Modèle allostérique de l`apprendre

Modèle allostérique de l`apprendre

La prévalence observée de ces caractéristiques dans les modèles de notation supérieure a été confirmée par l`inspection des valeurs moyennes de ces mesures pour les hotspots et les non-hotspots. La fluctuation quadratique moyenne dans l`état inactif, la densité atomique dans les États inactifs et actifs, et la plupart des mesures de la SASA ont été significativement plus faibles pour les points chauds que pour les non-hotspots, suggérant que les hotspots tendent à être enterrés (tableau S5; Référez-vous au tableau pour les valeurs de p). Fait intéressant, la différence de facteur B entre les deux États était plus grande pour les hotspots que les non-hotspots. La différence a également été modérément statistiquement significative (tableau S5; p = 0,056), suggérant que les hotspots ont tendance à subir des changements plus importants dans l`accessibilité des solvants (et la mobilité) que les non-hotspots. Prises ensemble, ces résultats soulignent l`importance de l`enfouissement des résidus ou du changement d`inhumation dans l`allostère. Les points chauds allostériques peuvent dériver leur fonction unique de leur tendance à être enterrés, leur permettant de former des réseaux internes dans la structure, ainsi que de modifier leur exposition au solvant, et, à leur tour, leur microenvironnement, pendant la transition allostérique. Nous avons examiné nos modèles de notation supérieure de Feature Set 1 pour déterminer si l`un d`eux n`exigeait qu`une seule structure, puisque dans de nombreux systèmes, la structure cristalline pour une seule conformation a été résolue. Les modèles qui nécessitaient uniquement la structure d`État inactive étaient trouvés parmi les principaux modèles 300, mais aucun n`exigeait uniquement la structure d`État active. Cela suggère que l`état inactif encode une plus grande quantité d`informations fonctionnelles pertinentes que l`état actif. Cela concorde avec l`observation selon laquelle l`état inactif est prédisposé à adopter des conformations fonctionnellement pertinentes et peut subir la transition allostérique en l`absence d`effecteur [20] – [22].

Les expérimentalistes (37) et les théoriciens (38) ont une activité de calmoduline directement reliée à la concentration de calcium, souvent en utilisant une fonction Hill (39). Cela permet une certaine activité de la calmoduline même à faibles concentrations de calcium. En outre, avec les faits que l`affinité de la calmoduline pour PP2B (31) est plus élevée que pour CaMKII (32) et que la concentration de CaMKII dans la PSD (40) est supérieure à la concentration de PP2B (41), elle peut expliquer pourquoi PP2B est activée préférentiellement à un taux de calcium plus faible Concentrations. Les modèles de ce type ne permettent pas la possibilité que les différents sites de liaison peuvent avoir des affinités différentes pour le calcium. Cependant, des expériences récentes sur la calmoduline recombinante avec des mutations dirigées par le site suggèrent que les sites de liaison N-terminal ont des affinités différentes de celles des sites de liaison C-terminal (18). Enfin, l`utilisation d`une fonction Hill pour calculer l`activité de la calmoduline en fonction de la concentration de calcium est purement phénoménologique et ne fournit pas d`explication sur la façon dont la liaison calcique se rapporte à l`activité de la calmoduline. Dépôt de données: le modèle rapporté dans ce document a été déposé dans la base de données BioModels, www.ebi.ac.uk/biomodels (code d`accession MODEL9885984404). Le support-vector machine learning a été mis en œuvre à l`aide de l`ensemble machine-learning weka [57]. Des noyaux polynomiaux de deuxième et troisième degré ont été utilisés. Toutes les combinaisons possibles des 18 fonctionnalités ont été saisies dans l`algorithme à l`aide de l`une des deux fonctions du noyau. On a utilisé une validation croisée à neuf et à une sortie des données pour apprendre un modèle de vecteur de support pour chaque pli, où l`entraînement du modèle est effectué à l`aide de 8 des 9 plis des données, et le modèle testé sur le reste.