Исследование структур мембраноассоциированных белков и белковых комплексов методами молекулярного моделирования тема диссертации и автореферата по ВАК РФ 03.01.03, кандидат биологических наук Бакулина, Анастасия Юрьевна

• Бакулина, Анастасия Юрьевна
• кандидат биологических наук
• 2010

Оглавление диссертации кандидат биологических наук Бакулина, Анастасия Юрьевна

СПИСОК СОКРАЩЕНИИ.

ВВЕДЕНИЕ.

Глава 1.ОБЗОР ЛИТЕРАТУРЫ.

1.1. Иерархия структурной организаций белков.

1.1.1. Первичная структура.

1.1.2. Вторичная структура.

1.1.3. Супервторичная структура.

1.1.4. Доменная структура.

1.1.5. Третичная структура.

1.1.6. Четвертичная структура.

Ф 1.2. Предсказание белковых структур.

1.2.1. Общие принципы статистических методов предсказания.

1.2.2. Дизайн первичной структуры.

1.2.3. Предсказание вторичной структуры.

1.2.4. Предсказание супер вторичной структуры.

1.2.5. Предсказание доменной структуры.

1.2.6. Предсказание третичной структуры.

1.2.7. Предсказание четвертичной структуры.

1.3. Особенности практического применения методов моделирования третичной структуры белков.

1.3.1. Автоматизация моделирования.

1.3.2. Моделирование мембранных белков. ф 1.3.3. Построение моделей белков и белковых комплексов в сложных случаях.

Глава 2.МЕТОДЫ.

Глава 3.РАЗРАБОТКА ПРОГРАММЫ FILTREST3D.

Глава 4.РЕЗУЛБТАТЫ И ОБСУЖДЕНИЕ.

4.1. Моделирование структуры гемолизина II Bacillus cereus.

4.1.1. Построение модели гептамера Hlyll.

4.1.2. Анализ структуры гептамера Hlyll.

4.1.3. Построение и анализ моделей структур гексамера и октамера Н1у

4.1.4. Построение и анализ модели структуры С-концевого домена Н1у

4.2. Моделирование структуры комплексов металлопротеазы ТАСЕ с субстратами.

4.2.1. Выбор оптимального метода для докинга лигандов к ТАСЕ.

4.2.2. Построение и анализ структуры комплекса ТАСЕ с фрагментом коллагена XVII типа.

4.3. Моделирование структуры OmpF-подобного белка Yersinia pseudotuberculosis.

4.3.1. Построение модели структуры OmpF-подобного белка и выбор перспективных антигенных районов.

4.4. Моделирование структуры белка EtSAGl Eimeria tenella.

4.4.1. Построение модели белка EtSAGl.

4.4.2. Анализ модели белка EtSAGl.

4.5. Моделирование структур белка ARNO человека и предположительно взаимодействующих с ним белков а2 и ARF6.

4.5.1. Построение и анализ моделей структуры белка ARNO.

4.5.2. Построение и анализ модели структуры комплекса ARNO с ARF

4.5.3. Построение и анализ моделей ARNO с экспериментально полученными структурами РВ домена.

4.5.4. Построение и анализ модели белка а2.

4.5.5. Построение модели структуры комплекса ARNO и a2N.

Введение диссертации (часть автореферата) на тему «Исследование структур мембраноассоциированных белков и белковых комплексов методами молекулярного моделирования»

Для решения многих фундаментальных и прикладных задач современной биологии требуется знание пространственной структуры белков и их комплексов с другими белками, нуклеиновыми кислотами и низкомолекулярными лигандами. В частности, такое знание необходимо для разработки новых лекарственных препаратов, современных вакцин, выбора антигенов для диагностических систем и ряда других актуальных задач. Без определения пространственной организации белков и их комплексов невозможно раскрыть молекулярные механизмы различных биологических процессов. Информация о структуре белка помогает интерпретировать результаты молекулярно-биологических экспериментов и планировать дальнейшие исследования.

В настоящее время известно около 10 миллионов нуклеотидных последовательностей, кодирующих белки. В то же время пространственные структуры экспериментально определены только для 60 тысяч белков. Для подавляющего большинства белков неизвестны ни третичная, ни четвертичная структуры. Еще сложнее ситуация с определением пространственной структуры белковых комплексов: в лучшем случае известны структуры всех белков по отдельности, но не их комплекса. В связи с этим сейчас активно развиваются и совершенствуются методы компьютерной биологии, позволяющие построить модель пространственной структуры белка с известной аминокислотной последовательностью, а также методы предсказания структур белковых комплексов.

Теоретически можно построить модель третичной или четвертичной структуры белка ab initio, исходя из физических законов, описывающих белок как термодинамическую систему. Правильная структура соответствует минимуму свободной энергии белка с учетом его окружения. Однако точное вычисление свободной энергии — крайне ресурсоемкая и недостижимая в настоящее время задача, несмотря на несомненный прогресс в развитии компьютерной техники и алгоритмов (Meirovitch et al., 2009). Поэтому на практике для построения пространственных моделей белков и их комплексов обычно используется моделирование по гомологии. При этом в качестве шаблона используют известные из экспериментов структуры аналогичных белков (Shi et al., 2009). Такой подход основан на том факте, что третичная структура белка в среднем более консервативна, чем первичная (Murzin, 2001). Для белок-белкового докинга и оценки качества моделей используются базирующиеся на статистических данных оценочные функции, которые позволяют упрощенно оценить свободную энергию.

При высокой степени сходства аминокислотных последовательностей шаблона и моделируемого белка, такая процедура не представляет сложности и может быть выполнена современными программами в автоматическом режиме. Если же уровень сходства первичных структур сравниваемых белков невелик, построение адекватной пространственной модели белка становится нетривиальной задачей (Dalton, Jackson., 2007). Также в общем случае нелегко построить достоверную модель структуры белкового комплекса (Vajda, Kozakov, 2009).

Как правило, программы предсказания белковых структур позволяют рассчитать множество допустимых вариантов моделей. В простых случаях можно выбрать наилучшую модель с помощью оценочной функции, аппроксимирующей свободную энергию белка, но в более сложных случаях нельзя полагаться на точность такого подхода (Shi et al., 2009). Поэтому для выбора достоверной модели белка приходится либо сопоставлять результаты расчета с помощью различных оценочных функций (консенсусный подход), либо оценивать модели по согласованности с какими-либо известными экспериментальными данными (селекция моделей).

