Обзорная статья

IN SILICO-АНАЛИЗ ПОТЕНЦИАЛЬНЫХ БИОЛОГИЧЕСКИХ ФУНКЦИЙ ПЕПТИДОВ

© 2018 г. С. Д. Калмыкова*^, **, Г. П. Арапиди*^, **^, ***^{, #}, А. С. Урбан*^, **, М. С. Осетрова*^, **, В. Д. Гордеева*^, **^, ***, В. Т. Иванов*, В. М. Говорун*^, **^, ***

^#Тел.: +7 (926) 471-14-20; эл. почта: [email protected]

*Институт биоорганической химии им. академиков М.М. Шемякина и Ю.А. Овчинникова РАН, 117997, Москва, ул. Миклухо-Маклая 16/10;
**Московский физико-технический институт (государственный университет);
***ФНКЦ Физико-химической медицины ФМБА России, Москва

Поступила в редакцию 15.11.2017 г. Принята к печати 09.02.2018 г.

DOI: 10.1134/S0132342318040097

За последнее десятилетие с использованием инструментов омикс-технологий в различных репозиториях накоплено большое количество данных, которые представляют интерес для метаанализа. Сегодня исследователи в области протеомики и пептидомики уделяют основное внимание не каталогизации последовательностей, а выполняемым молекулами функциям и метаболическим взаимодействиям, в которых участвуют белки или пептиды. В результате одного LC-MS/MS-анализа удается идентифицировать несколько тысяч уникальных пептидов, каждый из которых может оказаться биоактивным. Классическим приемом для определения функции пептида является прямой эксперимент. Биоинформатические подходы в качестве предварительного анализа потенциальных биологических функций являются важным шагом и способны существенно сократить временные и материальные затраты на экспериментальную проверку. В данной статье приводится обзор вычислительных методов анализа, позволяющих предсказать биологические функции пептидов. Рассматриваются подходы, основанные на машинном обучении, наиболее популярные сегодня, алгоритмы, использующие структурные, эволюционные или статистические закономерности, а также методы, основанные на молекулярном докинге. Приводится информация о базах данных биоактивных пептидов, последовательности из которых можно применить для построения новых алгоритмов предсказания биологических функций. Уделено внимание характеристикам пептидов, позволяющим делать выводы об их биоактивности. Кроме того, приводится список онлайн-сервисов, которые могут быть полезны экспериментаторам для анализа потенциальных активностей пептидов, с которыми они работают.

Ключевые слова: протеомика, пептидомика, биоинформатика, биоактивные пептиды, биологические функции пептидов, машинное обучение, молекулярный докинг.

Биоорг. химия 2018, 44 (4): 361-381