$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

단백질 구조 및 기능 분석을 위한 FEATURE 시스템 개선
Deciphering FEATURE for Novel Protein Data Analysis and Functional Annotation 원문보기

전기전자학회논문지 = Journal of IKEEE, v.13 no.3, 2009년, pp.18 - 23  

유승학 (고려대학교 전기전자전파공학부) ,  윤성로 (고려대학교 전기전자전파공학부)

초록
AI-Helper 아이콘AI-Helper

FEATURE는 단백질 내에서 특정 기능이나 구조를 가지고 있는 site의 미세환경분포를 이용하여 다른 단백질 내에서 이와 유사한 미세환경을 가지고 있는 부분을 찾아 그 분분이 site일 확률을 수치적으로 제시해 줌으로써 사용자로 하여금 site의 존재 유무와 그 위치를 판단하는데 기준을 제공해주는 유용한 툴이다. 하지만 기존의 FEATURE에서 사용된 데이터 이외의 새로운 단백질 구조 데이터를 FEATURE에 적용하기 위해서는 FEATURE 내부의 module을 입력 데이터 구조에 맞게 수정해야 한다. 그러나 FEATURE 내부의 module 구조를 수정하는 방식이 직관적이지 않기 때문에 많은 연구자들이 FEATURE를 원활하게 사용하지 못하였다. 따라서 본 논문에서는 FEATURE의 내부 구조를 분석하고 FEATURE를 새로운 단백질 데이터에 적용하기 위한 방법을 제시한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

FEATURE is a computational method to recognize functional and structural sites for automatic protein function prediction. By profiling physicochemical properties around residues, FEATURE can characterize and predict functional and structural sites in 3D protein structures in a high-throughput manner...

주제어

#FEATURE   #protein structure   #microenvironment   #computational biology   #biophysical properties  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 특히 FEATURE는 다른 방식과 다르게 특정 단백질의 확정된 특성들을 미리 알 필요가 없고 심지어 그것들을 자동적으로 찾아내는 기능을 하기 때문에 성능 면에서 가장 월등하다고 볼 수 있다 [2]. 따라서 본 논문에서는 FEATURE의 중점을 두어 단백질 구조분석과 FEATURE를 새로운 단백질 데이터에 적용 하는 방법에 대해 알아 볼 것이다.
  • 따라서 이를 개선하기 위한 노력을 하였고 기존의 FEATURE에서 사용하는 고정된 규격의 데이터 입력구조를 원하는 데이터 구조로 변경 할 수 있는 방법을 찾아내었다. FEATURE 안의 PropertyConstants, PropertyList 그리고 SAtomProperties module을 수정함으로써 원하는 데이터 구조로 입력할 수 있게 되었다.

가설 설정

  • 하지만 FEATURE는 개선되어야 할 부분들이 있다. 먼저 FEATURE가 supervised machine learning에 의존한다는 것이다. 이는 site를 검색해 내는 기능을 기존에 알고 있는 site로 제한하게 되어 새로운 site를 발견 할 수 없게 된다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
FEATURE란? FEATURE는 supervised machine learning 알고리즘을 사용하여 단백질 내에서 특정 구조 혹은 기능을 지닌 site의 미세환경분포를 추출한 뒤 다른 단백질 내에서 이와 유사한 미세환경분포를 가진 부분을 찾아내는 기능을 하는 시스템이다.
FEATURE가 성능 면에서 가장 월등하다고 볼 수 있는 이유는? 특히 FEATURE는 다른 방식과 다르게 특정 단백질의 확정된 특성들을 미리 알 필요가 없고 심지어 그것들을 자동적으로 찾아내는 기능을 하기 때문에 성능 면에서 가장 월등하다고 볼 수 있다 [2]. 따라서 본 논문에서는 FEATURE의 중점을 두어 단백질 구조분석과 FEATURE를 새로운 단백질 데이터에 적용 하는 방법에 대해 알아 볼 것이다.
Wallace가 개발한 PRO CAT은 어디에 유용하게 사용 가능한가? Wallace가 개발한 PRO CAT은 기하학적으로 residue를 분석하여 catalytic site를 찾아낸다. 이 방식으로는 새로운 단백질 내에서 caltalytic의 존재유무를 아는데 유용하게 사용할 수 있다 [4-5]. Fetrow와 Skolnick이 개발한 Fuzzy Functional Forms (FFF)는 residue 간의 거리를 계산해 냄으로서 가장 근접한 residue 쌍을 찾아내어 단백질이 꼬이는 구조를 알아낼 수 있다 [6-7].
질의응답 정보가 도움이 되었나요?

참고문헌 (11)

  1. Sungroh Yoon, Jessica C. Ebert, Eui-Young 

  2. Liping Wei and Russ B. Altman, "Recognizing 

    상세보기 crossref

  3. Steven C. Bagley, Liping Wei, Carol Cheon, and 

  4. Wallace, A.C., N.Borkakoti, and J.M. Thornton, 

    상세보기 crossref

  5. Wallace, A.C., R.A. Laskowski, and J.M. 

    상세보기 crossref

  6. Fetrow, J.S. and J. Skolnick, "Method for 

    상세보기 crossref

  7. Fetrow, J.S., A. Godzik, and J. Skolnick, 

    상세보기 crossref

  8. Inbal Haplperin, Dariya S Glazer, Shirely Wu and 

    상세보기 crossref

  9. M.P. Liang, D.L. Brutlag, R.B. Altman, 

  10. Liping Wei, Russ B. Altman, Jeffrey T. Chang "Using the radial distributions of physical features to 

  11. Liping Wei and Russ B. Altman "Recognizing 

저자의 다른 논문 :

관련 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로