Для многих белков с неизвестной пространственной структурой имеется какая-то информация об их структуре, полученная экспериментальным путем. Например, расстояние между определенными участками белка или доступность каких-то районов для растворителя. Такие данные можно использовать в качестве критериев для селекции моделей белковых структур. Очевидно, что анализ соответствия множества теоретических моделей этим критериям вручную — процедура трудоемкая и крайне неэффективная. Поэтому представляется актуальной разработка удобного инструмента для автоматизации отбора белковых структур по заданным критериям.

Отметим, что в современных базах данных пространственных структур белков и их комплексов наиболее представлены не столько функционально важные белки, сколько те, пространственные структуры которых легче определить экспериментально. В то время как в большинстве геномов не менее трети генов кодирует мембранные белки, пространственная структура подавляющего большинства из них неизвестна. На долю трансмембранных и ассоциированных с мембраной белков приходятся такие важные функции, как мембранный транспорт и передача сигналов. К этому классу белков относится множество антигенов и некоторые токсины патогенных микроорганизмов. Рецепторы и другие белки, ассоциированные с плазматической мембраной, представляют интерес в качестве потенциальных мишеней лекарственных препаратов. Высокая сложность получения кристаллов мембранных белков делает применение методов молекулярного моделирования для этих белков особенно актуальным. Однако большинство таких методов разрабатывалось для глобулярных белков, поэтому для моделирования структур белков, интегрированных в мембрану или ассоциированных с ней, компьютерные подходы следует применять с осторожностью.

Цели исследования

Целью данной работы было построение и анализ моделей третичной и четвертичной структуры мембраноассоциированных белков человека и патогенных микроорганизмов. Задачи исследования

• Разработка программы отбора моделей белковых структур по заданным критериям.

• Построение моделей структур гексамера, гептамера и октамера гемолизина II (Hlyll) Bacillus cereus, анализ структур ионных каналов, образованных олигомерами Hlyll, и предсказание функции С-концевого домена Hlyll.

• Построение и анализ модели • структуры комплекса человеческой металлопротеазы ТАСЕ с субстратом коллагеном XVII типа.

• Построение модели структуры тримера OmpF-подобного белка Yersinia pseudotuberculosis и выбор районов, наиболее доступных для связывания антител.

• Построение модели пространственной структуры гликопротеина SAG1 Eimeria tenella и идентификация района связывания моноклонального антитела 2Н10ЕЗ.

• Построение и анализ моделей пространственных структур аутоингибированной и активной конформации человеческих белков ARNO, ARF6, изоформы а2 субъединицы а V-АТФазы, комплексов ARNO с ARF6, ARNO с а2.

Научная новизна работы

Была разработана программа FILTREST3D, впервые позволяющая в удобном для пользователя виде задавать ограничения для селекции результатов моделирования белковых структур. Программа предназначена для отбора структур, соответствующих известным экспериментальным данным, и таким образом помогает получать достоверные модели белковых структур в сложных случаях моделирования.

Впервые получены модели структур гептамерной мембранной поры белка Hlyll Bacillus cereus и С-концевого домена этого белка. Впервые рассмотрена возможность существования гексамерной и октамерной форм мембранных пор и построены модели их четвертичных структур. Впервые построена модель структуры OmpF-подобного белка Y. pseudotuberculosis. Впервые построены модели, описывающие взаимодействие металлопротеазы человека ТАСЕ с субстратами ФНО (фактором некроза опухолей) и коллагеном XVII типа. Впервые построена модель структуры белка EtSAGl Е. tenella. Впервые построены модели пространственных структур следующих белков человека: ARNO с СС доменом, ARNO с фосфорилированным и нефосфорилированным доменом РВ, ARNO в комплексе с ARF6, N-концевого фрагмента изоформы а2 субъединицы а V-АТФазы.

Теоретическая и практическая значимость работы

Программа FILTREST3D использовалась в практической работе различными исследователями и в данный момент доступна по адресу http://filtrest3d.genesilico.pl/filtrest3d/index.html.

Построенные модели белковых структур имеют как теоретическую ценность, поскольку позволяют понимать молекулярные механизмы биологических процессов, так и практическую. Модель структуры ионного канала Hlyll используется для конструирования его ингибиторов на основе циклодекстринов. С помощью модели структуры OmpF были выбраны районы, на основе которых будут сконструированы иммуногены для защиты против Y. pseudotuberculosis. Модель структуры белка EtSAGl была использована для определения сайта связывания антитела 2Н10ЕЗ, в дальнейшем она может быть использована для характеризации других антител и для выбора антигенов на базе этого белка.

Апробация работы

Результаты работы были представлены на конференциях: lst International Student Symposium in Computational Biology, Madrid,

2005.

ISMB (Intelligent Systems for Molecular Biology) annual meeting, 2005, Michigan, USA.

14th Annual International Conference On Intelligent Systems For Molecular Biology, Fortaleza, Brazil, 2006.

5th International Conference on Bioinformatics of Genome Regulation and Structure, Novosibirsk, 2006.

American Society for Microbiology, 106ül General Meeting, Orlando, 2006.

Конференции молодых ученых и специалистов ФГУН ГНЦ ВБ «Вектор», 2009, Новосибирск.

Публикации

По материалам работы было опубликовано 5 статей в реферируемых научных журналах.

Структура работы

Диссертация изложена на 127 страницах текста и состоит из введения, 4 глав, заключения и списка литературы. Содержит 3 таблицы и 45 иллюстраций.

Заключение диссертации по теме «Молекулярная биология», Бакулина, Анастасия Юрьевна

выводы

1. Разработана программа FILTREST3D отбора результатов моделирования белковых структур по соответствию известным экспериментальным данным, позволяющая выделять наиболее достоверные модели.

2. Построены модели пространственной структуры ионных каналов, образованных белком Hlyll (гемолизин II) В. cereus, которые позволяют объяснить экспериментально обнаруженные отличия характеристик проводимости каналов Hlyll, сформированных на мембране, от характеристик проводимости каналов Hlyll, сформированных в растворе, и каналов, образованных альфа-гемолизином S. aureus. Построенная модель С-концевого домена Hlyll имеет структурное сходство с белком CyaY Е. coli.

