[论文解读] A Study of Sequence Distribution of a Painted Globule as a Model for Proteins with Good Folding Properties

Tahar Kechadi, Richard B. Reilly+3 more|arXiv (Cornell University)|Apr 23, 2001

biodegradable polymer synthesis and properties被引用 3

一句话总结

本文提出一种混合方法，结合蒙特卡罗模拟与塌陷均聚物球体上的涂色技术，以模拟蛋白质折叠，利用疏水-亲水序列分布预测致密、微相分离的结构。关键发现是，增加涂色深度可显著提升相关长度（ξ ≈ 77 ± 25），而周期性（d ≈ 21.7 ± 0.3）保持不变，表明块状序列相关性对稳定折叠至关重要。

ABSTRACT

In this paper we present a method to study the folding structure of a simple model consisting of two kinds of monomers, hydrophobic and hydrophilic. This method has three main steps: an efficient simulation method to bring an open sequence of homopolymer to a folded state, the application of a painting method called (regular hull) to the folded globule and the refolding process of the obtained copolymer sequence. This study allows us to suggest a theoretical function of disorder distribution for copolymer sequences that give rise to a compacted and well micro-phase separated globule.

研究动机与目标

• 开发一种从序列分布预测稳定、致密蛋白质样折叠的方法。
• 识别特定的序列模式——特别是疏水-亲水相关性——以形成结构分明的球体。
• 利用训练于涂色球体数据的人工神经网络，将短序列模拟与长序列预测相连接。
• 分析域结构与涂色深度在塑造折叠行为及相关函数中的作用。
• 建立一种无序分布的理论函数，以支持高效复性与球体致密化。

提出的方法

• 使用蒙特卡罗方法模拟均聚物塌陷为折叠球体，以获得致密、球形构象。
• 应用“规则包络”涂色方法，基于用户定义的疏水性比率τ，识别疏水核心区域。
• 使用相关函数（γm）量化单体序列有序性，并检测隐含的疏水-亲水块状结构。
• 利用涂色序列训练人工神经网络（ANN），以将折叠预测推广至更长链。
• 在ANN中实施窗口化技术，分析序列局部与非局部效应对折叠稳定性的影响。
• 从球体内部多个中心点（P₀）重复涂色，以捕捉域级结构特征，并计算总相关函数。

实验结果

研究问题

• RQ1 何种疏水与亲水单体的序列分布可导致致密、微相分离的球体，具有稳定核心与表面？
• RQ2 涂色深度（即核心半径τ）如何影响序列结构中的相关长度与周期性？
• RQ3 涂色方法能否可靠识别出能从展开态高效复性为折叠态的折叠能力序列？
• RQ4 基于短涂色序列训练的人工神经网络，在多大程度上可推广至预测更长序列的折叠行为？
• RQ5 球体的几何结构与所得序列相关函数之间存在何种关系？

主要发现

• 相关函数γm与理论模型g(m)拟合良好，参数为A = 0.04，ξ = 77 ± 25，d = 21.7 ± 0.3，φ = 90°，表明序列有序性较强。
• 增加涂色深度显著提升相关长度ξ，表明序列分布中长程有序性增强。
• 周期性d（≈21.7）与相位φ（≈90°）在深度增加时基本保持不变，表明结构鲁棒性与核心大小无关。
• 在大球体中，疏水核心与表面之间的边界区域可忽略不计，验证了仅对核心区域分析在长链中的适用性。
• 涂色方法成功识别出折叠能力序列，这些序列随后用于训练ANN以实现长序列预测。
• 混合方法——短序列采用涂色，长序列采用ANN——在模拟蛋白质样折叠行为方面被证明是有效的。