Интерактом белков, кодируемых генами хромосомы 18 человека тема диссертации и автореферата по ВАК РФ 03.01.09, кандидат биологических наук Поверенная, Екатерина Владимировна

• Поверенная, Екатерина Владимировна
• кандидат биологических наук
• 2013

Оглавление диссертации кандидат биологических наук Поверенная, Екатерина Владимировна

1. ВВЕДЕНИЕ, ЦЕЛЬ И ЗАДАЧИ.

2. ОБЗОР ЛИТЕРАТУРЫ.

2.1. Источники сведений о взаимодействия между белками.

2.1.1. Выявление бинарных белковых взаимодействий.

2.1.2. Высокопроизводительные экспериментальные методы.

2.1.3. Определение термодинамических параметров образования белковых комплексов.

2.1.4. Проблемы и недостатки исследования интерактома.

2.2. Тематические ресурсы.

2.2.1. Интерактомные базы данных.

2.2.2. Онтология генов Gene Ontology (GO).

2.2.3. Базы данных белков и генов.

2.2.4. Репозитории масс-спектрометрических данных.

2.3. Биоинформатические методы выявления белковых взаимодействий.

2.3.1. Предсказание белковых взаимодействий на основе структурной информации.

2.3.2. Методы машинного обучения.

2.3.3. Автоматический анализ текстов (text-mining).

2.3.4. Обработка результатов масс-спектрометрических экспериментов

2.4. Интерактомные сети.

3. МАТЕРИАЛЫ И МЕТОДЫ.

3.1. Материалы.

3.1.1. Данные об идентификации белков и о типовых контаминантах.

3.1.2. Аминокислотные последовательности белков человека

3.1.3. Контрольные наборы

3.1.4. Интерактомные ресурсы.

3.2. Методы.

3.2.1. Подготовка входных данных.

3.2.2. Метод виртуальной копреципитации (ВКП).

3.2.3. Получение и кластеризация интерактомных профилей.

3.2.4. Анализ белковых взаимодействий с использованием геноцентричной базы знаний.

3.2.5. Программная реализация алгоритмов.

4. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ.

4.1. Подбор параметров для метода виртуальной копреципитации.

4.1.1. Фильтрация данных.

4.1.2. Отбор масс- спектрометрических экспериментов.

4.1.3. Оценка достоверности идентификации белка-«наживки»

4.1.4. Определение частоты встречаемости взаимодействующих белков

4.2. Исследование применимости метода виртуальной копреципитации.

4.2.1. Определение типовых контаминантов.

4.2.2. Валидация метода виртуальной копреципитации.

4.3. Хромосомоцентричный интерактом.

4.3.1. Выявление белок-белковых взаимодействий.

4.3.2. Аннотация интерактомных профилей по онтологии генов.

4.3.3. Интерактомная карта хромосомы 18 человека.

4.4. Характеристика результатов виртуальной копреципитации.

4.4.1. Анализ интерактомных баз данных

4.4.2. Сопоставление результатов виртуальной копреципитации с базами данных по интерактомике.

4.4.3. Геноцентричная база знаний (ГЦБЗ) по интерактому хромосомы 18 человека.

Введение диссертации (часть автореферата) на тему «Интерактом белков, кодируемых генами хромосомы 18 человека»

Результаты завершенной в 2001 году международной программы «Геном человека» (Venter et al., 2001) позволили перейти к следующей масштабной задаче - инвентаризации белков и взаимодействий между ними. Для реализации международного проекта «Протеом человека» ("The big ome" 2008), как и в случае проекта «Геном человека», был принят хромосомоцентричный подход, при котором за каждой страной-участницей закреплена конкретная хромосома человека: корейские ученые сконцентрировали усилия на работе с хромосомой 13, исследователи из США - на хромосоме 17 и т.д. Россия выбрала белки, кодируемые генами хромосомы 18 (Ponomarenko et al., 2012). Искусственное разделение объектов исследования по хромосомам позволяет детально проанализировать массив белков человека, который по предварительным расчетам может включать от 2 млн до 1 млрд белковых продуктов (Archakov et al., 2009; Kelleher, 2012).

Важнейшей задачей проекта «Протеом человека» является анализ белок-белковых взаимодействий (ББВ). Построение интерактомных сетей (карт ББВ) позволяет изучить молекулярные процессы в клетке, нарушение которых приводит к развитию заболеваний. Опубликованы описания интерактомных карт при развитии заболеваний, например, таких, как ишемическая болезнь сердца (Ren & Liu, 2012) и колоректальный рак (Sanz-Pamplona, Berenguer, et al., 2012). Изучение топологии сети в связи с развитием патологий является новым способом выявления потенциальные мишени для создания новых лекарств, в том числе, для лечения мультигенных заболеваний (Rodriguez-Soca et al., 2010).

Несмотря на фундаментальное значение белковых взаимодействий, данные об интерактоме человека противоречивы (Lehne & Schlitt, 2009). Для выявления сведений о ББВ преимущественно используют две группы экспериментальных методов - двугибридную дрожжевую систему (ДГДС) и аффинную пробоподготовку в сочетании с масс-спектрометрией (АП-МС). Оба метода характеризуются высокой производительностью, но низкой достоверностью выявленных взаимодействий. Ограничения высокопроизводительных экспериментальных методов возникают, в первую очередь, из-за отсутствия возможности измерения термодинамических параметров комплексообразования (Bai et al., 2011).

Поскольку определение взаимодействия между белками является, на сегодняшний день, трудновыполнимой задачей, разрабатываются различные биоинформатические подходы. Роль вычислительной интерактомики заключается в корректном совмещении множества противоречивых экспериментальных данных. Противоречия возникают не только из-за проблем экспериментальных методов, но и являются следствием того, что сеть ББВ динамично изменяется в процессе функционирования клетки. Изменения накладываются на высокую сложность объекта исследования: интерактом человека, по приблизительным оценкам, включает от 300 до 650 тысяч различных взаимодействий (Stumpf et al., 2008).

Хромосомоцентричный подход к анализу интерактома позволяет ограничить масштаб белковой сети и провести подробное исследование состава карты ББВ. Обычно объектами исследования интерактомики являются белки, ассоциированные с заболеваниями, или белки, вовлеченные в уже изученные клеточные процессы. Выйти за рамки исследования ранее охарактеризованных молекулярных процессов позволяет хромосомоцентричный подход, при котором повышается вероятность выявления новых, ранее неизвестных взаимодействий.

