Skip to main content
Login | Suomeksi | På svenska | In English

Developing probabilistic restraints optimization protocols to extend MODELLER capabilities

Show simple item record

dc.date.accessioned 2018-10-30T14:27:19Z
dc.date.available 2018-10-30T14:27:19Z
dc.date.issued 2018-10-30
dc.identifier.uri http://hdl.handle.net/123456789/21365
dc.title Developing probabilistic restraints optimization protocols to extend MODELLER capabilities en
ethesis.discipline.URI none
ethesis.faculty Farmasian tiedekunta fi
ethesis.faculty Faculty of Pharmacy en
ethesis.faculty Farmaceutiska fakulteten sv
ethesis.faculty.URI http://data.hulib.helsinki.fi/id/9a2784ea-4d84-40d4-a651-895ae66a37ea
ethesis.university.URI http://data.hulib.helsinki.fi/id/50ae46d8-7ba9-4821-877c-c994c78b0d97
ethesis.university Helsingfors universitet sv
ethesis.university University of Helsinki en
ethesis.university Helsingin yliopisto fi
dct.creator Grazhdankin, Evgeni
dct.issued 2018
dct.language.ISO639-2 eng
dct.abstract Kehitimme ohjelmiston homologimallinnusta varten avaruudellisilla rajoitteilla käyttäen MODELLER-taustaohjelmistoa. Laaditut protokollat laajentavat tutkittavaa pituusrajoite- ja konformaatioavaruutta. Rajoitteita optimoidaan iteratiivisilla protokollilla, joissa mallien rakentamisessa käytettyjä rajoitteita arvioidaan ja niiden suotuisuuden todennäköisyyttä päivitetään sitä vastaten. Metriikoina hyödynnämme muun muassa DOPE-pisteytystä, sekä retrospektiivista rajoitteiden toteutumista mallissa. Vetysidosverkostot optimoidaan koon ja kytkeytyneisyyden suhteen. Menetelmän suorituskykyä arvioidaan testaamalla sen kykyä jälleenrakentaa G-proteiinikytkentäisiä reseptoreita keskittyen solunulkoiseen lenkkiin 2. Ohjelmisto on kirjoitettu Pythonilla (v.2.7) ja on helppo laajentaa uusilla moduuleilla. Rakensimme relaatiotietokannan PostgreSQL-teknologiaan pohjautuen. Tietokantaan tallennamme kaikki MODELLER-rajoitteet. Tietokanta tukee kone- ja syväoppimismenetelmien kehittämistä. Tärkeä osa työtä on rajoitteiden kolmiulotteinen visualisointi kehittämillämme PyMOL-skripteillä. Lisäksi laadimme suurehkon määrän kuvaajia arvioimaan optimointimenetelmien suorituskykyä ja mallinnusprotokollia. Ohjelma hyödyntää rinnakkaisuutta ja on laskennallisesti käytännöllinen vaatien kertaluokan vähemmän suoritusaikaa kuin tyypillisissä molekyylidynaamisissa simulaatioissa. Tärkein jatkotutkimusten tarve ilmeni rajoitteiden pisteytyksessä, sekundäärirakenteiden lisäämisessä, rajoitteiden ehdollistamisessa, sekä vesien ja ligandien sijoittamisessa. fi
dct.abstract We have developed a software for homology modelling by satisfaction of distance restraints using MODELLER back-end. The protocols used extend exploration of distance restraints and conformational space. We drive the models in optimization cycle towards better structures as assessed by the used metrics on DOPE score, retrospective distance restraint realization and others. Hydrogen bond networks are optimized for their size and connectivity density. The performance of the method is evaluated for its ability to reconstruct GPCR structures and an extracellular loop 2. The software is written in object-oriented Python (v.2.7) and supports easy extension with additional modules. We built a relational PostgreSQL database for the restraints to allow for data-driven machine and deep learning applications. An important part of the work was the visualization of the distance restraints with custom PyMOL scripts for three-dimensional viewing. Additionally, we automatically generate a plethora of diagnostic plots for assessing the performance of the modelling protocols. The software utilizes parallelism and is computationally practical with compute requirements on an order of magnitude lower than those typically seen in molecular dynamics simulations. The main challenges left to be solved is the evaluation of restraint goodness, assigning secondary structures, restraint interconditioning, and water and ligand placement. en
dct.subject homology en
dct.subject comparative en
dct.subject MODELLER en
dct.subject restraint en
dct.subject structure en
dct.subject drug design en
dct.subject modelling en
dct.subject homologia fi
dct.subject vertaileva fi
dct.subject MODELLER fi
dct.subject rajoitus fi
dct.subject rakenne fi
dct.subject lääkekehitys fi
dct.subject mallinnus fi
dct.language en
ethesis.language.URI http://data.hulib.helsinki.fi/id/languages/eng
ethesis.language englanti fi
ethesis.language English en
ethesis.language engelska sv
ethesis.supervisor Xhaard, Henri
ethesis.thesistype pro gradu -tutkielmat fi
ethesis.thesistype master's thesis en
ethesis.thesistype pro gradu -avhandlingar sv
ethesis.thesistype.URI http://data.hulib.helsinki.fi/id/thesistypes/mastersthesis
dct.identifier.ethesis E-thesisID:14a25489-390f-4cc7-baec-9a5a1d8ee7f0
personal.identifier 0123456789 und
studies.candidatedegree Helsingin yliopisto und
studies.candidatedegree.maturitytestlanguage suomi und
ethesis.principalprofessor Yli-Kauhaluoma, Jari
dct.identifier.urn URN:NBN:fi:hulib-201810303462
dc.type.dcmitype Text
dct.alternative MODELLER-ohjelmistoa laajentavien probabilististen rajoitteiden optimointiprotokollien kehittäminen fi
ethesis.facultystudyline Farmaseuttinen kemia und
ethesis.mastersdegreeprogram Proviisorin koulutusohjelma und

Files in this item

Files Size Format View
MSc_Grazhdankin Evgeni.pdf 9.812Mb PDF

This item appears in the following Collection(s)

Show simple item record