поиска мотивов, но при этом и не имеет столь сильных ограничений, как следующие.

Задача поиска вставленного мотива

В случае с мотивами без (почти без) разрывов и без (почти без) участков переменной длины возможно свести задачу поиска мотива к задаче поиска вставленного мотива ( англ. Planted motif search ) .

Формулировка задачи следующая: « На вход предоставлены n строк s 1 , s 2 , …, s n длины m, каждая составленная из символов алфавита A, и два числа — l и d. Найдите все строки x длины l такие, что любая из предоставленных строки содержит хотя бы одну подпоследовательность, находящуюся от x на расстоянии Хэмминга не больше d » .

Так как в общем случае неизвестно, все ли полученные нами последовательности имеют искомый мотив, а также неизвестна его точная длина, то обычно задачу решают эвристическими методами — максимизируя вероятность найденного мотива при данных последовательностях. На этом принципе построены программы MEME и GibbsSampler .

Если задать минимальный порог на число последовательностей, в которых должен содержаться мотив, и как-либо ограничить его длину, то можно использовать и точные способы решения данной задачи, к примеру — алгоритм RISOTTO . Некоторые из них позволяют снимать часть ограничений на искомый мотив — в RISOTTO искомый мотив может иметь разрывы, состоять из нескольких частей.

Однако эти методы редко дают результаты лучше, чем MEME и GibbsSamler, а работают они значительно дольше .

Поиск сайтов связывания in vitro

ChIP-seq

Метод анализа ДНК-белковых взаимодействий, комбинирующий идеи иммунопреципитации хроматина (ChIP) и высокоэффективном секвенировании ДНК (белок пришивается к ДНК, затем кусочки ДНК, пришившиеся к белку отправляются на секвенирование). В ходе работы метода получаются участки длиной около 150 нуклеотидов, которые затем можно анализировать in silico на наличие мотива .

ChIP-on-chip

Как и в случае использования метода ChIP-seq проводится иммунопреципитации хроматина (ChIP), затем сшивка с белком обращается и полученная ДНК гибридизуется с ДНК-микрочипом . Метод ChIP-on-chip дешевле, чем ChIP-seq, однако сильно уступает последнему в точности .

ChIP-exo

Также метод, основанный на иммунопреципитации хроматина (ChIP). Использование экзонуклеазы фага λ , деградирующей ДНК только с 5'-конца и только в случае отсутствия контакта с белком, позволяет добиваться точности порядка нескольких нуклеотидов в определении положения сайта связывания белка .

SELEX

Итеративный метод поиска нуклеотидных последовательностей, хорошо связывающихся с данным белком . Процедура в общем случае выглядит так:

  1. Интересующий нас белок пришивается к колонке , через которую далее пропускается раствор с набором последовательностей, состоящих из рандомизированного участка и адаптера;
  2. Последовательности, задержавшиеся на колонке клонируют процедуре ПЦР , причем состав реакционной смеси подобран таким образом, чтобы вносить дополнительные ошибки при копировании. Полученные клоны отправляются на новый раунд SELEX;
  3. Через каждые несколько участков условия ( pH раствора , его ионная сила ) ужесточаются, чтобы на колонке оставались все более и более специфичные к белку последовательности;
  4. Получающиеся на выходе последовательности часто похожи на реальные мотивы связывания белка в живых организмах.

DamID

Делается гибридный белок из изучаемого белка и адениновой ДНК- метилтрансферазы Dam . В естественных условиях аденин в большинстве эукариот не метилируется. Когда же гибридный белок связывается с каким-либо сайтом в ДНК организма, метилтрансферазная часть модифицирует аденины в районе этого сайта, что позволяет затем с помощью эндонуклеаз рестрикции выделить участок, на котором с большой долей вероятности находится искомый мотив.