Обработка массива экспериментов, выполненных методом АП-МС, является перспективным способом получения сведений о белковых взаимодействиях. В данной работе для обработки экспериментальных данных был использован метод виртуальной копреципитации (ВКП) (С. Zhang et al., 2011). Принцип данного метода заключается в определении частоты совместной встречаемости белков в масс-спектрометрических экспериментах. Физические взаимодействия между белками обеспечивают их совместное определение во многих экспериментах, выполненных методом АП-МС.

Цель работы: выявление белковых взаимодействий для продуктов генов хромосомы 18 человека с помощью автоматической обработки результатов масс-спектрометрических экспериментов методом виртуальной копреципитации (ВКП).

В работе были поставлены задачи:

1. Обосновать параметры метода виртуальной копреципитации для выявления белок-белковых взаимодействий путем анализа результатов масс-спектрометрических экспериментов.

2. Оценить достоверность метода и исследовать его применимость на примере белок-белковых комплексов и сетей функциональных взаимодействий.

3. Применить метод виртуальной копреципитации для белков, кодируемых генами хромосомы 18 человека, и охарактеризовать полученные результаты с учетом молекулярной функции взаимодействующих белков.

4. Сопоставить результаты виртуальной копреципитации с известными данными о белок-белковых взаимодействиях; определить узловые белки в составе интерактома хромосомы 18 человека.

2. ОБЗОР ЛИТЕРАТУРЫ

Первые белок-белковые взаимодействия (ББВ) (между трипсином и его ингибитором) были выявлены в конце XIX века. Однако, только в начале 90-х годов XX века стала понятной ключевая роль взаимодействий между белками в различных биологических процессах (Braun & Gingras, 2012). Любой процесс в клетке осуществляется за счет множества разнообразных белковых взаимодействий.

Под взаимодействием белков подразумевается связь двух и более белковых молекул, обеспечивающая выполнение биологической функции. Различают физические взаимодействия и взаимодействия в составе сети (Qi et al., 2006). Физические взаимодействия подразделяются на прямые (бинарные) и комплексные взаимодействия. Группа белков, которые взаимодействуют друг с другом одновременно, формируя мультимолекулярную единицу, называется комплексом (J. Wang et al., 2011).

Основными экспериментальными методами выявления белок-белковых взаимодействий являются двугибридная дрожжевая система (yeast two hybrid) и метод аффинной пробоподготовки в сочетании с масс-спектрометрией (affinity purification coupled to mass-spectrometry). Согласно опубликованным данным, доля взаимодействий, установленных методом двугибридной дрожжевой системы (ДГДС), достигает 20%, а аффинной пробоподготовки в сочетании с масс-спектрометрией (АП-МС) - 55%. (Orchard et al., 2012). При методе АП-МС выявляют комплексные взаимодействия, тогда как двугибридная дрожжевая система является лидирующим методом, для определения бинарных белковых взаимодействий (Xenarios et al., 2001). Для определения кинетики физического взаимодействия белков используют оптические биосенсоры.

Накопление большого количества данных по интерактомике, полученных опытным путем, и их противоречивость привели к развитию биоинформатических методов. Методы in silico используются для предсказания и описания новых ББВ на основе ранее полученных сведений (Иванов A.C. и др., 2011). Предсказательные алгоритмы базируются на анализе геномных данных, аминокислотных последовательностей, данных о трехмерных структурах белков и результатах транскриптомных и протеомных экспериментов. Отдельной задачей биоинформатики является верификация сведений о ББВ, заключающаяся в определении взаимодействий в результатах, полученных масс-спектрометрическими методами (Nesvizhskii, 2012). Основываясь на предположении, что физически взаимодействующие белки функционально связаны между собой, вычислительные подходы используются также для предсказания функций белков.

Интеграция экспериментальных и биоинформатических методов, направленная на детальное изучение аспектов взаимодействия белков и их форм в клетке, представляет собой современную интерактомику. Главная задача интерактомики - построение и описание сетей (карт) ББВ. Узлами сети являются белки, а ребрами - взаимодействия между ними. В зависимости от размера и сложности организации, интерактомная сеть может отражать как отдельный клеточный процесс, так и регуляцию фенотипа организма (Ramírez et al., 2007).

Далее будут рассмотрены основные экспериментальные и биоинформатические подходы, используемые для создания интерактомных карт белков человека.

Заключение диссертации по теме «Математическая биология, биоинформатика», Поверенная, Екатерина Владимировна

6. выводы

1. Реализован метод виртуальной копреципитации, и для него определены основные параметры, позволяющие в автоматическом режиме выявлять взаимодействия белков на основе анализа масс-спектрометрических экспериментов из ресурса ОРМёЬ.

2. Разработанный метод позволяет выявлять белковые комплексы с высокой чувствительностью, но низкой специфичностью. Выявленные с использованием метода виртуальной копреципитации компоненты функциональных белковых комплексов совпадают с ранее описанными в литературе.

3. Построена интерактомная карта для 115 белков, кодируемых генами хромосомы 18 человека, содержащая сведения о 4 тыс. взаимодействиях. На примере серпина В 7 показана возможность выявления новых данных о взаимодействиях методом виртуальной копреципитации. В составе карты выделено 9 кластеров, объединяющих функционально-сходные белки, часть из которых принимает участие в патогенезе опухолевых заболеваний. Показано, что функциональное аннотирование в СО-терминах для сплайс-вариантов одного белка различно.

4. Результаты, полученные методом виртуальной копреципитации, совпадают с известными данными о белок-белковых взаимодействиях для хромосомы 18 человека примерно на 30%. Невысокая специфичность метода отражает неполноту и противоречивость опубликованных сведений об интерактоме. Анализ доступной информации о белковых взаимодействиях с помощью геноцентричной базы знаний позволяет выделить в составе хромосомы узловые белки, играющие ключевую роль в биологических процессах.

