نقش اسیدآمینه های هیدروفوب در تشخیص ساختار طبیعی پروتئین

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 145

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_BIOT-10-3_011

تاریخ نمایه سازی: 5 دی 1403

چکیده مقاله:

اهداف: پیش بینی ساختار سوم پروتئین ها از توالی اسیدآمینه ها یکی از مسایل مهم در بیوانفورماتیک ساختاری است. پروتئین ها ساختار طبیعی خود را از میان آرایش های متعدد فضایی در کسری از ثانیه انتخاب می کنند. پارادوکس لوینتال بیان می کند جست وجوی تصادفی در میان فضای تمام آرایش های فضایی ممکن امکان پذیر نیست و باید مکانیزمی برای آن وجود داشته باشد.الفبای کمتر از ۲۰ اسیدآمینه در ساختار پروتئین می تواند پیچیدگی مساله تاخوردگی پروتئین را تا حدودی کاهش دهد. عموما فرض می شود که ساختار طبیعی در مینیمم انرژی خود شکل می ‎گیرد. بنابراین نیاز به یک تابع انرژی مناسب برای ارزیابی ساختار ضروری است. مواد و روش ها: توابع پتانسیل دانش- پایه یکی از انواع توابع انرژی است که از داده های ساختار پروتئین های شناخته شده به دست می آید. در این مطالعه یک تابع انرژی دانش- پایه ارایه می کنیم و تاثیر اسیدآمینه های آلانین، لوسین، ایزولوسین، والین و فنیل آلانین در تشخیص ساختار طبیعی را بررسی می کنیم. در مدل کاهش یافته تنها انرژی بین اسیدآمینه های مذکور را در نظر می گیریم. یافته ها: مدل کاهش یافته را با چهار معیار ارزیابی کردیم. نتایج نشان می دهد که تفاوت معنی داری بین نتایج مدل ۲۰- اسیدآمینه و مدل کاهش یافته وجود ندارد. نتیجه گیری: این مدل نشان می دهد که توان تابع انرژی به دست آمده حاصل قدرت انرژی میان این پنج اسیدآمینه است و بنابراین برای افزایش قدرت توابع پتانسیل نیازمند نگرش جدیدی هستیم که بتوانیم به نحو موثرتری از اندرکنش تمام اسیدآمینه ها در ساختار بهره ببریم.

کلیدواژه ها:

Protein Structure ، Tertiary ، Hydrophobic and Hydrophilic Interactions ، Protein Folding ، Atomic Energy ، ساختار سوم پروتئین ، اندرکنش هیدروفوبیک و هیدروفیلیک ، تاخوردگی پروتئین ، انرژی اتمی

نویسندگان

مهدی میرزایی

Applied Mathematics Department, Mathematical Sciences Faculty, Tarbiat Modares University, Tehran, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Anfinsen CB. Principles that govern the folding of protein chains. ...
  • Zwanzig R, Szabo A, Bagchi B. Levinthal's paradox. Proc Natl ...
  • Dill KA, Ozkan SB, Weikl TR, Chodera JD, Voelz VA. ...
  • Yang Y, Gao J, Wang J, Heffernan R, Hanson J, ...
  • Tanaka S, Scheraga HA. Medium and long-range interaction parameters between ...
  • Miyazawa S, Jernigan RL. Estimation of effective interresidue contact energies ...
  • Miyazawa S, Jernigan RL. An empirical energy potential with a ...
  • https://doi.org/۱۰.۱۰۰۲/(SICI)۱۰۹۷-۰۱۳۴(۱۹۹۹۰۸۱۵)۳۶:۳<۳۵۷::AID-PROT۱۰>۳.۰.CO;۲-ULi H, Tang C, Wingreen NS. Nature of driving force ...
  • Mirzaie M, Sadeghi M. Knowledge-based potentials in protein fold recognition. ...
  • Boas FE, Harbury PB. Potential energy functions for protein design. ...
  • Lee J, Liwo A, Scheraga HA. Energy-based de novo protein ...
  • Yang J, Yan R, Roy A, Xu D, Poisson J, ...
  • Emamjomeh A, Goliaei B, Zahiri J, Ebrahimpour R. Predicting protein-protein ...
  • Mirzaie M, Eslahchi C, Pezeshk H, Sadeghi M. A distance-dependent ...
  • Mirzaie M, Sadeghi M. Distance-dependent atomic knowledge-based force in protein ...
  • Mirzaie M, Sadeghi M. Delaunay-based nonlocal interactions are sufficient and ...
  • Wang J, Wang W. A computational approach to simplifying the ...
  • Bernal JD. Phase determination in the X-ray diffraction patterns of ...
  • Finney JL. Random packings and the structure of simple liquids ...
  • Barber CB, Dobkin DP, Huhdanpaa H. The quickhull algorithm for ...
  • Sippl MJ. Calculation of conformational ensembles potentials of mean force ...
  • Park B, Levitt M. Energy functions that discriminate X-ray and ...
  • Simons KT, Kooperberg C, Huang E, Baker D. Assembly of ...
  • Simons KT, Ruczinski I, Kooperberg C, Fox BA, Bystroff C, ...
  • https://doi.org/۱۰.۱۰۰۲/(SICI)۱۰۹۷-۰۱۳۴(۱۹۹۹۰۱۰۱)۳۴:۱<۸۲::AID-PROT۷>۳.۰.CO;۲-AXia Y, Huang ES, Levitt M, Samudrala R. Ab initio ...
  • Keasar C, Levitt M. A novel approach to decoy set ...
  • Levitt M. Accurate modeling of protein conformation by automatic segment ...
  • John B, Sali A. Comparative protein structure modeling by iterative ...
  • Das R, Qian B, Raman S, Vernon R, Thompson J, ...
  • Deng H, Jia Y, Zhang Y. ۳DRobot: Automated Generation of ...
  • Sankar K, Jia K, Jernigan RL. Knowledge-based entropies improve the ...
  • Wang X, Zhang D, Huang SY. New knowledge-based scoring function ...
  • نمایش کامل مراجع