Примечания

  1. D'haeseleer Patrik. (англ.) // Nature Biotechnology. — 2006. — 1 April ( vol. 24 , iss. 4 ). — P. 423–425 . — ISSN . — doi : . 12 апреля 2017 года.
  2. Compeau Phillip, Pevzner Pavel. Bioinformatics Algorithms: An Active Learning Approach, 2nd Ed. Vol. 1 by Phillip Compeau (англ.) . — 2nd edition. — Active Learning Publishers, 2015. — 384 p. — ISBN 9780990374619 .
  3. Koonin Eugene V. The Logic of Chance: The Nature and Origin of Biological Evolution. — 1 edition. — FT Press, 2011-06-23. — 529 с. — ISBN 978-0132542494 .
  4. Durbin Richard, Eddy Sean R., Krogh Anders, Mitchison Graeme. Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. — Cambridge University Press, 1998. — 372 с. — ISBN 978-0521620413 .
  5. (англ.) . proteopedia.org. Дата обращения: 11 апреля 2017. 12 апреля 2017 года.
  6. Alberts Bruce, Johnson Alexander, Lewis Julian, Raff Martin, Roberts Keith. . — 4th. — Garland Science, 2002-01-01. — ISBN 0815332181 . — ISBN 0815340729 . 27 сентября 2017 года.
  7. Pestova T. V., Kolupaeva V. G., Lomakin I. B., Pilipenko E. V., Shatsky I. N. (англ.) // Proceedings of the National Academy of Sciences of the United States of America. — 2001. — 19 June ( vol. 98 , iss. 13 ). — P. 7029–7036 . — ISSN . — doi : . 23 апреля 2017 года.
  8. Evfratov Sergey A., Osterman Ilya A., Komarova Ekaterina S., Pogorelskaya Alexandra M., Rubtsova Maria P. (англ.) // Nucleic Acids Research. — 2017. — 7 April ( vol. 45 , iss. 6 ). — P. 3487–3502 . — ISSN . — doi : . 12 апреля 2017 года.
  9. Jones Neil C., Pevzner Pavel A. An Introduction to Bioinformatics Algorithms. — 1 edition. — The MIT Press, 2004. — 435 с. — ISBN 9780262101066 .
  10. Gilbert W, Maxam A. (англ.) // Proceedings of the National Academy of Sciences. — 1973. — December ( vol. 70 , iss. 12 ). — P. 3581—3584 . — . 24 апреля 2017 года.
  11. Maniatis T, Ptashne M, Backman K, Kield D, Flashman S, Jeffrey A, Maurer R. (англ.) // Cell. — 1975. — June ( vol. 5 , iss. 2 ). — P. 109—113 . — . 24 апреля 2017 года.
  12. Sanger F, Nicklen S, Coulson AR. (англ.) // Proceedings of the National Academy of Sciences. — 1977. — December ( vol. 74 , iss. 12 ). — P. 5463—5467 . 2 апреля 2017 года.
  13. Stormo GD. (англ.) // Bioinformatics. — 2000. — January ( vol. 16 , iss. 1 ). — P. 16—23 . 19 апреля 2017 года.
  14. Stormo GD, Schneider TD, Gold LM. (англ.) // Nucleic Acids Research. — 1982. — 11 May ( vol. 10 , iss. 9 ). — P. 2971—2996 . 24 апреля 2017 года.
  15. Galas DJ, Eggert M, Waterman MS. (англ.) // Journal of Molecular Biology. — 1985. — 5 November ( vol. 186 , no. 1 ). — P. 117–128 . 24 апреля 2017 года.
  16. Stormo GD. (англ.) // Bioinformatics. — 2000. — January ( vol. 16 , no. 1 ). — P. 16–23 . 19 апреля 2017 года.
  17. T. L. Bailey, C. Elkan. (англ.) // Proceedings. International Conference on Intelligent Systems for Molecular Biology. — 1995. — 1 January ( vol. 3 ). — P. 21–29 . — ISSN . 24 апреля 2017 года.
  18. Lawrence CE1, Altschul SF, Boguski MS, Liu JS, Neuwald AF, Wootton JC. (англ.) // Science. — 1993. — 8 October ( vol. 262 , no. 5131 ). — P. 208–214 . 24 апреля 2017 года.
  19. Jendresen Christian Bille, Martinussen Jan, Kilstrup Mogens. (англ.) // Microbiology (Reading, England). — 2012. — 1 August ( vol. 158 , iss. 8 ). — P. 2026–2038 . — ISSN . — doi : . 19 апреля 2017 года.
  20. Sinha Sangita C., Krahn Joseph, Shin Byung Sik, Tomchick Diana R., Zalkin Howard. (англ.) // Journal of Bacteriology. — 2003. — 1 July ( vol. 185 , iss. 14 ). — P. 4087–4098 . — ISSN . — doi : . 19 апреля 2017 года.
