[论文解读] Minimum Data Requirements and Supplemental Angle Constraints for Protein Structure Prediction with REDCRAFT

Edina Timko, Paul Shealy+2 more|arXiv (Cornell University)|Oct 31, 2019

Protein Structure and Dynamics被引用 4

一句话总结

本文研究了使用REDCRAFT算法进行准确蛋白质结构预测所需的最少实验数据量，该算法利用残余偶极耦合常数（RDCs）来缩小构象搜索空间。通过测试缩减后的RDC数据集并整合二级结构约束，研究表明，在较少数据点下仍可实现可靠的折叠，显著减少了实验时间，同时保持了准确性。

ABSTRACT

One algorithm to predict protein structure is the residual dipolar coupling based residue assembly and filter tool (REDCRAFT). This algorithm exploits an exponential reduction of the search space of all possible structures to find a structure that best fits a set of experimental residual dipolar couplings. However, the minimum amount of data required to successfully determine a protein's structure using REDCRAFT has not been previously investigated. Here we explore the effect of reducing the amount of data used to fold proteins. Our goal is to reduce experimental data collection times while retaining the accuracy levels previously achieved with larger amounts of data. We also investigate incorporating a priori secondary structure information into REDCRAFT to improve its structure prediction ability.

研究动机与目标

• 确定使用REDCRAFT进行可靠蛋白质结构预测所需的最少残余偶极耦合（RDC）测量数量。
• 评估在数据有限的情况下，整合先验二级结构信息是否能提高预测准确性。
• 在不牺牲蛋白质折叠结构准确性的情况下，减少实验数据采集时间。
• 评估在基于RDC的结构确定中，数据量与预测保真度之间的权衡。

提出的方法

• 对蛋白质结构应用REDCRAFT算法，使用逐步缩减的实验RDC数据子集。
• 将二级结构信息作为补充约束，以指导搜索空间的缩减。
• 通过将预测的RDC值与实验值对齐，实现构象搜索空间的指数级缩减。
• 通过比较预测结构与参考结构的RMSD度量来评估结构准确性。
• 在多个蛋白质上进行数据缩减实验，以评估其普适性。
• 通过对比有无此类输入时的预测准确性，量化二级结构约束的影响。

实验结果

研究问题

• RQ1 使用REDCRAFT进行准确蛋白质结构预测所需的最少RDC测量数量是多少？
• RQ2 在数据有限的情况下，整合二级结构信息如何影响结构预测的准确性？
• RQ3 能否在不损害预测质量的前提下，显著减少实验数据采集时间？
• RQ4 随着RDC数据系统性减少，REDCRAFT的性能如何退化？

主要发现

• 研究识别出一个阈值，低于该阈值时RDC数据不足以实现可靠的结构预测，但具体数值因蛋白质而异。
• 在数据稀疏时，整合二级结构约束可显著提高预测准确性。
• 通过优化数据缩减和约束，即使RDC测量数量少于原始数据的一半，REDCRAFT仍能保持高准确性。
• 该算法在数据缩减方面表现出强健性，尤其在结合结构先验信息时。