de novo 蛋白质模型的颗粒聚类
生物大分子
2017-12-12 v1
摘要
用于蛋白质结构 de novo 预测的现算法通常输出多个全长模型（decoys）而非单一解。此类 decoys 的后续聚类既用于评估建模的成功与否，也用于确定最类天然的构象。同时，部分蛋白质模型对某些应用已足够，特别是通过分子置换（MR）进行晶体学定相，前提是这些模型以合理精度代表目标结构的某一部分。此处我们提出一种新颖聚类算法，通过称为颗粒聚类（GC）的方法原生地在部分模型空间中操作。该算法基于在初始 decoys 池中生长局部相似性。我们证明所得部分模型簇比通过对 decoys 全局比对获得的簇提供更准确的目标蛋白结构细节。结果表明，相较于现有软件产生的模型，我们的 GC 算法输出的部分模型对 MR 过程也有效得多。源代码可在 https://github.com/biocryst/gc 免费获取。
引用
@article{arxiv.1711.09242,
title = {Granular clustering of de novo protein models},
author = {Dmytro Guzenko and Sergei V. Strelkov},
journal= {arXiv preprint arXiv:1711.09242},
year = {2017}
}
备注
This is a pre-copyedited, author-produced version of an article accepted for publication in Bioinformatics following peer review. The version of record is available online at: https://academic.oup.com/bioinformatics/article/33/3/390/2525725