  21. Shine J., Dalgarno L. (англ.) // European Journal of Biochemistry. — 1975. — 1 September ( vol. 57 , iss. 1 ). — P. 221–230 . — ISSN . 19 апреля 2017 года.
  22. Nelson David L., Cox Michael M. Lehninger Principles of Biochemistry. — 7 edition. — W. H. Freeman, 2017-01-01. — 1328 с. — ISBN 9781464126116 .
  23. Stormo G. D., Schneider T. D., Gold L. (англ.) // Nucleic Acids Research. — 1986. — 26 August ( vol. 14 , iss. 16 ). — P. 6661–6679 . — ISSN . 19 апреля 2017 года.
  24. Stormo G. D. (англ.) // Bioinformatics (Oxford, England). — 2000. — 1 January ( vol. 16 , iss. 1 ). — P. 16–23 . — ISSN . 19 апреля 2017 года.
  25. Shultzaberger Ryan K., Zehua Chen, Lewis Karen A., Schneider Thomas D. (англ.) // Nucleic Acids Research. — 2007. — 1 February ( vol. 35 , iss. 3 ). — P. 771–788 . — ISSN . — doi : . 19 апреля 2017 года.
  26. J. Shine, L. Dalgarno. (англ.) // European Journal of Biochemistry. — 1975. — 1 September ( vol. 57 , iss. 1 ). — P. 221—230 . — ISSN . 19 апреля 2017 года.
  27. . humbio.ru. Дата обращения: 11 апреля 2017. 12 апреля 2017 года.
  28. Samuel E. Bocobza, Asaph Aharoni. (англ.) // The Plant Journal: For Cell and Molecular Biology. — 2014. — 1 August ( vol. 79 , iss. 4 ). — P. 693–703 . — ISSN . — doi : . 19 апреля 2017 года.
  29. Hironori Otaka, Hirokazu Ishikawa, Teppei Morita, Hiroji Aiba. (англ.) // Proceedings of the National Academy of Sciences of the United States of America. — 2011. — 9 August ( vol. 108 , iss. 32 ). — P. 13059–13064 . — ISSN . — doi : . 3 июля 2022 года.
  30. Hiroshi Yamamoto, Marianne Collier, Justus Loerke, Jochen Ismer, Andrea Schmidt. (англ.) // The EMBO Journal. — 2015. — 14 December ( vol. 34 , iss. 24 ). — P. 3042–3058 . — ISSN . — doi : .
  31. Камкин Андрей, Каменский Андрей Александрович. Фундаментальная и клиническая физиология. — Academia, 2004-01-01. — 1072 с. — ISBN 5769516755 .
  32. . EMBL-EBI Train online (англ.) . 2011-11-25. из оригинала 12 апреля 2017 . Дата обращения: 12 апреля 2017 .
  33. Gonter Blobel, Bernhand Dobberstein. (англ.) // The Journal of Cell Biology. — 1975. — 1 December ( vol. 67 , iss. 3 ). — P. 835–851 . — ISSN . 2 апреля 2022 года.
  34. Qiu Wang-Ren, Sun Bi-Qian, Xiao Xuan, Xu Zhao-Chun, Chou Kuo-Chen. (англ.) // Bioinformatics (Oxford, England). — 2016. — 15 October ( vol. 32 , iss. 20 ). — P. 3116–3123 . — ISSN . — doi : . 19 апреля 2017 года.
  35. Landschulz W. H., Johnson P. F., McKnight S. L. (англ.) // Science (New York, N.Y.). — 1988. — 24 June ( vol. 240 , iss. 4860 ). — P. 1759–1764 . — ISSN . 19 апреля 2017 года.
  36. Klug A., Rhodes D. (англ.) // Cold Spring Harbor Symposia on Quantitative Biology. — 1987. — 1 January ( vol. 52 ). — P. 473–482 . — ISSN . 19 апреля 2017 года.
  37. Bürglin Thomas R., Affolter Markus. (англ.) // Chromosoma. — 2016. — 1 January ( vol. 125 ). — P. 497–521 . — ISSN . — doi : . 8 марта 2021 года.
  38. Rao S. T., Rossmann M. G. (англ.) // Journal of Molecular Biology. — 1973. — 15 May ( vol. 76 , iss. 2 ). — P. 241–256 . — ISSN . 23 апреля 2017 года.
  39. Nelson Melanie R., Thulin Eva, Fagan Patricia A., Forsén Sture, Chazin Walter J. (англ.) // Protein Science : A Publication of the Protein Society. — 2017. — 14 April ( vol. 11 , iss. 2 ). — P. 198–205 . — ISSN . — doi : .
  40. Watson James D., Milner-White E. James. (англ.) // Journal of Molecular Biology. — 2002. — 11 January ( vol. 315 , iss. 2 ). — P. 171–182 . — doi : .
  41. Torrance Gilleain M., David P. Leader, Gilbert David R., Milner-White E. James. (англ.) // Journal of Molecular Biology. — 2009. — 30 January ( vol. 385 , iss. 4 ). — P. 1076–1086 . — ISSN . — doi : . 23 апреля 2017 года.
