Benchmarking the binding affinity predictors over the spike: ACE2 deep mutagenesis dataset
Bağlanma afinite tahmin algoritmalarının spike: ACE2 derinmutagenez bağlanma verileri üzerinde değerlendirilmesi
- Tez No: 734582
- Danışmanlar: DR. ÖĞR. ÜYESİ EZGİ KARACA EREK
- Tez Türü: Yüksek Lisans
- Konular: Biyofizik, Biyoistatistik, Biophysics, Biostatistics
- Anahtar Kelimeler: Bağlanma, COVID 19, SARS virüsü, Attachment, COVID 19, SARS virus
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: İzmir Uluslararası Biyotıp ve Genom Enstitüsü
- Ana Bilim Dalı: Moleküler Biyoloji ve Genetik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
COVID-19, SARS-CoV-2 virüsünün neden olduğu son küresel salgındır. SARSCoV-2 spike proteini aracılığıyla, viral girişi ve daha sonra viral enfeksiyonu başlatmak için partner proteini ACE2'ye bağlanır. ACE2 ve spike bu kritik görevleri nedeniyle deneysel ve hesaplamalı yaklaşımlarla geniş çapta araştırılmıştır. Ayrıca, derin mutasyonel tarama yöntemi kullanılarak ACE2 ve spike varyant bağlanma değerleri deneysel olarak elde edilmiştir. Bu yöntem, yüksek ölçekli bağlama verisi sağlar ve hesaplamalı araçların performanslarını kıyaslama fırsatı sunar. Bu tezde, ACE2 ve spike'ın derin mutagenez veri setlerinden yararlanarak yapı tabanlı bağlanma afinitesi tahmin eden araçlardan FoldX, EvoEF1, MutaBind2, SSIPe'nin ve naif araç olarak HADDOCK ve UEP'nin performanslarını araştırdık. Ek olarak, mutasyonları hacim, hidrofobiklik, esneklik değişimleri ve mutasyonların yan zincir özelliklerinin değişimlerine göre inceleyerek metrik analizleri yaptık. Analizlerimiz sonucunda, FoldX'in %64 başarı oranı ile en yüksek performansa sahip olduğunu belirledik. Bunun yanı sıra araçlardan hiçbirinin bağlanma afinitesini arttıran mutasyonlar üzerinde iyi performans göstermediğini ortaya koyduk. Ayrıca metrik analizleri sonucunda araçların farklı seviyelerde eğilimleri olduğunu tespit ettik. En iyi performans gösteren araç, FoldX'in, hidrofobisitesi artan mutasyonların bağlanma afinitesi azalıyormuş gibi tahmin ettiğini, HADDOCK'un hacimce büyüyen mutasyonları bağlanma afnitesini arttırıyormuş gibi tahmin ettiğini bulduk. Evrimsel korunmuşluk temelli araçlardan MutaBind2 ve SSIPe'nin mutasyonları bağlanma afinitesini azaltıyormuş gibi tahmin ettiğini bulduk. Sonuç olarak, klasik bağlanma afinitesi tahmin araçlarının, SARS-CoV- 2 spike ve ACE2 gibi konak-patojen protein sisteminin arayüzlerindeki bağlanma afinitesi değişikliklerini tahmin etmeye henüz uygun olmadığı kanısına vardık.
Özet (Çeviri)
COVID-19 is caused by the SARS-CoV-2 virus. The SARS-CoV-2 virus binds to the host receptor protein ACE2 via its spike protein to initiate viral entrance and viral infection. Because of their critical roles, these proteins have been widely investigated by experimental and computational approaches. Relatedly, ACE2 and spike variant binding rates were obtained by the deep mutational scanning experiments. The deep mutational scanning method provides a high throughput binding dataset and thereby facilitates benchmarking of computational tools. By taking advantage of the deep mutagenesis datasets of ACE2 and spike, we aimed to investigate the performances in predicting the impact of interfacial mutations of FoldX, EvoEF1, MutaBind2, and SSIPe as main predictors in addition to HADDOCK and UEP as naïve predictors. In addition to their overall performance analysis, we performed metric-based analysis using volume, hydrophobicity, flexibility changes upon mutations, and change of side chain properties of mutations. As a result, we found that FoldX has the highest performance with a 64% success rate. Additionally, we highlighted that none of the predictors performed well on the binding increasing mutations. As a result, we revealed that (i) the top-ranking predictor, FoldX, predicts most of the hydrophobicity increasing mutations as affinity depleting, (ii) HADDOCK tends to tag mutations with increasing volume as affinity enhancing, (iii) Conservation-based tools, MutaBind2 and SSIPe predict most of the mutations as affinity depleting. All in all, we concluded that classical binding affinity predictors are not yet sufficient to predict binding affinity changes across the interface of the host-pathogen protein system SARS-CoV-2 spike -ACE2.
Benzer Tezler
- Deep learning for prediction of drug-target interaction space and protein functions
İlaç-hedef protein etkileşim uzayı ve protein fonksiyonlarının tahmini için derin öğrenme
AHMET SÜREYYA RİFAİOĞLU
Doktora
İngilizce
2020
Mühendislik BilimleriOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET VOLKAN ATALAY
PROF. DR. RENGÜL ÇETİN ATALAY
- Business ethics in Turkey
Türkiye`de iş ahlakı
SEZİN SÜER
Yüksek Lisans
İngilizce
2000
İşletmeMarmara ÜniversitesiSosyal Bilimler Ana Bilim Dalı
PROF. DR. SEDEFHAN OĞUZ
- İnşaat sektöründe stratejik iş birlikleri
Başlık çevirisi yok
NECMİYE BANU KORAY
Yüksek Lisans
Türkçe
1998
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. FATMA HEYECAN GİRİTLİ
- Benchmarking AlphaFold for predicting protein interactions and their dynamics
Protein etkileşimlerini ve dinamiklerini tahmin etmede AlphaFold performansının değerlendirilmesi
BÜŞRA SAVAŞ
Doktora
İngilizce
2026
BiyokimyaDokuz Eylül ÜniversitesiBiyotıp ve Sağlık Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EZGİ KARACA EREK
- Bitki ekstraktlarıyla zenginleştirilmiş polimer esaslı hidrojel yara örtüsü geliştirilmesi ve karakterizasyonu
Development and characterization of polymer-based hydrogel wound dressings enriched with plant extracts
MUHAMMET KAMİL KERİM
Yüksek Lisans
Türkçe
2026
BiyomühendislikSakarya ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT ÖZACAR