Computationalle Vorhersage von ungeordneten Bindungsregionen

Eine der Schlüsselmerkmale intrinsisch ungeordneter Regionen (IDRs) ist ihre Fähigkeit, mit einer breiten Palette von Partner-Molekülen zu interagieren. Es wurden mehrere Arten interagierender IDRs identifiziert, darunter molekulare Erkennungsfragmente (MoRFs), kurze lineare Sequenzmotive (SLiMs) und Protein-, Nukleinsäure- und Lipid-Bindungsregionen. Die Vorhersage von Bindungs-IDRs in Proteinsequenzen gewinnt in den letzten Jahren an Bedeutung. Wir untersuchen 38 Prädiktoren von Bindungs-IDRs, die Interaktionen mit einer vielfältigen Reihe von Partnern anvisieren, wie Peptide, Proteine, RNA, DNA und Lipide. Wir bieten einen historischen Überblick und heben wichtige Ereignisse hervor, die die Bemühungen zur Entwicklung dieser Methoden vorangetrieben haben. Diese Werkzeuge basieren auf einer Vielzahl von prädiktiven Architekturen, die Scoring-Funktionen, reguläre Ausdrücke, traditionelle und tiefe maschinelle Lernverfahren sowie Meta-Modelle umfassen. Neueste Bemühungen konzentrieren sich auf die Entwicklung von Architekturen, die auf tiefen neuronalen Netzen basieren, und die Erweiterung der Abdeckung auf RNA-, DNA- und Lipid-Bindungs-IDRs. Wir analysieren die Verfügbarkeit dieser Methoden und zeigen, dass die Bereitstellung von Implementierungen und Webservern zu deutlich höheren Zitierungs-/Nutzungsraten führt. Wir geben auch mehrere Empfehlungen, um moderne Architekturen für tiefe Netzwerke zu nutzen, Werkzeuge zu entwickeln, die Vorhersagen von mehreren und unterschiedlichen Arten von Bindungs-IDRs bündeln, und an Algorithmen zu arbeiten, die die Strukturen der resultierenden Komplexe modellieren.