  42. Milner-White E. J., Poet R. (англ.) // Biochemical Journal. — 1986. — 15 November ( vol. 240 , iss. 1 ). — P. 289–292 . — ISSN .
  43. Efimov Alexander V. (англ.) // Structure. — 1994. — 1 November ( vol. 2 , iss. 11 ). — P. 999–1002 . — doi : .
  44. Holm L., Sander C. (англ.) // Proteins. — 1998. — 1 October ( vol. 33 , iss. 1 ). — P. 88–96 . — ISSN . 23 апреля 2017 года.
  45. Schneider T. D., Stephens R. M. (англ.) // Nucleic Acids Research. — 1990. — 25 October ( vol. 18 , iss. 20 ). — P. 6097–6100 . — ISSN . 20 апреля 2017 года.
  46. de Castro Edouard, Sigrist Christian J. A., Gattiker Alexandre, Bulliard Virgini, Langendijk-Genevaux Petra S. (англ.) // Nucleic Acids Research. — 2006. — 1 July ( vol. 34 , iss. Web Server issue ). — P. W362–365 . — ISSN . — doi : . 6 октября 2016 года.
  47. InterPro EMBL-EBI. (англ.) . www.ebi.ac.uk. Дата обращения: 15 апреля 2017. 15 апреля 2017 года.
  48. Флах Петер. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. Учебник. — ДМК Пресс, 2015-01-01. — 400 с. — ISBN 9785970602737 , 9781107096394.
  49. Matsuda H., Taniguchi F., Hashimoto A. (англ.) // Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing. — 1997. — 1 January. — P. 280–291 . — ISSN . 23 апреля 2017 года.
  50. Tseng Huei-Hun, Weinberg Zasha, Gore Jeremy, Breaker Ronald r., Ruzzo Walter l. (англ.) // Journal of bioinformatics and computational biology. — 2017. — 12 April ( vol. 7 , iss. 2 ). — P. 373–388 . — ISSN .
  51. Schuster-Böckler Benjamin, Jörg Schultz, Rahmann Sven. (англ.) // BMC Bioinformatics. — 2004. — 1 January ( vol. 5 ). — P. 7 . — ISSN . — doi : .
  52. Novichkov Pavel S., Rodionov Dmitry A., Stavrovskaya Elena D., Novichkova Elena S., Kazakov Alexey E. (англ.) // Nucleic Acids Research. — 2010. — 1 July ( vol. 38 , iss. Web Server issue ). — P. W299–307 . — ISSN . — doi : . 24 апреля 2017 года.
  53. Marahiel Mohamed A. (англ.) // FEBS Letters. — 1992. — 27 July ( vol. 307 , iss. 1 ). — P. 40–43 . — ISSN . — doi : . 12 апреля 2017 года.
  54. Stachelhaus T., Mootz H. D., Marahiel M. A. (англ.) // Chemistry & Biology. — 1999. — 1 August ( vol. 6 , iss. 8 ). — P. 493–505 . — ISSN . — doi : . 19 апреля 2017 года.
  55. Keich U., Pevzner P. A. (англ.) // Bioinformatics (Oxford, England). — 2002. — 1 October ( vol. 18 , iss. 10 ). — P. 1374–1381 . — ISSN . 19 апреля 2017 года.
  56. Thompson William A., Newberg Lee A., Conlan Sean, McCue Lee Ann, Lawrence Charles E. (англ.) // Nucleic Acids Research. — 2007. — 1 July ( vol. 35 , iss. Web Server issue ). — P. W232–237 . — ISSN . — doi : .
  57. Carvalho A. M., Freitas A. T., Oliveira A. L., Sagot M. F. (англ.) // IEEE/ACM Transactions on Computational Biology and Bioinformatics. — 2006. — 1 April ( vol. 3 , iss. 2 ). — P. 126–140 . — ISSN . — doi : . 8 сентября 2017 года.
  58. Dinh Hieu, Rajasekaran Sanguthevar, Davila Jaime. (англ.) // PLOS ONE. — 2012. — 24 July ( vol. 7 , iss. 7 ). — ISSN . — doi : . 15 июня 2022 года.
  59. Johnson David S., Mortazavi Ali, Myers Richard M., Wold Barbara. (англ.) // Science (New York, N.Y.). — 2007. — 8 June ( vol. 316 , iss. 5830 ). — P. 1497–1502 . — ISSN . — doi : . 24 апреля 2017 года.
  60. Rhee Ho Sung, Pugh B. Franklin. (англ.) // Cell. — 2011. — 9 December ( vol. 147 , iss. 6 ). — P. 1408–1419 . — ISSN . — doi : . 24 апреля 2017 года.
  61. Tuerk C., Gold L. (англ.) // Science (New York, N.Y.). — 1990. — 3 August ( vol. 249 , iss. 4968 ). — P. 505–510 . — ISSN . 24 апреля 2017 года.
  62. Greil Frauke, Moorman Celine, van Steensel Bas. (англ.) // Methods in Enzymology. — 2006. — 1 January ( vol. 410 ). — P. 342–359 . — ISSN . — doi : . 24 апреля 2017 года.

