Daniel Vodák
IV110 Projekt z bioinformatiky I – zadání
Cílem mého projektu je vytvoření programu pro vyhledávání strukturních podobností mezi proteiny
na vstupu a proteiny z databáze PDB. Z reprezentativní podmnožiny PDB databáze budou nejprve
vybrány (procházením FASTA sekvencí) proteiny, které vyhoví požadavkům na sekvenční
podobnost (vyhledem ke vstupu) v místech potenciálních kontaktů; u proteinů, které projdou tímto
sítem, bude dále podrobně zkoumána strukturní podobnost (s proteiny na vstupu).
Vstup:
Data mapující kontakty v proteinech; formát řádků vstupu:
ID POS1 POS2 S1 S2
kde:
• ID je PDB identifikátorem proteinu,
• S1 je první sekvencí účastnící se kontaktu,
• S2 je druhou sekvencí účastnící se kontaktu,
• POS1 je pozicí kontaktní sekvence S1,
• POS2 je pozicí kontaktní sekvence S2.
Výstup:
Data mapující kontakty a sekundární strukturu v proteinech podobných proteinům na vstupu;
formát řádků výstupu:
ID POS1 POS2 S1 S2 *CARMSD *ARMSD *TA *NDS
kde:
• ID je PDB identifikátorem proteinu,
• S1 je první sekvencí účastnící se kontaktu,
• S2 je druhou sekvencí účastnící se kontaktu,
• POS1 je pozicí kontaktní sekvence S1,
• POS2 je pozicí kontaktní sekvence S2,
• CARMSD je RMSD vzdálenost alfa uhlíků v páteřích kontaktních sekvencí (udaná v
angstromech)
• ARMSD je RMSD vzdálenost všech atomů kontaktních sekvencí (udaná v angstromech)
• TA jsou torzní úhly v oblastech kontaktních sekvencí,
• NDS jsou sekundární struktury v oblastech kontaktních sekvencí.
- Prvky výstupu označené * jsou volitelné (viz přepínače).
- Výpisy CARMSD, ARMSD, TA a 2NDS jsou uvozeny identifikátorem kontaktní sekvence
(S1/S2).
- Do výstupních výpisů jsou zahrnuty i vstupní proteiny (pro možnost porovnání torzních úhlů a
sekundárních struktur); nalezené proteiny jsou porovnávány vždy s tím vstupním proteinem, který
jim bezprostředně předchází ve výstupním výpisu.
Nepovinné parametry:
re1 re2 – regulární výrazy upřesňující/omezující nároky na podobnost se sekvencemi S1 a S2
vstupních proteinů (při neuvedených parametrech bude vyžadována dokonalá shoda
kontaktních sekvencí)
Volitelné přepínače:
-G – výpis souhrnných statistik na zvláštních řádcích výstupu;
-C <reálné číslo c> – výpis hodnot CARMSD (případné c slouží jako horní limit pro výpis);
-A <reálné číslo a> – výpis hodnot ARMSD (případné a slouží jako horní limit pro výpis);
-T – výpis hodnot torzních úhlů;
-N – výpis sekundárních struktur;
-Q – kompletní výpis.