3. Построена модель пространственной структуры тримера OmpF-подобного белка Y. Pseudotuberculosis. Выбраны районы, потенциально наиболее доступные для связывания антителами: внеклеточные петли L5 (202-213 а.о.), L7 (285-289 а.о) иЬ8 (321-336 а.о).

4. Построена модель взаимодействия металлопротеазы ТАСЕ и коллагена XVII. Согласно модели, ТАСЕ расщепляет коллаген XVII между остатками Gly539 и Leu540, что согласуется с известным мотивом расщепления субстратов ТАСЕ. Боковой радикал нефосфорилированного остатка Ser542 непосредственно взаимодействует с карманом S3' ТАСЕ.

5. Выявлено сходство пространственных структур белка EtSAGl Е. tenella и семейства белков PR-1 (группа 1 белков, связанных с патогенезом). Охарактеризован район связывания антитела 2Н10ЕЗ.

6. Построены модели пространственных структур аутоингибированной формы белка ARNO, белка ARNO в комплексе с

ARF6 и цитоплазматической части изоформы а2 белка а, входящего в состав V-АТФазы. Согласно моделям, взаимодействие ARNO как с ARF6, так и с а2 сопровождается структурными перестройками и предположительно активацией ARNO.

Благодарности

Автор выражает благодарность Michal J. Gaida и всему коллективу лаборатории Биоинформатики и конструирования белков польского Международного института молекулярной и клеточной биологии за помощь в освоении принципов и методов молекулярного моделирования, а также Шабалину Виктору Александровичу за моральную поддержку при написании диссертации.

Автор выражает признательность биологам-экспериментаторам^, без тесного сотрудничества с которыми было бы невозможно построить осмысленные модели белков:

Елене Синевой, Skaggs School of Pharmacy, Pharmaceutical Science, University of California, San Diego, USA;

Марии Меркуловой, Massachusetts General Hospital, Harvard Medical School, Boston, USA;

Елене Зиминой, University of Toronto, Canada;

Сергею Киприянову, Affitech AS-, Oslo, Norway.

ЗАКЛЮЧЕНИЕ

Несмотря на развитие методов экспериментального определения пространственной структуры белков и белковых комплексов, пока требуемых структур гораздо больше, чем определенных экспериментально, и этот разрыв имеет тенденцию к увеличению. В этой ситуации методы молекулярного моделирования выступают как полноправный исследовательский инструмент молекулярной биологии, позволяющий как объяснять имеющиеся факты, так и выдвигать обоснованные гипотезы для экспериментальной проверки.

В настоящей работе представлены результаты моделирования и анализа структуры для нескольких моделей белков и белковых комплексов, построенных с использованием широкого спектра современных методов молекулярного моделирования, включая разработанную нами программу Р1ЫТ1Е8ТЗВ. Все модели были построены впервые. Для большинства моделей их построение являлось достаточно сложной и нестандартной задачей. Сопоставление результатов различных методов, проверка согласования с экспериментально полученными данными, тесное общение с исследователями, изучающими эти белки, позволило создать модели достаточно высокого уровня достоверности. С помощью построенных моделей были объяснены некоторые интересные экспериментально полученные результаты, выбрано направление для дальнейшей экспериментальной работы.

Построение моделей гексамерной и октамерной форм ионного канала белка Н1у11 позволило объяснить гетерогенность наблюдаемых свойств каналов, сформированных на мембране. Модель ионного канала Н1у11 в данный момент используется для конструирования его ингибиторов на основе циклодекстринов. Также планируется изучение возможной роли С-концевого домена Н1у11 в связывании железа

Модель взаимодействия металлопротеазы ТАСЕ с коллагеном XVII типа позволяет уточнить положение сайта расщепления коллагена XVII типа и роль отдельных аминокислотных остатков в окрестности сайта расщепления, помогает понять молекулярный механизм влияния фосфорилирования коллагена XVII типа на его расщепление ТАСЕ.

С помощью модели тримера OmpF были выбраны районы, на основе которых будут сконструированы иммуногены для защиты против Y. pseudotuberculosis.

Модель белка EtSAGl была использована для определения сайта связывания антитела 2Н10ЕЗ. Возможная принадлежность EtSAGl к классу PR-1-подобных белков открывает новые возможности в его исследовании, в частности, требует проверки его способность мимикрировать цитокины. Модель EtSAGl в дальнейшем может быть использована для характеризации других антител и для выбора антигенов на базе этого белка для диагностики и вакцинации.

Моделирование белков ARNO, а2 и ARF6 позволило предположить влияние взаимодействия ARNO с а2 и ARF6 на активацию ARNO, а также возможную роль фосфорилирования ARNO. Это помогает понять молекулярные механизмы функционирования V-АТФазы в качестве рН-сенсора.

Список литературы диссертационного исследования кандидат биологических наук Бакулина, Анастасия Юрьевна, 2010 год

1. Антонец Д.В., Бакулина А.Ю., Портнягина О.Ю., Сидорова О.В., Новикова О.Д., Максютов А.З. Предсказание антигенно-активных районов OmpF-подобного порина Yersinia pseudotuberculosis // Доклады РАН. 2007. V. 414. № 4. Р. 544-546.

2. Тимченко Н.Ф., Новикова О.Д., Павлова Г.Н., Венедиктов B.C., Соловьева Т.Ф. Протективные свойства порина из внешней мембраны Yersinia pseudotuberculosis // Журн. микробиол. 1990. № 11. Р. 48-50.

3. Финкелыитейн А.В., Птицын О.Б. Физика белка. Курс лекций. М.: Книжный Дом Университет , 2002.

4. Шульц Г.Е., Ширмер Р.Х. Принципы структурной организации белков. М: Мир, 1982.

5. Achouak W., Heulin Т., Pages J.M. Multiple facets of bacterial porins // FEMS Microbiol. Lett. 2001. V. 199. № 1. P. 1-7.

6. Aksimentiev A., Schulten K. Imaging alpha-hemolysin with molecular dynamics: ionic conductance, osmotic permeability, and the electrostatic potential map // Biophys. J. 2005. V. 88. № 6. P. 3745-3761.

7. Allen P.C., Fetterer R.H. Recent advances in biology and immunobiology of Eimeria species and in diagnosis and control of infection with these coccidian parasites of poultry // Clin. Microbiol. Rev. 2002. V. 15. № 1. P. 58-65.

