ارزيابي مدل‌هاي شبكه ارتجاعي در پيش بيني تغييرات ساختاري پروتيين‌ها

Evaluating elastic network models in prediction of conformational changes of proteins

تغييرات ساختاري پروتيين‌ها كه در هنگام اتصال به ليگاند يا پروتيين‌هاي ديگر صورت مي‌گيرد، نقش حياتي در پديده‌هاي بيولوژيكي ايفا مي‌نمايد. اين‌گونه حركات به‌صورت تجمعي و با فركانس پايين بوده و آناليز مود نرمال روش متداول جهت يافتن فركانس‌ها و شكل مود‌ها مي باشد. مطالعات گسترده‌اي جهت پيش‌بيني اين حركات با استفاده از مدل‌هاي مختلف پروتيين صورت گرفته است. از اين ميان، مدل‌هاي شبكه ارتجاعي با توجه به عدم نياز به كمينه‌سازي انرژي پتانسيل و ساده بودن از مطلوبيت بالايي برخوردار است. با اين وجود، تاكنون مطالعه جامعي در خصوص بررسي تاثير پارامترهاي مختلف اين مدل‌ها در پيش‌بيني تغييرات ساختاري صورت نگرفته است. در اين مطالعه تعداد 20 پروتيين با تغييرات ساختاري مشخص انتخاب ‌شده و با ايجاد مدل‌هاي مختلف شبكه ارتجاعي، ميزان موفقيت و اعتبار هريك در پيش‌بيني ساختار نهايي مورد بررسي قرارگرفته است. براساس نتايج اين مطالعه سه مود اول هر مدل اغلب بيشترين نقش را در پيش‌بيني تغييرات ساختاري پروتيين‌ها ايفا مي‌كنند. علاوه بر اين، انتخاب شعاع حدي مناسب تاثير بيشتري نسبت به تابع پتانسيل در مدل شبكه ارتجاعي دارد. همچنين نتايج حاصله نشان مي‌دهد از ميان مدل‌هاي مختلف در نظر گرفته ‌شده، مدل‌هاي غير نمايي با شعاع حدي 10 آنگستروم باوجود محاسبات مقرون‌به‌صرفه تر از دقت بيشتري در پيش‌بيني تغييرات ساختاري برخوردار مي‌باشند.

Conformational changes during protein -protein or ligand -protein docking play an important role in the biological processes. These changes involve low frequency collective motions, and normal mode analysis is generally used for finding the frequencies and mode shapes of the proteins. Many studies have focused on the prediction of these transitions using different protein models. Among them, elastic network models are popular, as they are simple and do not require energy minimization. However, so far no systematic study has been undertaken regarding the effect of different parameters in prediction of these conformational changes. In this study, 20 proteins with pre-determined conformational changes were selected and the success and validation of each elastic network model in predicting the bound state were tested. According to the results, the first three modes play the major role in predicting the conformational changes. Moreover, choosing the proper cutoff radius is more effective than the potential function. Results also show that non-exponential models with 10 angstrom cutoff are more accurate in predicting conformational changes, in spite of their simplicity and being less time consuming.