Домены и профили

Выбор домена и подсемейства

Из PFam я выбрала домен PF17106 - Sigma domain on NACHT-NTPases ( сигма-домен NACHT-NTP-азы). Некоторая информация об этом домене:

  • ID: NACHT_sigma
  • AC: PF17106
  • seed: 33
  • Uniprot: 475
  • full: 180
  • Domain architectures: 83

Я выбрала подсемейство белков, содержащих два домена: SesA и NACHT_sigma (B6HH10). SesA - PF17107, N-terminal domain on NACHT_NTPase and P-loop NTPases. Функция подсемейства неизвестна. Всего белков с такой архитектурой 156. Сначала в белках идет домен SesA, затем NACHT_sigma.

Далее я выровняла последовательнсти подсемейства в Jalview. С помощью Remove redundancy я удалила последовательности с порогом 90%. Осталось 113 последовательности. Выравнивала я с помощью Mafft. Оказалось, что есть 6 последовательности, которые плохо выровнялись с остальными (у них есть последовательность между очень консервативными участками), поэтому я их удалила. Итого осталось выравнивание из 107 белков, которое можно скачать ниже:

Создание HMM профиля

Далее я построила HMM-профиль с помощью следующих команд: 

hmm2build hmmout pr11_for_hmm.fa
hmm2calibrate hmmout
hmm2search --cpu=1 hmmout pr11_full.fasta > hmm_results.txt

Анализ HMM-профиля

Для обработки результатов сначала пришлось обработать в Excel таблицу с результатами hnn_results.txt, так как в ней плохо настроена табуляция. Таблица, которая нужна для обработки, находится в файле hmm_out.txt . Ссылки на все файлы ниже:

Вся обработка была выполнена в блокноте в коллабе (ссылка тут). Гистограммы весов и длин белков:

Рис 1: Гистограмма распределения весов. Видно два крупных интервала, но за порог, очевидно, нужно брать положительное значение. По графику видно, что пороговым можно считать значение 200
Рис 2: Распределение длин белков (из full, в которых алгоритм нашел мотив). Есть сильные выбросы (белки, по длине сильно превышающие остальные)
Рис 3: Более внятная гистограмма для длин белков, без выбросов.

К таблице с помощью скрипта были добавлены 2 колонки: 'Has domain architecture' и 'Was used for HMM-profile', значения в столбцах 0 (нет) и 1 (да).

Домен нашелся в 168 последовательностях из 180 (из выборки full). Я добавила в таблицу последовательности, не вошедшие в hmm_results.txt, значения в строках для этих белков все проставлены как NaN, так как здесь 0 и отсутствие значения - разные вещи. Для построения ROC-curve и F1 я использовала все тот же скрипт.

Рис 4: ROC-curve
Рис 5: F1

Оптимальное соотношение специфичности и чувствительности по графику ROC: чувствительность 98.5%, специфичность = 97.1% . Также по графику можно сказать, что ROC-AUC score большой, то есть модель хорошо распознает домен NACHT_sigma в белках.

Что касается графика зависимости F1 от веса, то можно сказать, что пик наблюдается при весе 200 (как я и выбрала на гистограмме весов). Затем параметр F1 начинает падать.

то есть порог веса установим равным 200!