Prediction and visualization of cryptic binding regions

Abstract

This thesis addresses the prediction and visualization of cryptic binding sites (CBS) in protein structures, which are important for drug discovery. Building on the Crypto- Bench dataset and prediction model developed earlier at FMP CUNI, we introduce a methodology for clustering residue-level predictions into contiguous cryptic binding sites. The approach is integrated into CryptoShow, a newly created web application that en- ables users to submit protein structures, obtain CBS predictions, and visualize results interactively. The system supports both public and custom protein structures, leveraging machine learning and modern visualization tools to highlight binding regions and to show potential conformational changes. The thesis details the development of the clustering algorithm, evaluation of the methodology, and the software architecture of CryptoShow.

Tato diplomová práce se zabývá predikcí a vizualizací kryptických vazebných míst (CBS) v proteinových strukturách, která jsou důležitá při vývoji léčiv. Na základě data- setu CryptoBench a jeho modelu predikce CBS vyvinutého dříve na MFF UK předsta- vujeme metodologii pro seskupování predikcí na úrovni aminokyselin do ucelených kryp- tických vazebných míst. Tento přístup je integrován do nově vytvořené webové aplikace CryptoShow, která umožňuje uživatelům nahrát proteinové struktury, získávat predikce CBS a interaktivně vizualizovat výsledky. Aplikace podporuje jak veřejně dostupné, tak vlastní proteinové struktury a využívá strojové učení a moderní vizualizační nástroje k zvýraznění vazebných oblastí a zobrazení potenciálních konformačních změn mezi struk- turami. Práce podrobně popisuje vývoj clusterovacího algoritmu, evaluaci metodologie a softwarovou architekturu aplikace CryptoShow.