Investigating sequence descriptors of order and disorder in proteins

Abstract

Much of the current success is driven by complex deep learning methods with high predictive accuracy for protein structure. However, relating these predictions to the un- derlying protein sequence, which ultimately governs both structure and disorder, remains an important challenge. Sequence-based descriptors provide a means to differentiate levels of protein structural organisation. In this work, I propose a conceptually straight- forward approach to analysing protein ensembles using statistical sequence descriptors. Specifically, I investigate whether contextual patterns of amino acid composition can differentiate between ordered and disordered proteins. A computational pipeline was developed to transform protein sequence datasets into trio profiles, where trios (amino acid pairs separated by a defined sequence distance) are classified as over-represented, random, or under-represented, reflecting their enrichment in the dataset. These profiles were then compared and visualised in the context of experimentally determined struc- tural data, better to understand the origins of order- and disorder-related signals. This work demonstrates that the frequency of such sequence-separated amino acid pairs can form profiles that capture aspects of structural context, with the potential to identify signals associated...

Za velkou částí současného pokroku stojí komplexní metody hlubokého učení s vy- sokou přesností predikce struktury proteinů. Propojení těchto predikcí se základní pro- teinovou sekvencí, která v konečném důsledku určuje jak strukturu, tak neuspořádanost, však zůstává významnou výzvou. Deskriptory založené na sekvenci poskytují prostře- dek k rozlišení úrovní strukturální organizace proteinů. V této práci navrhuji koncepčně přímočarý přístup k analýze souborů proteinů pomocí statistických sekvenčních deskrip- torů. Konkrétně zkoumám, zda kontextové vzorce složení aminokyselin umožňují rozli- šovat mezi uspořádanými a neuspořádanými proteiny. Vyvinula jsem výpočetní postup pro transformaci datových souborů proteinových sekvencí na trio profily, kde jsou tria (páry aminokyselin oddělené definovanou sekvenční vzdáleností) klasifikována jako nad- měrně zastoupená, náhodná nebo nedostatečně zastoupená, což odráží jejich zastoupení v datech. Tyto profily jsem následně porovnala a vizualizovala v kontextu experimen- tálně získaných strukturálních dat, abych lépe porozuměla původu signálů souvisejících s uspořádaností a neuspořádaností. Tato práce ukazuje, že frekvence takových sekvenčně oddělených párů aminokyselin může vytvářet profily zachycující aspekty strukturálního kontextu, s potenciálem identifikovat...