7. СПИСОК СОКРАЩЕНИЙ

ББВ - белок-белковые взаимодействия ИП - интерактомный профиль ВКП - метод виртуальной копреципитации ГЦБЗ - геноцентричная база знаний

АП-МС - аффинная пробоподготовка (очистка) в сочетании с масс-спектрометрией (affinity purification mass-spectrometry)

ДГДС - двугибридная дрожжевая система (yeast two hybrid) а.о. - аминокислотный остаток

АС - код UniProtKB

GO - Gene Ontology

5. ЗАКЛЮЧЕНИЕ

Современные методы определения белок-белковых взаимодействий (ББВ) ограничены не только техническими возможностями, но, самое главное, отсутствием фундаментального понимания причин образования и принципов функционирования белковых комплексов. Накопленные сведения об интерактоме неполны и противоречивы. Противоречивость данных возникает и по причине «размытого» понятия о взаимодействии биомакромолекул. Используемая мера взаимодействия - константа диссоциации - рассчитывается исходя из концентраций исследуемых белков в клетке в нативном и связанном состоянии. В клетке концентрация представляет собой среднее расстояние между молекулами (Ramsden, Bachmanova & Archakov, 1996), которое зависит от того, рассматривается ли объем раствора клетки или объем клетки, пронизанный гидрофобными поверхностями, например, мембранами. Количество опубликованных данных о кинетических параметрах образования белковых комплексов крайне мало (Bai et al., 2011) и не позволяет построить удовлетворительную модель физического взаимодействия макромолекул. В силу сложности постановки экспериментов по количественному определению параметров образования комплексов, вся современная интерактомика базируется на косвенных данных. Например, в STRING одной из «мер» взаимосвязи является количество публикаций, в которых обозначения двух белков встречаются совместно.

Большая часть ББВ относится, возможно, к совершенно неисследованному типу взаимодействий - стохастических, которые структурированы за счет поверхностей в объеме клетки. Функциональные эффекты таких взаимодействий в совокупности с физически взаимодействующими белками образуют интерактомную сеть. Исследование структуры сети позволяет установить организацию молекулярных процессов в организме, а также выявить ключевые (узловые) белки в ее составе. Нарушение в функционировании узловых белков приводит к гибели клетки или к запуску патологических процессов (Vidal, Cusick, & Barabási, 2011). В связи с этим построение, анализ и характеристика интерактомных сетей направлены на поиск мишеней терапевтического воздействия и разработку новых лекарств (Pujol et al., 2010).

Интерпретация экспериментальных данных с помощью биоинформатических методов позволяет перейти от разрозненных наблюдений к восстановлению молекулярных процессов. Опубликованные интерактомные сети отражают отдельные процессы, происходящие в клетке, например, аутофагии (Behrends et al., 2010), но не дают представление о полном интерактоме. Такая избирательность накладывает ограничения на получение общей картины участия белков в биологических процессах, тем самым осложняя поиск ключевых мишеней - крайне важных белков (в англоязычной литературе «essential» proteins).

Предложенный в работе хромосомоцентричный подход позволяет уменьшить масштаб интерактома и одновременно избежать «сосредоточенности» на одном явлении. Сохранение целостности интерактома достигается за счет независимого функционального распределения белок-кодирующих генов по хромосомам.

Для единовременного получения сведений о взаимодействиях всех белков, кодируемых генами одной хромосомы, был использован метод виртуальной копреципитации (С. Zhang et al., 2011). Данный метод позволяет анализировать большой объем накопленных ранее результатов интерактомных исследований, выполненных с помощью аффинной пробоподготовки в сочетании с масс-спектрометрией.

Мы использовали ранее опубликованный метод виртуальной копреципитации, но установили для него новые значения параметров, в том числе: (а) параметры-характеристики эксперимента с учетом входящих в него идентифицированных белков, (б) параметры, определяющие достоверность идентификации белка в составе одного эксперимента и (в) частоту встречаемости белка в наборе из нескольких экспериментов.

119

Значения параметров позволяют отсеять более 80% исходных данных и в автоматическом режиме отобрать эксперименты, выполненные с применением аффинной пробоподготовки.

При исследовании оптимизированной версии метода ВКП установлено, что результаты, совпадают с описанными в литературе данными о белок-белковых взаимодействиях в случаях, если взаимодействующие белки являются компонентами функционального комплекса. Метод характеризуется достаточно высокой чувствительностью (до 100%), но низкой специфичностью (50% и ниже). На примере ремоделирования хроматина показано, что метод ВКП не может применяться для конструирования сетевых взаимодействий между белками, не образующими функциональные комплексы.

На основе результатов, полученных методом виртуальной копреципитации для белков, кодируемых генами хромосомы 18 человека, была построена интерактомная карта. Карта содержит в себе данные более 4-х тыс. взаимодействий, в которых принимают участие около 2,2 тыс. белков человека. Несомненным преимуществом использования метода ВКП является получение данных о новых белок-белковых взаимодействиях. Для серпина В7 были впервые установлены белковые взаимодействия, также как и для сплайс-форм. Использование онтологии генов при сравнении интерактомных профилей белковых продуктов одного гена позволило определить различия в функциональном аннотировании канонических и сплайс-форм.

По сходству интерактомных профилей целевых белков в составе карты были выделены функционально-сходные кластеры белков, относящихся к хромосоме 18 человека (см. рис. 20). Показано, что входящие в один кластер белки участвуют в развитии одинаковых патологических процессов. Исследование регуляции взаимодействий белков внутри кластеров в будущем даст возможность определить потенциальные мишени для действия лекарств.

Для обобщения сведений об интерактоме, а также для выявления «узловых» белков нами было предложено использовать геноцентричную базу знаний. Кодируемые цветом характеристики белков в совокупности с интуитивно-понятным форматом представления данных позволяют перейти от исследования усредненных сведений об интерактоме (например, количество ребер и узлов) к анализу свойств отдельных белков. В результате анализа интерактома хромосомы 18 человека с помощью базы знаний было определено 9 узловых белков в составе хромосомы.

Список литературы диссертационного исследования кандидат биологических наук Поверенная, Екатерина Владимировна, 2013 год

1. Иванов А.С., Згода В.Г., Арчаков А.И. Технологии белковой интерактомики // Биоорганическая химия. 2011. Т. 37(1). С. 8-21.