8. Almén M.S., Nordstrom K.J.V., Fredriksson R., Schioth H.B. Mapping the human membrane proteome: a "majority of the human membrane proteins can be classified according to function and evolutionary origin // BMC Biol. 2009. V. 7. P. 50.

9. Altschul S.F., Madden T.L., Schäffer A.A., Zhang J., Zhang Z., Miller W., Lipman D.J. Gapped BLAST and PSI-BLAST: a new generation of protein database search programs // Nucleic Acids Res. 1997. V. 25. № 17. P. 3389-3402.

10. Andreeva A., Howorth D., Chandonia J., Brenner S.E., Hubbard T.J.P., Chothia C., Murzin A.G. Data growth and its impact on the SCOP database: new developments // Nucleic Acids Res. 2008. V. 36. P. D419-25.

11. Andreeva Z.I., Nesterenko V.F., Yurkov I.S., Budarina Z.I., Sineva E.V., Solonin A.S. Purification and cytotoxic properties of Bacillus cereus hemolysin II // Protein Expr. Purif. 2006. V. 47. № 1. P. 186-193.

12. Arnold K., Kiefer F., Kopp J., Battey J.N.D., Podvinec M., Westbrook J.D., Berman H.M., Bordoli L., Schwede T. The Protein Model Portal // J. Struct. Funct. Genomics. 2009. V. 10.№ 1. P. 1-8.

13. Bagos P.G., Liakopoulos T.D., Hamodrakas S.J. Evaluation of methods for predicting the topology of beta-barrel outer membrane proteins and a consensus prediction method // BMC Bioinformatics. 2005. V. 6. P. 7.

14. Bagos P.G., Liakopoulos T.D., Spyrop.oulos I.C., Hamodrakas S.J. PRED-TMBB: a web server for predicting the topology of beta-barrel outer membrane proteins // Nucleic Acids Res. 2004. V. 32. P. W400-4.

15. Baida G.E., Kuzmin N.P. Mechanism of action of hemolysin III from Bacillus cereus // Biochim. Biophys. Acta. 1996. V. 1284. № 2. P. 122-124.

16. Bigelow H.R., Petrey D.S., Liu J., Przybylski D., Rost B. Predicting transmembrane beta-barrels in proteomes // Nucleic Acids Res. 2004. V. 32. № 8. P. 2566-2577.

17. Black R.A. Tumor necrosis factor-alpha converting enzyme // Int. J. Biochem. Cell Biol. 2002. V. 34. № 1. P. 1-5.

18. Blobel C.P. Remarkable roles of proteolysis on and beyond the cell surface // Curr. Opin. Cell Biol. 2000. V. 12. № 5. P. 606-612.

19. Bourne H.R., Sanders D.A., McCormick F. The GTPase superfamily: a conserved switch for diverse cell functions // Nature. 1990. V. 348. № 6297. P. 125-132.

20. Bower M.A., Constant S.L., Mendez S. Necator americanus: the Na-ASP-2 protein secreted by the infective larvae induces neutrophil recruitment in vivo and in vitro // Exp. Parasitol. 2008. V. 118. № 4. P. 569-575.

21. Bowie J.U. Helix-bundle membrane protein fold templates // Protein Sci. 1999. V. 8. № 12. P. 2711-2719.

22. Braha O., Walker B., Cheley S., Kasianowicz J.J., Song L., Gouaux J.E., Bayley H. Designed protein pores as components for biosensors // Chem. Biol. 1997. V. 4. № 7. P. 497-505.

23. Caiazza N., O'Toole G. Alpha-toxin is required for biofilm formation by Staphylococcus aureus // J. Bacteriol. -2003. V. 185. № 10. P. 3214-3217.

24. Casanova J.E. Regulation of Arf activation: the Sec7 family of guanine nucleotide exchange factors // Traffic. 2007. V. 8. № 11. P. 1476-1485.

25. Chiang Y., Gelfand T.I., Kister A.E., Gelfand I.M. New classification of supersecondary structures of sandwich-like proteins uncovers strict patterns of strand assemblage // Proteins. 2007. V. 68. № 4. P. 915-921.

26. Christ D., Winter G. Identification of protein domains by shotgun proteolysis // J. Mol. Biol. 2006. V. 358. № 2. P. 364-371.

27. Cohen L.A., Honda A., Varnai P., Brown F.D., Balla T., Donaldson J.G. Active Arf6 recruits ARNO/cytohesin GEFs to the PM by binding their PH domains // Mol. Biol. Cell. 2007. V. 18. № 6. P. 2244-2253.

28. Cuthbertson J.M., Doyle D.A., Sansom M.S.P. Transmembrane helix prediction: a comparative evaluation and analysis // Protein Eng. Des. Sei. 2005. V. 18. №6. P. 295-308.

29. D'Souza-Schorey C., Chavrier P. ARF proteins: roles in membrane traffic and beyond //Nat. Rev. Mol. Cell Biol. 2006. V. 7. № 5. P. 347-358.

30. Dalloul RA., Lillehoj H.S. Poultry coccidiosis: recent advancements in control measures and vaccine development // Expert Rev Vaccines. 2006. V. 5. № l.P. 143-163.

31. Dalton J.A.R., Jackson R.M. An evaluation of automated homology modelling methods at low target template sequence similarity // Bioinformatics. 2007. V. 23. № 15. P. 1901 -1908.

32. Denessiouk K.A., Johnson M.S. "Acceptor-donor-acceptor" motifs recognize the Watson-Crick, Hoogsteen and Sugar "donor-acceptor-donor" edges of adenine and adenosine-containing ligands // J. Mol. Biol. 2003. V. 333. № 5. P. 1025-1043.

33. Dominguez C., Boelens R., Bonvin A.M.J J. HADDOCK: a proteinprotein docking approach based on biochemical or biophysical information // J. Am. Chem. Soc. 2003. V. 125. № 7. P. 1731-1737.

34. Donaldson J.G., Klausner R.D. ARF: a key regulatory switch in membrane traffic and organelle structure // Curr. Opin. Cell Biol. 1994. V. 6. № 4. P. 527-532.

35. Drobniewski F.A. Bacillus cereus and related species // Clin. Microbiol. Rev. 1993. V. 6. № 4. P. 324-338.

36. Drory O., Mor A., Frolow F., Nelson N. Expression, crystallization and phasing of vacuolar H(+)-ATPase subunit C (Vma5p) of Saccharomyces cerevisiae // Acta Crystallogr. D Biol. Crystallogr. 2004. V. 60. № Pt 10. P. 1906-1909.

