Ein auf neuronalen Netzen basierender Prädiktor für Restkontakte in Proteinen

Wir beschreiben eine Methode, die auf neuronalen Netzen basiert, um Kontaktkarten von Proteinen unter Verwendung chemisch-physikalischer und evolutionärer Informationen vorherzusagen. Neuronale Netze werden auf einem Datensatz trainiert, der die Kontaktkarten von 200 nicht-homologen Proteinen mit gut aufgelösten dreidimensionalen Strukturen umfasst. Die Systeme lernen die Assoziationsregeln zwischen der kovalenten Struktur jedes Proteins und seiner entsprechenden Kontaktkarte mittels eines standardmäßigen Rückpropagierungsalgorithmus. Die Validierung des Prädiktors anhand des Trainingssatzes und an 408 Proteinen mit bekannter Struktur, die nicht homolog zu den im Trainingssatz enthaltenen sind, zeigt, dass diese Methode höhere Werte erzielt als zuvor beschriebene statistische Ansätze, die auf korrelierten Mutationen und Sequenzinformationen basieren.