2. Лисица А.В. и др. Одномерное протеомное картирование цитохромов Р450 печени человека // Биохимия. 2009. Т. 74(2). С. 153-161

3. Пономаренко Е.А., Лисица А.В., Петрак Ж., Мошковский С.А., Арчаков А.И. Выявление дифференциально-экспрессирующихся белков с использованием автоматического мета-анализа протеомных публикаций// Биомедицинская химия. 2009. Т. 55(1), 5-14

4. Пономаренко Е.А., Лисица А.В., Ильгисонис Е.В., Арчаков А.И. Создание семантических сетей белков с использованием PubMed/MEDLINE// Молекулярная биология. 2010. Т. 44(1). С. 152-161

5. Терентьев А.А., Молдогазиева Н.Т., Шайтан К.В. Динамическая протеомика в моделировании живой клетки. Белок-белковые взаимодействия. // Успехи биологической химии. 2009. Т. 49. С. 429-480

6. Ahmad QR, Nguyen DH, Wingerd MA, Church GM, Steffen MA. Molecular weight assessment of proteins in total proteome profiles using ID-PAGE and LC/MS/MS// Proteome Sci. 2005. V.3(l), P.6

7. Al-Jassar C, Bikker H, Overduin M, Chidgey M. Mechanistic Basis of Desmosome-Targeted Diseases// J. Mol. Biol. 2013. doi: 10.1016

8. Aloy P, Russell RB. InterPreTS: protein interaction prediction through tertiary structure// Bioinformatics. 2003. V.19(l), P. 161-2

9. Aloy P, Russell RB. The third dimension for protein interactions and complexes// Trends Biochem. Sci. 2002. V.27(12), P.633-8

10. Archakov A, Aseev A, Bykov V, et al Gene-centric view on the human proteome project: the example of the Russian roadmap for chromosome 18// Proteomics. 2011. V.l 1(10), P.1853-6

11. Archakov A, Ivanov Y, Lisitsa A, Zgoda V. Biospecific irreversible fishing coupled with atomic force microscopy for detection of extremely low-abundant proteins//Proteomics. 2009. V.9(5), P. 1326-43

12. Arkin MR, Wells JA. Small-molecule inhibitors of protein-protein interactions: progressing towards the dream// Nat. Rev. Drug Discov. 2004. V.3(4), P.301-17

13. Ashburner M, Ball CA, Blake JA, et al. Gene ontology: tool for the unification of biology. The Gene Ontology Consortium// Nat. Genet. 2000. V.25(l), P.25-9

14. Bai H, Yang K, Yu D, Zhang C, Chen F, Lai L. Predicting kinetic constants of protein-protein interactions based on structural properties// Proteins. 2011. V.79(3), P.720-34

15. Barshir R, Basha O, Eluk A, Smoly IY, Lan A, Yeger-Lotem E. The TissueNet database of human tissue protein-protein interactions// Nucleic Acids Res. 2013. V.41 (Database issue), P.D841-4

16. Bartoli L, Martelli PL, Rossi I, Fariselli P, Casadio R. The prediction of protein-protein interacting sites in genome-wide protein interaction networks: the test case of the human cell cycle// Curr. Protein Pept. Sci. 2010. V.l 1(7), P.601-8

17. Behrends C, Sowa ME, Gygi SP, Harper JW. Network organization of the human autophagy system//Nature. 2010. V.466(7302), P.68-76

18. Boden M, Dellaire G, Burrage K, Bailey TL. A Bayesian network model of proteins' association with promyelocytic leukemia (PML) nuclear bodies// J. Comput. Biol. 2010. V.l7(4), P.617-30

19. Bradford JR, Needham CJ, Bulpitt AJ, Westhead DR. Insights into proteinprotein interfaces using a Bayesian network prediction method// J. Mol. Biol. 2006. V.362(2), P.365-86

20. Braun P, Gingras A-C. History of protein-protein interactions: from egg-white to complex networks// Proteomics. 2012. V.12(10), P.1478-98

21. Braun P. Interactome mapping for analysis of complex phenotypes: insights from benchmarking binary interaction assays// Proteomics. 2012. V.12(10), P. 1499-518.

22. Breitkreutz A, Choi H, Sharom JR, et al. A global protein kinase and phosphatase interaction network in yeast// Science. 2010. V.328(5981), P. 1043-6

23. Brigidi GS, Bamji SX. Cadherin-catenin adhesion complexes at the synapse// Curr. Opin. Neurobiol. 2011. V.21(2), P.208-14

24. Brizzard B. Epitope tagging//Biotechniques 2008. V.44(5), P.693-5

25. Bulashevska S, Bulashevska A, Eils R. Bayesian statistical modelling of human protein interaction network incorporating protein disorder information// BMC Bioinformatics. 2010. V.l 1, P.46

26. Buljan M, Chalancon G, Eustermann S, et al. Tissue-specific splicing of disordered segments that embed binding motifs rewires protein interaction networks// Mol. Cell. 2012. V.46(6), P.871-83

27. Chatr-Aryamontri A, Breitkreutz B-J, Heinicke S, et al. The BioGRID interaction database: 2013 update// Nucleic Acids Res. 2013. V.41(Database issue), P.D816-23

28. Chatterjee P, Basu S, Kundu M, Nasipuri M, Plewczynski D. PPISVM: prediction of protein-protein interactions using machine learning, domain-domain affinities and frequency tables// Cell. Mol. Biol. Lett. 2011. V.l6(2), P.264-78

29. Chen JY, Mamidipalli S, Huan T. HAPPI: an online database of comprehensive human annotated and predicted protein interactions// BMC Genomics. 2009. V.10(Suppl 1), P.S16

30. Chen Y-C, Lo Y-S, Hsu W-C, Yang J-M. 3D-partner: a web server to infer interacting partners and binding models// Nucleic Acids Res. 2007. V.35(Web Server issue), P.W561-7

31. Chien CT, Bartel PL, Sternglanz R, Fields S. The two-hybrid system: a method to identify and clone genes for proteins that interact with a protein of interest// Proc. Natl. Acad. Sci. U. S. A. 1991. V.88(21), P.9578-82

32. Choi H, Glatter T, Gstaiger M, Nesvizhskii AL SAINT-MS 1: protein-protein interaction scoring using label-free intensity data in affinity purification-mass spectrometry experiments// J. Proteome Res. 2012. V.l 1(4), P.2619-24

33. Choi H, Larsen B, Lin Z-Y, et al. SAINT: probabilistic scoring of affinity purification-mass spectrometry data// Nat. Methods. 2011. V.8(l), P.70-3

34. Cortes C. and Vapnik V. Support-vector networks // Machine Learning. 1995. V. 20. P. 273-297

35. Côté RG, Jones P, Martens L, Apweiler R, Hermjakob H. The Ontology Lookup Service: more data and better tools for controlled vocabulary queries// Nucleic Acids Res. 2008. V.36(Web Server issue), P.W372-6

