基于 grakn 知识图的蛋白质结构与功能预测

自从我们能够对蛋白质进行排序以来, 三维结构就受到了巨大的实验关注。由于新方法的发展和技术的进步, 随着时间的推移, 确定这些结构已成为一个更准确和进步的过程。

然而, 问题在于, 发现新蛋白质结构的进展没有跟上新序列产生的速度。因此, 我们看到, 正在产生的新序列数量与正在识别的三维结构之间的差距不断扩大。

如果有足够的准确性, 一个可能的解决方案是蛋白质结构的计算预测。同源建模、折叠识别和新颖建模等方法可以用来填补这一空白。然而, 无论使用哪种方法, 随着序列数据量的迅速增加, 根本问题仍然是缺乏一个单一的知识库, 无法对蛋白质序列的宇宙进行快速而有力的扫描。所有公开的数据目前都位于跨许多不同来源的各种数据库中。从一个来源转移到另一个来源不是–当然也绝不能–是这一进程中最大的挑战。

在这篇文章中, 我的目的是展示知识图如何通过允许您加快蛋白质结构预测过程:

• 查询对单个、全面且相互关联的蛋白质序列数据集的见解。
• 搜索并生成一组入围的序列, 以便传递给预测过程中的下一个计算组件。

一个知识图中的所有数据

下图说明了我认为蛋白质序列结构这一领域的知识图模型是什么样子的。

这个 grakn 知识图扮演一个单一知识库的角色, 它包含从各种来源 (如 uniprot 和 pdb) 提取的所有相关数据。这些数据也可以从与 grakn一起运行 blast 中提取出来。

将数据迁移到 grakn: 要了解如何将 csv、json 和 xml 格式的数据迁移到 grakn 知识图, 请查看全面和分步的迁移指南。

洞察查询

现在, 我们已经在 grakn 知识图中表示了所有相关数据 (如上所示), 我们可以继续在此数据集上提出以下问题。在每个问题中, 我都包含了相关的查询。

• 以下序列的结构是什么？

MNVGTAHSEVNPNTRVMNSRGIWLSYVLAIGLLHIVLLSIPFVSVPVVWTLTNLIHNMGMYIFLHTVKGTPFETPDQGKARLLTHWEQMDYGVQFTASRKFLTITPIVLYFLTSFYTKYDQIHFVLNTVSLMSVLIPKLPQLHGVRIFGINKY

扩展知识图

当我们决定将更多相关的数据源引入 grakn 知识图时, 模型可以以最小的努力进行进化和扩展。

一个例子

下面我包括了定义模型的代码, 我在本文前面说明了这个模型。如果我们扩展这个模型, 并引入与蛋白质序列 < c2/的关系的蛋白质序列 < cn/>, 我们可以这样扩展模型 (又名. a. 架构):

define
  sequence-sequence-alignment sub relationship,
    relates target-sequence,
    relates matched-sequence,
    has identicality,
    has positivity;
sequence-structure-mapping sub relationship,
    relates mapped-structure,
    relates mapping-sequence;
//structure-function-mapping sub relationship,
  	//relates mapping-structure,
    //relates mapped-function;
sequence sub attribute datatype string,
    plays target-sequence,
    plays matched-sequence,
    plays mapping-sequence;
structure sub entity,
    plays mapped-structure,
    //plays mapping-structure,
    has pdb-id;
//function sub attribute datatype string,
    //plays mapped-function;
identicality sub attribute datatype double;
  positivity sub attribute datatype double;
  pdb-id sub attribute datatype string