37. Edgar R. MUSCLE: multiple sequence alignment with high accuracy and high throughput // Nucleic Acids Res. 2004. V. 32. № 5. P. 1792-1797.

38. Eisenberg D., Liithy R., Bowie J.U. VERIFY3D: assessment of protein models with three-dimensional profiles // Meth. Enzymol. 1997. V. 277. P. 396-404.

39. Ekins S., Mestres J., Testa B. In silico pharmacology for drug discovery: applications to targets and beyond // Br. J. Pharmacol. 2007. V. 152. № 1. P. 21-37.

40. Fagerlund A., Ween O., Lund T., Hardy S., Granum P. Genetic and functional analysis of the cytK family of genes in Bacillus cereus // Microbiology. 2004. V. 150. № Pt 8. P. 2689-2697.

41. Fan H., Mark A.E. Refinement of homology-based protein structures by molecular dynamics simulation techniques // Protein Sci. 2004. V. 13. № l.P. 211-220.

42. Fernandez-Fuentes N., Oliva B., Fiser A. A supersecondary structure library and search algorithm for modeling loops in protein structures // Nucleic Acids Res. 2006. V. 34. № 7. P. 2085-2097.

43. Fernández-Recio J., Totrov M., Abagyan R. ICM-DISCO docking by global energy optimization with fully flexible side-chains // Proteins. 2003. V. 52. № l.P. 113-117.

44. Fischer D. Hybrid fold recognition: combining sequence derived properties with evolutionary information // Pac Symp Biocomput. 2000. V. .P. 119-130.

45. Fiser A., Sali A. ModLoop: automated modeling of loops in protein structures // Bioinformatics. 2003. V. 19. № 18. P. 2500-2501.

46. Forgac M. Vacuolar ATPases: rotary proton pumps in physiology and pathophysiology // Nat. Rev. Mol. Cell Biol. 2007. V. 8. № 11. P. 917-929.

47. Franzke C., Bruckner P., Bruckner-Tuderman L. Collagenous transmembrane proteins: recent insights into biology and pathology // J. Biol. Chem. 2005. V. 280. № 6. P. 4005-4008.

48. Franzke C., Tasanen K., Borradori L., Huotari V., Bruckner-Tuderman L. Shedding of collagen XVII/BP180: structural motifs influence cleavage from cell surface // J. Biol. Chem. 200.4. V. 279. № 23. P. 24521-24529.

49. Frishman D., Argos P. Knowledge-based protein secondary structure assignment // Proteins. 1995. V. 23. № 4. P. 566-579.

50. Gabant G., Auxilien S., Tuszynska I., Locard M., Gajda M.J., Chaussinand G., Fernandez B., Dedieu A., Grosjean H., Golinelli

51. Pimpaneau B., Bujnicki J.M., Armengaud J. THUMP from archaeal tRNA:m22G10 methyltransferase, a genuine autonomously folding domain //Nucleic Acids Res. 2006. V. 34. № 9. P. 2483-2494.

52. Golovin A., Henrick K. MSDmotif: exploring protein sites and motifs // BMC Bioinformatics. 2008. V. 9. P. 312.

53. Gouaux E. alpha-Hemolysin from Staphylococcus aureus: an archetype of beta-barrel, channel-forming toxins // J. Struct. Biol. 1998. V. 121. № 2. P. 110-122.

54. Gouaux E., Hobaugh M., Song L. alpha-Hemolysin, gamma-hemolysin, and leukocidin from Staphylococcus aureus: distant in sequence but similar in structure // Protein Sci. 1997- V. 6. № 12. P. 2631-2635.

55. Granum P.E. Bacillus cereus //Food Microbiology. Fundamentals and Frontiers. M. Doyle LB&TM (Ed. M. Doyle, L. Beuchat & T. Montville). 2001. P. 373-381.

56. Gray J J., Moughon S., Wang C., Schueler-Furman O., Kuhlman B., Rohl C.A., Baker D. Protein-protein docking with simultaneous optimization of rigid-body displacement and side-chain conformations // J. Mol. Biol. 2003. V. 331. № 1. p. 281-299.

57. Gribenko A.V., Patel M.M., Liu J., McCallum S.A., Wang C., Makhatadze G.I. Rational stabilization of enzymes by computationalredesign of surface charge-charge interactions // Proc. Natl. Acad. Sei. m U.S.A. 2009. V. 106. № 8. P. 2601-2606.

58. Gribskov M., McLachlan A.D., Eisenberg D. Profile analysis: detection of distantly related proteins // Proc. Natl. Acad. Sei. U.S.A. 1987. V. 84. № 13. P. 4355-4358.

59. De novo design of a non-natural fold for an iron-sulfur protein: alpha-helical coiled-coil with a four-iron four-sulfur cluster binding site in its central core //Biochim. Biophys. Acta!'2010. V. 1797. № 3. P. 406-413.

60. Guex N., Peitsch M.C. SWISS-MODEL and the Swiss-PdbViewer: an environment for comparative protein modeling // Electrophoresis. 1997. V. 18. № 15. P. 2714-2723.

61. Harvie D.R., Vilchez S., Steggles J.R., Ellar DJ. Bacillus cereus Fur regulates iron metabolism and is required for full virulence // Microbiology. 2005. V. 151. № Pt 2. P. 569-577.

62. Hu X., Balaz S., Shelver W.H. A practical approach to docking of zinc metalloproteinase inhibitors // J. Mol. Graph. Model. 2004. V. 22. № 4. P. 293-307.

63. Hu X., Shelver W.H. Docking studies of matrix metalloproteinase inhibitors: zinc parameter optimization to improve the binding free energy prediction // J. Mol. Graph. Model. 2003. V. 22. № 2. P. 115-126.

64. Hubbard S.J. The structural aspects of limited proteolysis of native proteins // Biochim. Biophys. Acta. 1998. V. 1382. № 2. P. 191-206.

65. Humphrey W., Dalke A., Schulten K. VMD: visual molecular dynamics // J Mol Graph. 1996. V. 14. № 1. p. 33:8, 27-8.

66. Inoue T., Forgac M. Cysteine-mediated cross-linking indicates that subunit C of the V-ATPase is in close proximity to subunits E and G of the VI domain and subunit a of the V0 domain // J. Biol. Chem. 2005. V. 280. № 30. P. 27896-27903.