Литература

  • Дурбин Р., Эдди Ш., Крог А., Митчисон Г. Анализ биологических последовательностей = Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. — Регулярная и хаотическая динамика, Институт компьютерных исследований, 2006. — С. 480. — ISBN 5939725597 .
  • Jones Neil C., Pevzner Pavel A. An Introduction to Bioinformatics Algorithms (англ.) . — The MIT Press, 2004. — ISBN 9780262101066 .
  • Compeau Phillip, Pevzner Pavel. Bioinformatics Algorithms: An Active Learning Approach, 2nd Ed. Vol. 1 by Phillip Compeau (англ.) . — Active Learning Publishers, 2015. — P. 384. — ISBN 9780990374619 .
  • Durbin Richard, Eddy Sean R., Krogh Anders, Mitchison Graeme. Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids (англ.) . — Cambridge University Press, 1998. — P. 372. — ISBN 978-0521620413 .
  • Nelson David L., Cox Michael M. Lehninger Principles of Biochemistry (англ.) . — W. H. Freeman, 2017. — P. 1328. — ISBN 9781464126116 .

Ссылки

Видеокурсы по данной теме

  • — часть курса по биоинформатике от всемирно известного учёного П. А. Певзнера

Сервисы поиска мотивов

  • — сервис для поиска мотивов в последовательностях одноимённым алгоритмом MEME
  • — сервис для поиска мотивов в последовательностях алгоритмом Gibbs Sampler
  • — главная страница программы для точного поиска мотивов RISOTTO
  • — точный поиск мотивов при помощи алгоритмов семейства PMS
  • — поиск мотивов в последовательностях алгоритмом Gibbs Sampler
  • — сервис для поиск мотивов в нуклеотидных последовательностях на основании прямой оптимизации статистической значимости PWM

Базы данных мотивов

  • — база данных белковых семейств и доменов
  • — коммерческая (ограниченный публичный доступ) база данных транскрипционных факторов
  • от 6 июня 2013 на Wayback Machine — коллекция траскрипционных факторов человека и мыши
  • — поиск коротких известных мотивов

Прочее

  • — статья о мотивах в последовательностях
  • — список и короткие описания части программ поиска мотивов в последовательностях
Источник —

Same as Мотив (молекулярная биология)