Fragment-based methods for structure determination with sparse data

Abstract

The fragment assembly approach was initially conceived as an ab initio strategy for protein structure prediction; however, the use of fragment libraries is becoming an increasingly popular choice in protein structure determination as well. While most method development efforts have been rightfully directed towards optimization of the fragment assembly algorithms, we show that their performance is also strongly dependent on the quality of the underlying fragment libraries. Here we present an integrated, general-purpose framework for construction of dynamic fragment libraries and local structure prediction from sequence. Our method, HHfrag, uses sensitive local alignment of sequence profiles to detect recurrent protein motifs of local conservation and build fragment libraries of very high precision and truly dynamic fragment lengths, solving important limitations of earlier methods. We demonstrate that this approach improves the performance of traditional ab initio fragment assembly and introduce algorithms for fragment clustering, filtering and blind prediction of local motif conservation. The resulting confidence-guided framework for local structure prediction is a solid foundation for context-sensitive torsion angle prediction with higher accuracy. Finally, we discuss a new algorithm for detection of analogous fragments based on chemical shift similarity, optimal ways of mixing homologous with analogous fragments and their combined practical use in fully automated NMR structure determination from sparse data.

Das Zusammenfügen von Peptid-Fragmenten wurde ursprünglich als Strategie für die ab initio Vorhersage von Proteinstrukturen erdacht. Die Nutzung von Katalogen solcher Peptid-Fragmente hat sich jedoch mittlerweile zu einer immer populäreren Möglichkeit für die Bestimmung von Proteinstrukturen entwickelt. Während die meisten methodischen Entwicklungen bloß darauf abzielen, die Algorithmen für das Zusammenfügen der Peptid-Fragmente zu optimieren, zeigen wir, dass die Leistungsfähigkeit all dieser Methoden maßgeblich von der Qualität der zugrundeliegenden Kataloge von Peptid-Fragmenten abhängt. Wir präsentieren eine integrative, breit einsetzbare Software-Architektur für die Konstruktion dynamischer Kataloge von Peptid-Fragmenten und die lokale Vorhersage von Proteinstrukturen ausgehend von der Aminosäure-Sequenz. Unsere Methode, die wir HHfrag nennen, benutzt empfindliche lokale Alignments von Sequenz-Profilen, um wiederkehrende, homologe und lokal konservierte Motive innerhalb von Proteinen zu ermitteln, umdamit schließlich Kataloge von Peptid-Fragmenten zu erstellen, die maßgeschneidert und dynamisch hinsichtlich ihrer Länge sind. Dadurch werden wichtige Limitierungen vergleichbarer Methoden überwunden. Weiterhin demonstrieren wir, dass unser Ansatz des Zusammenfügens von Peptid-Fragmenten in einer verbesserten Leistungsfähigkeit bei der ab initio Vorhersage von Proteinstrukturen resultiert, und stellen Algorithmen für das Clustern und Filtern von lokal konservierten Motiven in Proteinen vor. Die dadurch entstandene, konfidenz-geleitete Software-Architektur für die lokale Vorhersage von Proteinstrukturen erlaubt auch die kontext-empfindliche Vorhersage von Torsionswinkeln mit hoher Genauigkeit. Zuletzt behandeln wir einen von uns entwickelten Algorithmus für die Detektion von analogen Peptid-Fragmenten basierend auf der Ähnlichkeit von chemischenVerschiebungen aus NMR-Experimenten, optimale Wege für die Kombination homologer und analoger Peptid-Fragmente und deren gemeinsame praktische Anwendung in vollautomatisierter Strukturbestimmung durch NMR-Spektroskopie ausgehend von einer spärlichen Datenlage.