67. Commission on Biochemical Nomenclature (CBN). Abbreviations and symbols for nucleic acids, polynucleotides and their constituents. Recommendations 1970 //Biochem. J. 1970. V. 120. № 3. P. 449-454.

68. Jaroszewski L., Rychlewski L., Godzik A. Improving the quality of twilight-zone alignments //Protein Sci. 2000. V. 9. № 8. P. 1487-1496.

69. Jaroszewski L., Rychlewski L., Li Z., Li W., Godzik A. FFAS03: a server for profile—profile sequence alignments // Nucleic Acids Res. 2005. V. 33. № Web Server issue. P. W284-8.

70. Jin Lee Y. Mass spectrometric analysis of cross-linking sites for the structure of proteins and protein complexes //Mol Biosyst. 2008. V. 4. № 8. P. 816-823.

71. Jones D.T. Protein secondary structure prediction based ori position-specific scoring matrices // J. Mol. Biol. 1999. V. 292. № 2. P. 195-202.

72. Juretic D., Zoranic L., Zucic D. Basic charge clusters and predictions of membrane protein topology // J Chem Inf Comput Sci. 2002. V. 42. № 3. P. 620-632.

73. Kabsch W., Sander C. Dictionary of protein secondary structure: pattern recognition of hydrogen-bonded and geometrical features // Biopolymers. 1983. V. 22. № 12. P. 2577-2637.

74. Karplus K., Karchin R., Draper J., Casper J., Man del- Gutfr eund Y., Diekhans M., Hughey R. Combining local-structure, fold-recognition, and new fold methods for protein structure prediction // Proteins. 2003. V. 53 Suppl 6. P. 491-496.

75. Kaufmann K.W., Lemmon G.H., Deluca S.L., Sheehan J.H., Meiler J. Practically useful: what the Rosetta protein modeling suite can do for you//Biochemistry. 2010. V. 49. № 14. P. 2987-2998.

76. Kecman V. Learning and Soft Computing. Support Vector Machines, Neural Networks, and Fuzzy Logic Models. . The MIT Press, 2001.

77. Kelley L.A., MacCallum R.M., Sternberg M.J. Enhanced genome annotation using structural profiles in the program 3D-PSSM // J. Mol. Biol. 2000. V. 299. № 2. P. 499-520.

78. Kennedy C.L., Krejany E.O., Young.L.F., O'Connor J.R., Awad M.M., Boyd R.L., Emmins J.J., Lyras D., Rood J.I. The alpha-toxin of Clostridium septicum is essential for virulence // Mol. Microbiol. 2005. V. 57. № 5. P. 1357-1366.

79. Kester W.R., Matthews B.W. Crystallographic study of the binding of dipeptide inhibitors to thermolysin: implications for the mechanism of catalysis //Biochemistry. 1977. V. 16. № 11. P. 2506-2516.

80. Kiefer J.R., Mao C., Hansen C.J., Basehore S.L., Hogrefe H.H., Braman J.C., Beese L.S. Crystal structure of a thermostable Bacillus DNA polymerase I large fragment at 2.1 A resolution // Structure. 1997. V. 5. № l.P. 95-108.

81. Kirillova S., Kumar S., Carugo O. Protein domain boundary predictions: a structural biology perspective // Open Biochem J. 2009. V. 3. P. 1-8.

82. Krivov G.G., Shapovalov M.V., Dunbrack R.L.J. Improved prediction of protein side-chain conformations with SCWRL4 // Proteins. 2009. V. 77. № 4. P. 778-795.

83. Krogh A., Larsson B., von Heijne G., Sonnhammer E.L. Predicting transmembrane protein topology with a hidden Markov model: application to complete genomes // J. Mol. Biol. 2001. V. 305. № 3. P. 567-580.

84. Kuhlman B., Dantas G., Ireton G.C., Varani G., Stoddard B.L., Baker D. Design of a novel globular protein fold with atomic-level accuracy // Science. 2003. V. 302. № 5649. P. 1364-1368.

85. Kurowski M.A., Bujnicki J.M. GeneSilico protein structure prediction meta-server //Nucleic Acids Res. 2003. V. 31. № 13. P. 3305-3307.

86. Kusharyoto W., Pleiss J., Bachmann T.T., Schmid R.D. Mapping of a hapten-binding site: molecular modeling and site-directed mutagenesis study of an anti-atrazine antibody // Protein Eng. 2002. V. 15. № 3. P. 233-241.

87. Laskowski R.A., MacArthur M.W., Moss D.S., Thornton J.M. PROCHECK: A program to check the stereochemical quality of protein structures // J. Appl. Crystallogr. 1993. V. 26. P. 283-291.

88. Leader D.P., Milner-White E.J. Motivated proteins: a web application for studying small three-dimensional protein motifs // BMC Bioinformatics. 2009. V. 10. P. 60.

89. Levin J.I., Chen J.M., Laakso L.M., Du M., Schmid J., Xu W., Cummons T., Xu J., Jin G., Barone D., Skotnicki J.S. Acetylenic TACE inhibitors. Part 3: Thiomorpholine sulfonamide hydroxamates // Bioorg. Med. Chem. Lett. 2006. V. 16. № 6. P. 1605-1609.

90. Levy E.D., Pereira-Leal J.B., Chothia C., Teichmann S.A. 3D complex: a structural classification of protein complexes // PLoS Comput. Biol. 2006. V. 2. № 11. P. el55.

91. Linderstrom-Lang K.U. Lane Medical Lectures. . Stanford University Press, 1952.

92. Liu S., Zhang C., Liang S., Zhou Y. Fold recognition by concurrent use of solvent accessibility and residue depth // Proteins. 2007. V. 68. № 3. P. 636-645.

93. Lopez-Mendez B., Guntert P. Automated protein structure determination from NMR spectra // J. Am. Chem. Soc. 2006. V. 128. № 40. P. 13112-13122.

94. Lund Т., De Buyser M.L., Granum P.E. A new cytotoxin from Bacillus cereus that may cause necrotic enteritis // Mol. Microbiol. 2000. V. 38. № 2. P. 254-261.

95. Lupas A., Van Dyke M., Stock J. Predicting coiled coils from protein sequences // Science. 1991a. V. 252. № 5010. P. 1162-1164.

