3차원 형상 분석 기반 단백질 유사성 분석

전성환; 최유주; 서정근

추천

검색

자료유형: 학술저널

저자정보: 전성환 최유주 서정근

저널정보: 한국지식정보기술학회 한국지식정보기술학회 논문지 한국지식정보기술학회 논문지 제13권 제1호

발행연도: 2018.1

수록면: 87 - 103 (17page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

단백질 구조 분석 및 비교는 X-ray 결정 방식이나 NMR 분광기 분석과 같은 실험적인 방법으로 수세기 동안 진행되어 십삼만개 이상의 원자 수준에서의 고해상도 단백질 3차 구조를 파악하고 있다. X-ray 결정 방식은 결정(Crystal structure)을 만들 수 없는 단백질은 구조 분석이 안 되는 단점이 있고, NMR 분광기 분석은 단백질 결합 등의 이유로 실험대상의 크기가 커지면 분석을 못하는 한계가 있다. 하지만 단백질의약품의 구조적 유사성을 평가하는 것은 단백질의약품 개발과 생산과정에서 아주 중요한 부분이다. 현재 이러한 유사성 평가는 다양한 분광학적 방법을 활용하지만 기술적 제한으로 인해 구조적인 정보를 확인하기에는 한계가 있다. 더구나 최근 Single Angle X-ray Scattering(SAXS) 분석법을 통해 해상도가 낮은 표면 구조 정보를 보다 쉽게 확보할 수 있게 되었다. 이에 본 연구에서는 저비용/단시간에 확보할 수 있는 저해상도 3차 구조 (표면 구조) 정보를 활용하여 동등성을 평가할 수 있는 기술을 개발하고자 하였다. 본 연구에서는 단백질 저해상도 모델로 표면구조 데이터의 특성을 이용하여 3D 모델 형태 특성 데이터를 기반으로 한 새로운 형태 기술자(Shape Descriptor)를 정의하고 이를 활용하여 단백질의 구조적 유사성을 평가할 수 있는 방법을 제안한다. 제안한 방법은 기존 방법인 고 해상도 단백질 3차 구조 정보를 활용하여 유사성을 판별한 RMSD 값과 비교하여 제안된 형태 기술자를 적용한 방법의 실효성을 검증하였다.

Over 130,000 protein structures are solved and deposited in the PDB with molecular structural models of high resolution determined by X-ray diffraction or NMR studies. Those conventional methods for structural determination and similarity comparison are not applicable for therapeutic proteins due to their own technical limitations. However, assessing structural comparability for therapeutic proteins is critical during biopharmaceutical development or manufacturing processes. Currently, those assessments were done by various spectroscopic methods but those methods are not giving specific structural information. Moreover, recent developments such as single angle X-ray scattering (SAXS) techniques can provide low-resolution structural models for proteins more easily than those for X-ray diffraction or NMR studies. These enable us to develop fast and reliable method for the similarity assessment of low-resolution surface models of therapeutic proteins using geometric shape descriptor. Our descriptor consists of two features, local and global. The local feature calculates the distance distribution for each vertex from the center in 510 bins. For global feature, the ratio, x to y axis and x to z axis from the surface model of proteins were determined. A geometric shape descriptor is then constructed by combining local and global features with weights. We applied this geometric shape descriptor to assess structural similarity for the therapeutic protein, insulin models. Our geometric shape descriptor can clearly classify human insulin models and insulin analog models which having locally different structures. The performance of the geometric shape descriptor was evaluated by comparing to the conventional method of the root mean square deviation measure (RMSD) which computes the minimum average distance between the backbones of superimposed. The result shows that the performance of the global shape descriptor is comparable to that of RMSD. This provides potential applications to classify protein structure and compare low-resolution protein structures for EM and SAXS.

참고문헌 (19)

참고문헌 신청

A. Kryshtafovych / 2016 / Some of the most interesting CASP11 targets through the eyes of their authors / Proteins 84:34~50

M. F. Lensink / 2017 / Modeling protein–protein and protein–peptide complexe / Proteins :359~377

A. G. Kikhney / 2015 / A practical guide to small angle X-ray scattering (SAXS) of flexible and intrinsically disordered proteins / FEBS Letters 589(19):2570~2577

S. Mahmoudi / 2002 / 3D models retrieval by using characteristic views / CPR’02 :11~15

J-L. Shih / 2007 / A new 3D model retrieval approach based on the elevation descriptor / Pattern Recognition 40(1):283~295

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

전성환

소속기관 한국지식정보기술학회

주요연구분야 복합학 > 학제간연구

논문수 1 이용수 59

최유주

소속기관 한국지식정보기술학회

주요연구분야 복합학 > 학제간연구

논문수 7 이용수 83

서정근

소속기관 한국지식정보기술학회

주요연구분야 복합학 > 학제간연구

논문수 2 이용수 60

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (19)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)