36. Craig R, Cortens JP, Beavis RC. Open source system for analyzing, validating, and storing protein identification data// J. Proteome Res. 2004. V.3(6), P. 1234-42

37. Davis JM, Colangelo J. Small-molecule inhibitors of the interaction between TNF and TNFR// Future Med. Chem. 2013. V.5(l), P.69-79

38. Deng M, Mehta S, Sun F, Chen T. Inferring domain-domain interactions from protein-protein interactions// Genome Res. 2002. V.12(10), P.1540-8

39. Desiere F, Deutsch EW, King NL, et al. The PeptideAtlas project// Nucleic Acids Res. 2006. V.34(Database issue), P.D655-8

40. Deutsch EW, Eng JK, Zhang H, et al. Human Plasma PeptideAtlas// Proteomics. 2005. V.5(13), P.3497-500

41. Deutsch EW, Lam H, Aebersold R. PeptideAtlas: a resource for target selection for emerging targeted proteomics workflows// EMBO Rep. 2008. V.9(5), P.429-34

42. Deutsch EW. The PeptideAtlas Project// Methods Mol. Biol. 2010. V.604:285-96

43. Dohkan S, Koike A, Takagi T. Improving the performance of an SVM-based method for predicting protein-protein interactions// In Silico Biol. 2006. V.6(6), P.515-29

44. Dunham WH, Larsen B, Tate S, et al. A cost-benefit analysis of multidimensional fractionation of affinity purification-mass spectrometry samples// Proteomics. 2011. V.ll(13), P.2603-12

45. Dunham WH, Mullin M, Gingras A-C. Affinity-purification coupled to mass spectrometry: basic principles and strategies// Proteomics. 2012. V. 12(10), P. 1576-90

46. Dutcher SK. The tubulin fraternity: alpha to eta// Curr. Opin. Cell Biol. 2001. V.13(l), P.49-54

47. Eden E, Navon R, Steinfeld I, Lipson D, Yakhini Z. GOrilla: a tool for discovery and visualization of enriched GO terms in ranked gene lists// BMC Bioinformatics. 2009. V.10(l), P.48

48. Ekman D, Light S, Björklund AK, Elofsson A. What properties characterize the hub proteins of the protein-protein interaction network of Saccharomyces cerevisiae?// Genome Biol. 2006. V.7(6), P.R45

49. Ellis JD, Barrios-Rodiles M, Colak R, et al. Tissue-specific alternative splicing remodels protein-protein interaction networks// Mol. Cell. 2012. V.46(6), P.884-92

50. Ershov P, Mezentsev Y, Gnedenko O, et al. Protein interactomics based on direct molecular fishing on paramagnetic particles: experimental simulation and SPR validation// Proteomics. 2012. V.12(22), P.3295-8

51. Ewing RM, Chu P, Elisma F, et al. Large-scale mapping of human proteinprotein interactions by mass spectrometry// Mol. Syst. Biol. 2007. V.3:89

52. Farrah T, Deutsch EW, Omenn GS, et al. A high-confidence human plasma proteome reference set with estimated concentrations in PeptideAtlas// Mol. Cell. Proteomics. 2011. V.10(9), P.M110.006353

53. Fernández E, Collins MO, Uren RT, et al. Targeted tandem affinity purification of PSD-95 recovers core postsynaptic complexes and schizophrenia susceptibility proteins// Mol. Syst. Biol. 2009. V.5:269

54. Flicek P, Ahmed I, Amode MR, et al. Ensembl 2013// Nucleic Acids Res. 2013. V.41 (Database issue), P.D48-55

55. Franceschini A, Szklarczyk D, Frankild S, et al. STRING v9.1: proteinprotein interaction networks, with increased coverage and integration// Nucleic Acids Res. 2013. V.41(Database issue), P.D808-15

56. Fung DCY, Li SS, Goel A, Hong S-H, Wilkins MR. Visualization of the interactome: what are we looking at?// Proteomics. 2012. V.12(10), P.1669-86

57. Geiger T, Wehner A, Schaab C, Cox J, Mann M. Comparative proteomic analysis of eleven common cell lines reveals ubiquitous but varying expression of most proteins// Mol. Cell. Proteomics. 2012. V.l 1(3), P.MI 11.014050

58. Gingras A-C, Gstaiger M, Raught B, Aebersold R. Analysis of protein complexes using mass spectrometry//Nat. Rev Mol. Cell Biol. 2007. V.8(8), P.645-54

59. Goh K-I, Cusick ME, Valle D, Childs B, Vidal M, Barabási A-L. The human disease network//Proc. Natl. Acad. Sei. U. S. A. 2007. V.104(21), P.8685-90

60. Gong S, Yoon G, Jang I, et al. PSIbase: a database of Protein Structural Interactome map (PSIMAP)// Bioinformatics. 2005. V.21(10), P.2541-3

61. Gonzalez LC. Protein microarrays, biosensors, and cell-based methods for secretome-wide extracellular protein-protein interaction mapping// Methods. 2012. V.57(4), P.448-58

62. Gurkar AU, Chu K, Raj L, et al. Identification of ROCK1 kinase as a critical regulator of Beclinl-mediated autophagy during metabolic stress// Nat. Commun. 2013. V.4:2189

63. Hart, G. T., Ramani, A. K., & Marcotte, E. M. How complete are current yeast and human protein-interaction networks?// Genome biology. 2006. V.7(ll), P. 120

64. Hartley RW. Barnase-barstar interaction// Methods Enzymol. 2001. V.341:599-611

65. Hayashida M, Ueda N, Akutsu T. A simple method for inferring strengths of protein-protein interactions// Genome Inform. 2004. V.15(l), P.56-68

66. Hendrich B, Bird A. Identification and characterization of a family of mammalian methyl-CpG binding proteins// Mol. Cell. Biol. 1998. V.18(ll), P.6538-47

67. Hermjakob H, Montecchi-Palazzi L, Bader G, et al The HUPO PSI's molecular interaction format—a community standard for the representation of protein interaction data//Nat. Biotechnol. 2004. V.22(2), P. 177-83.

68. Hieb AR, D'Arcy S, Kramer MA, White AE, Luger K. Fluorescence strategies for high-throughput quantification of protein interactions// Nucleic Acids Res. 2012. V.40(5), P.e33

69. Horn RA, Chang P-Y, Roy S, et al. Molecular mechanism of MLL PHD3 and RNA recognition by the Cyp33 RRM domain// J. Mol. Biol. 2010. V.400(2), P. 145-54

70. Hu K, Chen F. Identification of significant pathways in gastric cancer based on protein-protein interaction networks and cluster analysis// Genet Mol. Biol. 2012. V.35(3), P.701-8

71. Huang M, Zhu X, Hao Y, Payan DG, Qu K, Li M. Discovering patterns to extract protein-protein interactions from full texts// Bioinformatics. 2004. V.20(18), P.3604-12

72. Huber O. Structure and function of desmosomal proteins and their role in development and disease// Cell Mol. Life Sci. 2003. V.60(9), P. 1872-90

73. Inman GJ. Linking Smads and transcriptional activation// Biochem. J. 2005. V.386(Pt 1), P.el-e3

74. Ito T, Chiba T, Yoshida M. Exploring the protein interactome using comprehensive two-hybrid projects// Trends Biotechnol. 2001. V.19(10 Suppl), P.S23-7

75. Jansen R, Yu H, Greenbaum D, et al. A Bayesian networks approach for predicting protein-protein interactions from genomic data// Science. 2003. V.3 02(5644), P.449-53

76. Jensen LJ, Kuhn M, Stark M, et al. STRING 8~a global view on proteins and their functional interactions in 630 organisms// Nucleic Acids Res. 2009. V.37(Database issue), P.D412-6

77. Jones P, Côté RG, Cho SY, et al. PRIDE: new developments and new datasets//Nucleic Acids Res. 2008. V.36(Database issue), P.D878-83

78. Jones P, Côté RG, Martens L, et al. PRIDE: a public repository of protein and peptide identifications for the proteomics community// Nucleic Acids Res. 2006. V.34(Database issue), P.D659-63

79. Kaake RM, Wang X, Huang L. Profiling of protein interaction networks of protein complexes using affinity purification and quantitative mass spectrometry// Mol. Cell. Proteomics. 2010. V.9(8), P.1650-65

80. Kaczor AA, Selent J. Oligomerization of G protein-coupled receptors: biochemical and biophysical methods// Curr. Med. Chem. 2011. V. 18(30), P.4606-34

81. Kamburov A, Stelzl U, Lehrach H, Herwig R. The ConsensusPathDB interaction database: 2013 update// Nucleic Acids Res. 2012. V.41(D1), P.D793-800

82. Kelleher NL. A cell-based approach to the human proteome project// J. Am. Soc. Mass Spectrom. 2012. V.23(10), P.1617-24

83. Kenworthy AK. Imaging protein-protein interactions using fluorescence resonance energy transfer microscopy// Methods. 2001. V.24(3), P.289-96

84. Kerrien S, Aranda B, Breuza L, et al. The IntAct molecular interaction database in 2012//Nucleic Acids Res. 2012. V.40(Database issue), P.D841-6

85. Keshava Prasad TS, Goel R, Kandasamy K, et al. Human Protein Reference Database—2009 update// Nucleic Acids Res. 2009. V.37(Database issue), P.D767-72.

86. Keskin O, Nussinov R, Gursoy A. PRISM: protein-protein interaction prediction by structural matching// Methods Mol. Biol. 2008. V.484, P. 505-21

87. Kim J, Woo AJ, Chu J, et al. A Myc network accounts for similarities between embryonic stem and cancer cell transcription programs// Cell. 2010. V.143(2), P.313-24

88. Kolker E, Higdon R, Haynes W, et al. MOPED: Model Organism Protein Expression Database// Nucleic Acids Res. 2012. V.40(Database issue), P.D 1093-9

89. Lam MHY, Stagljar I. Strategies for membrane interaction proteomics: no mass spectrometry required// Proteomics. 2012. V.12(10), P.1519-26

90. Lander GC, Estrin E, Matyskiela ME, Bashore C, Nogales E, Martin A. Complete subunit architecture of the proteasome regulatory particle// Nature. 2012. V.482(7384), P. 186-91

91. Lavallee-Adam M, Cloutier P, Coulombe B, Blanchette M. Modeling contaminants in AP-MS/MS experiments// J. Proteome Res. 2011. V.10(2), P.886-95

92. Law RHP, Zhang Q, McGowan S, et al. An overview of the serpin superfamily// Genome Biol. 2006. V.7(5), P.216

93. Lee S-A, Chan C, Tsai C-H, et al. Ortholog-based protein-protein interaction prediction and its application to inter-species interactions// BMC Bioinformatics. 2008. V.9.(Suppl 12), P.S11

94. Lehne B, Schlitt T. Protein-protein interaction databases: keeping up with growing interactomes// Hum. Genomics. 2009. V.3(3), P.291-7

95. Lehner B, Fraser AG. A first-draft human protein-interaction map// Genome Biol. 2004. V.5(9), P.R63

96. Lei K-F, Liu B-Y, Zhang X-Q, et al. Development of a survival prediction model for gastric cancer using serine proteases and their inhibitors// Exp. Ther. Med. 2012. V.3(l), P.109-116

97. Licata L, Briganti L, Peluso D, et al. MINT, the molecular interaction database: 2012 update// Nucleic Acids Res. 2012. V.40(Database issue), P.D857-61

98. Lin X, Liu M, Chen X. Assessing reliability of protein-protein interactions by integrative analysis of data in model organisms// BMC Bioinformatics. 2009. V.10.(Suppl 4), P.S5

99. Lo SL, Cai CZ, Chen YZ, Chung MCM. Effect of training datasets on support vector machine prediction of protein-protein interactions// Proteomics. 2005. V.5(4), P.876-84

100. Malovannaya A, Li Y, Bulynko Y, et al. Streamlined analysis schema for high-throughput identification of endogenous protein complexes// Proc. Natl. Acad. Sci. U. S. A. 2010. V.107(6), P.2431-6

101. Martens L, Hermjakob H, Jones P, et al. PRIDE: the proteomics identifications database//Proteomics. 2005. V.5(13), P.3537-45

102. Mathivanan S, Periaswamy B, Gandhi TKB, et al. An evaluation of human protein-protein interaction data in the public domain// BMC Bioinformatics. 2006. V.7(Suppl 5), P.S19

103. McDowall MD, Scott MS, Barton GJ. PIPs: human protein-protein interaction prediction database// Nucleic Acids Res. 2009. V.37(Database issue), P.D651-6