96. Marshansky V. The V-ATPase a2-subunit as a putative endosomal pH-sensor //Biochem. Soc. Trans. 2007. V. 35. № Pt 5. P. 1092-1099.

97. Marshansky V., Futai M. The V-type H+-ATPase in vesicular trafficking: targeting, regulation and function // Curr. Opin. Cell Biol. 2008. V. 20. № 4. P. 415-426.

98. Martelli P.L., Fariselli P., Krogh A., Casadio R. A sequence-profile-based HMM for predicting and discriminating beta barrel membrane proteins //Bioinformatics. 2002. V. 18 Suppl 1. P. S46-53.

99. McGuffin L.J., Jones D.T. Improvement of the GenTHREADER method for genomic fold recognition // Bioinformatics. 2003. V. 19. № 7. P. 874-881.

100. Meirovitch H., Cheluvaraja S., White R.P. Methods for calculating the entropy and free energy and their application to problems involving protein flexibility and ligand binding // Curr. Protein Pept. Sci. 2009. V. 10. №3. P. 229-243.

101. Melo F., Sali A. Fold assessment for comparative protein structure modeling // Protein Sci. 2007. V. 16. № 11. P. 2412-2426.

102. Merkulova M., Bakulina A., Thaker Y.R., Griiber G., Marshansky V. Specific motifs of the V-ATPase a2-subunit isoform interact with catalytic and regulatory domains of ARNO // Biochim. Biophys. Acta. 2010. V. 1797. № 8. P. 1398-1409.

103. Miles G., Bayley H., Cheley S. Properties of Bacillus cereus hemolysin II: a heptameric transmembrane pore // Protein Sci. 2002. V. 11. № 7. P. 1813-1824.

104. Morea V., Lesk A.M., Tramontano A. Antibody modeling: implications for engineering and design // Methods. 2000. V. 20. № 3. P. 267-279.

105. Morris G.M., Huey R., Lindstrom W., Sanner M.F., Belew R.K., Goodsell D.S., Olson A.J. AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility // J Comput Chem. 2009. V. 30. №16. P. 2785-2791.

106. Morris G.M., Huey R., Olson A.J. Using AutoDock for ligand-receptor docking // Curr Protoc Bioinformatics. 2008. V. Chapter 8. P. Unit 8.14.

107. Moult J. A decade of CASP: progress, bottlenecks and prognosis in protein structure prediction // Curr. Opin. Struct. Biol. 2005. V. 15. № 3. P. 285-289.

108. Muench S.P., Huss M., Song C.F., Phillips C., Wieczorek H., Trinick J., Harrison M.A. Cryo-electron microscopy of the vacuolar ATPase motor reveals its mechanical and regulatory -complexity // J. Mol. Biol. 2009. V. 386. № 4. P. 989-999.

109. Murzin A.G. Progress in protein structure prediction // Nat. Struct. Biol. 2001. V. 8. №2. P. 110-112.

110. Murzin A.G., Lesk A.M., Chothia C. Principles determining the structure of beta-sheet barrels in proteins. I. A theoretical analysis // J. Mol. Biol. 1994a. V. 236. № 5. P. 1369-1381.

111. Murzin A.G., Lesk A.M., Chothia C. Principles determining the structure of beta-sheet barrels in proteins. II. The observed structures // J. Mol. Biol. 1994b. V. 236. № 5. P. 1382-1400.

112. Nishizawa Y., Uematsu J., Owaribe K. HD4, a 180 kDa bullous pemphigoid antigen, is a major transmembrane glycoprotein of the hemidesmosome // J Biochem. 1993. V. 113. № 4. P. 493-501.

113. Noireaux V., Libchaber A. A vesicle bioreactor as a step toward an artificial cell assembly // Proc. Natl. Acad. Sci. U.S.A. 2004. V. 101. № 51. P. 17669-17674.

114. Norgett E.E., Borthwick K.J., Al-Lamki R.S., Su Y., Smith A.N., Karet F.E. VI and V0 domains of the human H+-ATPase are linked by an interaction between the G and a subunits // J. Biol. Chem. 2007. V. 282. № 19. P. 14421-14427.

115. Persson B., Argos P. Prediction of membrane protein topology utilizing multiple sequence alignments // J. Protein Chem. 1997. V. 16. № 5. P. 453-457.

116. Pettersen E.F., Goddard T.D., Huang C.C., Couch G.S., Greenblatt D.M., Meng E.C., Ferrin T.E. UCSF Chimera--a visualization system for exploratory research and analysis // J Comput Chem. 2004. V. 25. № 13. P. 1605-1612.

117. Phale P.S., Philippsen A., Widmer C., Phale V.P., Rosenbusch J.P., Schirmer T. Role of charged residues at the OmpF porin channel constriction probed by mutagenesis and simulation // Biochemistry. 2001. V. 40. №21. P. 6319-6325.

118. Pierce B., Tong W., Weng Z. M-ZDOCK: a grid-based approach for Cn symmetric multimer docking // Bioinformatics. 2005. V. 21. № 8. P. 1472-1478.

119. Poleksic A., Fienup M. Optimizing the size of the sequence profiles to increase the accuracy of protein sequence alignments generated by profile-profile algorithms // Bioinformatics. 2008. V. 24. № 9. P. 1145-1153.

120. Promdonkoy B., Ellar DJ. Investigation of the pore-forming mechanism of a cytolytic delta-endotoxin from Bacillus thuringiensis // Biochem. J. 2003. V. 374. № Pt 1. P. 255-259.

121. Punta M., Forrest L.R., Bigelow H., Kernytsky A., Liu J., Rost B. Membrane protein prediction methods // Methods. 2007. V. 41. № 4. P. 460-474.

122. Purta E., Kaminska K.H., Kasprzak J.M., Bujnicki J.M., Douthwaite S. YbeA is the m3Psi methyltransferase RlmH that targets nucleotide 1915 in 23S rRNA // RNA. 2008. V. 14. № 10. P. 2234-2244.

123. Qi J., Forgac M. Function and subunit interactions of the N-terminal domain of subunit a (Vphlp) of the yeast V-ATPase // J. Biol. Chem. 2008. V. 283. № 28. P. 19274-19282.'

124. Reddy C.S., Vijayasarathy K., Srinivas E., Sastry G.M., Sastry G.N. Homology modeling of membrane proteins: a critical assessment // Comput Biol Chem. 2006. V. 30. № 2. P. 120-126.

125. Repsys V., Margelevicius M., Venclovas C. Re-searcher: a system for recurrent detection of homologous protein sequences // BMC Bioinformatics. 2008. V. 9. P. 296.

126. Rohl C.A., Strauss C.E.M., Misura K.M.S., Baker D. Protein structure prediction using Rosetta // Meth. Enzymol. 2004. V. 383. P. 66-93.

127. Roy A., Kucukural A., Zhang Y. I-TASSER: a unified platform for automated protein structure and function prediction // Nat Protoc. 2010. V. 5. № 4. P. 725-738.

128. Sali A., Blundell T.L. Comparative protein modelling by satisfaction of spatial restraints // J. Mol. Biol. 1993.-V. 234. № 3. P. 779-815.

129. Santy L.C., Casanova J.E. Activation of ARF6 by ARNO stimulates epithelial cell migration through downstream activation of both Racl and phospholipase D // J. Cell Biol. 2001. V. 154. № 3. P. 599-610.

130. Santy L.C., Frank S.R., Hatfield J.C., Casanova J.E. Regulation of ARNO nucleotide exchange by a PH domain electrostatic switch // Curr. Biol. 1999. V. 9. №20. P. 1173-1176.

131. Schneidman-Duhovny D., Nussinov R., Wolfson H.J. Automatic prediction of protein interactions with large scale motion // Proteins. 2007. V. 69. № 4. P. 764-773.

132. Shen Y., Brenke R., Kozakov D., Comeau S.R., Beglov D., Vajda S. Docking with PIPER and refinement with SDU in rounds 6-11 of CAPRI // Proteins. 2007. V. 69. № 4. P. 734-742.

133. Shi J., Blundell T.L., Mizuguchi K. FUGUE: sequence-structure homology recognition using environment-specific substitution-tables and structure-dependent gap penalties // J. Mol. Biol. 2001. V. 310. № 1. P. 243-257.

134. Shi S., Pei J., Sadreyev R.I., Kinch L.N., Majumdar I., Tong J., Cheng H., Kim B., Grishin N.V. Analysis of CASP8 targets, predictions and assessment methods // Database (Oxford). 2009. V. 2009. P. bap003.

135. Shindyalov I.N., Bourne P.E. Protein structure alignment by incremental combinatorial extension (CE) of the optimal path // Protein Eng. 1998. V. 11. №9. P. 739-747.

136. Bioinformatics. 2005. V. 21. № 7. P. 951-960. 166.Song L., Hobaugh M.R., Shustak C., Cheley S., Bayley H., Gouaux J. Structure of Staphylococcal alpha -Hemolysin, a Heptameric Transmembrane Pore // Science. 1996. V. 274. № 5294. P. 1859-1865.

137. Toyomura T., Oka T., Yamaguchi C., Wada Y., Futai M. Three subunit a isoforms of mouse vacuolar H(+)-ATPase. Preferential expression of the a3 isoform during osteoclast differentiation // J. Biol. Chem. 2000. V. 275. № 12. P. 8760-8765.

138. Tusnady G.E., Simon I. The HMMTOP transmembrane topology prediction server // Bioinformatics. 2001. V. 17. № 9. P. 849-850.

139. Unger R., Moult J. Finding the lowest free energy conformation of a protein is an NP-hard problem: proof and implications // Bull. Math. Biol. 1993. V. 55. №6. P. 1183-1198.

140. Vajda S. Classification of protein complexes based on docking difficulty // Proteins. 2005. V. 60. № 2. P. 176-180.

141. Vajda S., Kozakov D. Convergence and combination of methods in protein-protein docking // Curr. Opin. Struct. Biol. 2009. V. 19. № 2. P. 164-170.

142. Van Der Spoel D., Lindahl E., Hess B., Groenhof G., Mark A.E., Berendsen H.J.C. GROMACS: fast, flexible, and free // J Comput Chem. 2005. V. 26. № 16. P. 1701-1718.

143. Wagner C.A., Finberg K.E., Breton S., Marshansky V., Brown D., Geibel J.P. Renal vacuolar H+-ATPase // Physiol. Rev. 2004. V. 84. № 4. P. 1263-1314.

144. Wallner B., Elofsson A. All are not equal: a benchmark of different homology modeling programs // Protein Sci. 2005a. V. 14. № 5. P. 1315-1327.

145. Wallner B., Elofsson A. Pcons5: combining consensus, structural evaluation and fold recognition scores // Bioinformatics. 2005b. V. 21. № 23. P. 4248-4254.

146. Wang Y., Toei M., Forgac M. Analysis of the membrane topology of transmembrane segments in the C-terminal hydrophobic domain of the yeast vacuolar ATPase subunit a (Vphlp) by chemical modification // J. Biol. Chem. 2008. V. 283. № 30. P. 20696-20702.

147. Wetlaufer D.B. Nucleation, rapid folding, and globular intrachain regions in proteins // Proc. Natl. Acad. Sci. U.S.A. 1973. V. 70. № 3. P. 697-701.

148. Wiehe K., Pierce B., Tong W.W., Hwang H., Mintseris J., Weng Z. The performance of ZDOCK and ZRANK in rounds 6-11 of CAPRI // Proteins. 2007. V. 69. № 4. P. 719-725.

149. Williams R.B. A compartmentalised model for the estimation of the cost of coccidiosis to the world's chicken production industry // Int. J. Parasitai. 1999. V. 29. № 8. P. 1209-1229.

150. Wilmot C.M., Thornton J.M. Beta-turns and their distortions: a proposed new nomenclature // Protein Eng. 1990. V. 3. № 6. P. 479-493.

151. Xiang Z. Advances in homology protein structure modeling // Curr. Protein Pept. Sci. 2006. V. 7. № 3. P. 217-227.

152. Xing Y., Bôcking T., Wolf M., Grigorieff N., Kirchhausen T., Harrison S.C. Structure of clathrin coat with bound Hsc70 and auxilin: mechanism of Hsc70-facilitated disassembly // EMBO J. 2010. V. 29. № 3. P. 655-665.

153. Xu Q., Canutescu A.A., Wang G., Shapovalov M., Obradovic Z., Dunbrack R.L J. Statistical analysis of interface similarity in crystals of homologous proteins II J. Mol. Biol. 2008. V. 381. № 2. P. 487-507.

154. