Minimotif Miner — это программа и база данных, разработанные для идентификации минимотивов в любом белке. [2] [3] [4] Минимотивы — это короткие, непрерывные пептидные последовательности, которые, как известно, выполняют функцию по крайней мере в одном белке. Минимотивы также называются мотивами последовательностей или короткими линейными мотивами или SLiM. Они, как правило, ограничены одним элементом вторичной структуры и имеют длину менее 15 аминокислот.
Функции могут быть связующими мотивами, которые связывают другую макромолекулу или небольшое соединение, которые вызывают ковалентную модификацию мини-мотивов или участвуют в транспортировке белков , содержащих мини-мотивы. Основная предпосылка Minimotif Miner заключается в том, что короткая пептидная последовательность, как известно, имеет функцию в одном белке, может иметь аналогичную функцию в другом белке запроса. Текущая версия базы данных MnM 3.0 содержит ~300 000 мини-мотивов и может быть найдена на веб-сайте.
Есть два рабочих процесса, которые представляют интерес для ученых, использующих Minimotif Miner 1) Ввод любого белка запроса в Minimotif Miner возвращает таблицу со списком последовательностей минимотивов и функций, которые имеют шаблон последовательности, совпадающий с последовательностью запроса белка. Они предоставляют потенциально новые функции в запросе белка. 2) Используя функцию просмотра полиморфизма одного нуклеотида (SNP), SNP из dbSNP отображаются в окне последовательности. Пользователь может выбрать любой набор SNP, а затем идентифицировать любой минимотив, который вводится или устраняется SNP или мутацией. Это помогает идентифицировать минимотивы, участвующие в создании разнообразия организмов, или те, которые могут быть связаны с заболеванием.
Типичные результаты MnM предсказывают более 50 новых минимотивов для запроса белка. Основным ограничением в этом типе анализа является то, что низкая сложность последовательности коротких минимотивов приводит к ложноположительным предсказаниям, когда последовательность встречается в белке случайно, а не потому, что она содержит предсказанную функцию. MnM 3.0 представляет библиотеку расширенных эвристик и фильтров, которые позволяют значительно сократить ложноположительные предсказания. Эти фильтры используют сложность минимотивов, расположение поверхности белка, молекулярные процессы, клеточные процессы, взаимодействия белок-белок и генетические взаимодействия. Недавно мы объединили все эти эвристики в один составной фильтр, который делает значительный прогресс в решении этой проблемы с высокой точностью предсказания минимотивов, как измерено в исследовании сравнительного анализа производительности, которое оценивало как чувствительность, так и специфичность.