104. McGrath JA. Hereditary diseases of desmosomes// J. Dermatol. Sci. 1999. V.20(2), P.85-91

105. Nesvizhskii AL Computational and informatics strategies for identification of specific protein interaction partners in affinity purification mass spectrometry experiments// Proteomics. 2012. V.12(10), P.1639-55

106. Oeffmger M. Two steps forward—one step back: advances in affinity purification mass spectrometry of macromolecular complexes// Proteomics. 2012. V. 12(10), P.1591-608

107. Orchard S, Kerrien S, Abbani S, et al. Protein interaction data curation: the International Molecular Exchange (IMEx) consortium//Nat. Methods. 2012. V.9(4), P.345-50

108. Pierce MM, Raman CS, Nail BT. Isothermal titration calorimetry of proteinprotein interactions//Methods. 1999. V.19(2), P.213-21

109. Ponomarenko E, Poverennaya E, Pyatnitskiy M, et al. Comparative ranking of human chromosomes based on post-genomic data//OMICS. 2012. V.16(ll), P. 604-11

110. Pujol A, Mosca R, Farres J, Aloy P. Unveiling the role of network and systems biology in drug discovery// Trends Pharmacol. Sci. 2010. V.31(3), P.l 1523

111. Qi Y, Bar-Joseph Z, Klein-Seetharaman J. Evaluation of different biological data and computational classification methods for use in protein interaction prediction//Proteins. 2006. V.63(3), P.490-500

112. Raghavachari B, Tasneem A, Przytycka TM, Jothi R. DOMINE: a database of protein domain interactions// Nucleic Acids Res. 2008. V.36(Database issue), P.D656-61

113. Ramirez F, Schlicker A, Assenov Y, Lengauer T, Albrecht M. Computational analysis of human protein interaction networks// Proteomics. 2007. V.7(15), P.2541-52.

114. Ramsden JJ, Bachmanova GI, Archakov AI. Immobilization of proteins to lipid bilayers// Biosens. Bioelectron. 1996. V.l 1(5), P.523-8

115. Raposo RAS, Thomas B, Ridlova G, James W. Proteomic-based identification of CD4-interacting proteins in human primary macrophages// Cai Y, ed. PLoS One. 2011. V.6(4), P.el8690

116. Ren G, Liu Z. NetCAD: a network analysis tool for coronary artery disease associated PPI network// Bioinformatics. 2012. V.29(2), P.279-80

117. Resende C, Thiel A, Machado JC, Ristimâki A. Gastric cancer: basic aspects//Helicobacter. 2011. V.16(Suppl 1), P.38-44

118. Rigaut G, Shevchenko A, Rutz B, Wilm M, Mann M, Séraphin B. A generic protein purification method for protein complex characterization and proteome exploration//Nat. Biotechnol. 1999. V.17(10), P.1030-2

119. Roque ACA, Lowe CR. Affinity chromatography: history, perspectives, limitations and prospects// Methods Mol. Biol. 2008. V.421, P. 1-21

120. Sanz-Pamplona R, Berenguer A, Sole X, et al. Tools for protein-protein interaction network analysis in cancer research// Clin. Transi. Oncol. 2012.V.14(1), P.3-14

121. Sanz-Pamplona R, García-García J, Franco S, et al. A taxonomy of organ-specific breast cancer metastases based on a protein-protein interaction network// Mol. Biosyst. 2012. V.8(8), P.2085-96

122. Sardiu ME, Cai Y, Jin J, et al. Probabilistic assembly of human protein interaction networks from label-free quantitative proteomics// Proc. Natl. Acad. Sci. U. S. A. 2008. V.l05(5), P.1454-9

123. Schaefer MH, Fontaine J-F, Vinayagam A, Porras P, Wanker EE, Andrade-Navarro MA. HIPPIE: Integrating protein interaction networks with experiment based quality scores//PLoS One. 2012. V.7(2), P.e31826

124. Scott MS, Barton GJ. Probabilistic prediction and ranking of human proteinprotein interactions// BMC Bioinformatics. 2007. V.8, P.239

125. Seftor RE, Seftor EA, Sheng S, Pemberton PA, Sager R, Hendrix MJ. maspin suppresses the invasive phenotype of human breast carcinoma// Cancer Res. 1998. V.58(24), P.5681-5

126. Shakib K, Norman JT, Fine LG, Brown LR, Godovac-Zimmermann J. Proteomics profiling of nuclear proteins for kidney fibroblasts suggests hypoxia, meiosis, and cancer may meet in the nucleus// Proteomics. 2005. V.5(l 1), P.2819-38

127. Shen R, Goonesekere NC, Guda C. Mining functional subgraphs from cancer protein-protein interaction networks// BMC Syst. Biol. 2012. V.6(Suppl 3), P.S2

128. Shi Y, Hata A, Lo RS, Massague J, Pavletich NP. A structural basis for mutational inactivation of the tumour suppressor Smad4// Nature. 1997. V.388(6637), P.87-93.

129. Shoemaker B a, Panchenko AR. Deciphering protein-protein interactions. Part I. Experimental techniques and databases// PLoS Comput. Biol. 2007. V.3(3), P.e42

130. Sibani S, LaBaer J. Immunoprofiling using NAPPA protein microarrays// Methods Mol. Biol. 2011. V.723, P.149-61

131. Skarra D V, Goudreault M, Choi H, et al. Label-free quantitative proteomics and SAINT analysis enable interactome mapping for the human Ser/Thr protein phosphatase 5/1 Proteomics. 2011. V.l 1(8), P. 1508-16

132. Sowa ME, Bennett EJ, Gygi SP, Harper JW. Defining the human deubiquitinating enzyme interaction landscape//Cell. 2009. V.l38(2), P.389-403

133. Sprinzak E, Margalit H. Correlated sequence-signatures as markers of protein-protein interaction// J. Mol. Biol. 2001. V.311(4), P.681-92

134. Stapley BJ, Benoit G. Biobibliometrics: information retrieval and visualization from co-occurrences of gene names in Medline abstracts// Pac. Symp. Biocomput. 2000. P.529-40

135. Stein A, Russell RB, Aloy P. 3did: interacting protein domains of known three-dimensional structure// Nucleic Acids Res. 2005. V.33 (Database issue), P.D413-7

136. Stelzl U, Worm U, Lalowski M, et al. A human protein-protein interaction network: a resource for annotating the proteome// Cell. 2005. V. 122(6), P.957-68

137. Stukalov A, Superti-Furga G, Colinge J. Deconvolution of targeted proteinprotein interaction maps// J. Proteome Res. 2012. V.l 1(8), P.4102-9

138. Stumpf MPH, Thorne T, de Silva E, et al. Estimating the size of the human interactome// Proc. Natl. Acad. Sci. U. S. A. 2008. V.105(19), P.6959-64

139. Sugaya N, Ikeda K. Assessing the draggability of protein-protein interactions by a supervised machine-learning method// BMC Bioinformatics. 2009. V.10, P.263

140. Syed S-H, Trinnaman B, Martin S, Major S, Hutchinson J, Magee AL Molecular interactions between desmosomal cadherins/ZBiochem. J. 2002. V.362(Pt 2), P.317-27

141. Szklarczyk D, Franceschini A, Kuhn M, et al. The STRING database in 2011: functional interaction networks of proteins, globally integrated and scored// Nucleic Acids Res. 2011. V.39(Database issue), P.D561-8

142. Taylor IW, Linding R, Warde-Farley D, et al. Dynamic modularity in protein interaction networks predicts breast cancer outcome// Nat. Biotechnol.2009. V. 27(2), P. 199-204

143. Taylor IW, Wrana JL. Protein interaction networks in medicine and disease// Proteomics. 2012. V.12(10), P.1706-16

144. The big ome// Nature. 2008. V.452(7190), P.913-4

145. The UniProt Consortium. Update on activities at the Universal Protein Resource (UniProt) in 2013// Nucleic Acids Res. 2013. V.41 (Database issue), P.D43-7

146. Thiel AT, Huang J, Lei M, Hua X. Menin as a hub controlling mixed lineage leukemia//Bioessays. 2012. V.34(9), P.771-80

147. Torkamani A, Schork NJ. Identification of rare cancer driver mutations by network reconstruction// Genome Res. 2009. V.l9(9), P. 1570-8

148. Ulrichts P, Lemmens I, Lavens D, Beyaert R, Tavernier J. Toll-Like Receptors. O'Neill LAJ, McCoy CE, eds//Methods. 2009. V.517:133-144

149. Varjosalo M, Sacco R, Stukalov A, et al. Interlaboratory reproducibility of large-scale human protein-complex analysis by standardized AP-MS//Nat. Methods. 2013. V.10(4), P.307-14

150. Vecchi M, Confalonieri S, Nuciforo P, et al. Breast cancer metastases are molecularly distinct from their primary tumors// Oncogene. 2008. V.27(15), P.2148-58

151. Velankar S, Kleywegt GJ. The Protein Data Bank in Europe (PDBe), P. bringing structure to biology// Acta Crystallogr. D. Biol. Crystallogr. 2011. V.67(Pt 4), P.324-30

152. Venkatesan K, Ruai J-F, Vazquez A, et al. An empirical framework for binary interactome mapping// Nat. Methods. 2009. V.6(l), P.83-90

153. Venter JC, Adams MD, Myers EW, et al. The sequence of the human genome// Science. 2001. V. 291(5507), P.1304-51

154. Vidal M, Cusick ME, Barabâsi A-L. Interactome networks and human disease// Cell. 2011. V.144(6), P.986-98

155. Wang B, Chen P, Zhang J, Zhao G, Zhang X. Inferring protein-protein interactions using a hybrid genetic algorithm/support vector machine method// Protein Pept. Lett. 2010. V.17(9), P.1079-84

156. Wang D, Bodovitz S. Single cell analysis: the new frontier in "omics"// Trends Biotechnol. 2010. V.28(6), P.281-90

157. Wang J, Huo K, Ma L, et al. Toward an understanding of the protein interaction network of the human liver//Mol. Syst. Biol. 2011. V.7, P. 536

158. Wang Y, Guo Q, Casey A, Lin C, Chen F. A new tool for conditional gene manipulation in a subset of keratin-expressing epithelia// Genesis. 2012. V.50(12), P.899-907

159. Wessels HJCT, Vogel RO, van den Heuvel L, et al. LC-MS/MS as an alternative for SDS-PAGE in blue native analysis of protein complexes// Proteomics. 2009. V.9(17), P.4221-8

160. Wilming LG, Gilbert JGR, Howe K, Trevanion S, Hubbard T, Harrow JL. The vertebrate genome annotation (Vega) database// Nucleic Acids Res. 2008. V.36(Database issue), P.D753-60

161. Winter C, Henschel A, Kim WK, Schroeder M. SCOPPI: a structural classification of protein-protein interfaces// Nucleic Acids Res. 2006. V.34(Database issue), P.D310-4

162. Wool IG, Chan Y-L, Glück A. Structure and evolution of mammalian ribosomal proteins//Biochem. Cell Biol. 1995. V.73(ll-12), P.933-947

163. Xenarios I, Fernandez E, Salwinski L, et al. DIP: The Database of Interacting Proteins: 2001 update// Nucleic Acids Res. 2001. V.29(l), P.239-41

164. Xu J, Li Y. Discovering disease-genes by topological features in human protein-protein interaction network/ZBioinformatics. 2006. V.22(22), P.2800-5

165. Xu X, Song Y, Li Y, Chang J, Zhang H, An L. The tandem affinity purification method: an efficient system for protein complex purification and protein interaction identification//Protein Expr. Purif. 2010. V.72(2), P.149-56

166. Zhang C, Rogalski JC, Evans DM, Klockenbusch C, Beavis RC, Kast J// In Silico Protein Interaction Analysis Using the Global Proteome Machine Database research articles. J. Proteome Res. 2011. V. 10:656-668

167. Zhang QC, Petrey D, Garzón JI, Deng L, Honig B. PrePPI: a structure-informed database of protein-protein interactions// Nucleic Acids Res. 2013. V.41 (Database issue), P.D828-33

168. Zhou H, Liu L, Huang J, et al. Structure-Based Design of High-Affinity Macrocyclic Peptidomimetics to Block the Menin-Mixed Lineage Leukemia 1 (MLL1) Protein-Protein Interaction// J. Med. Chem. 2013. V. 56(3), P. 1113-23

169. Zhou M, Lucas DA, Chan KC, et al. An investigation into the human serum "interactome"//Electrophoresis. 2004. V.25(9), P. 1289-98

170. Zwickl P, Voges D, Baumeister W. The proteasome: a macromolecular assembly designed for controlled proteolysis/ZPhilos. Trans. R. Soc. Lond. B. Biol. Sei. 1999. V.354(1389), P.1501-11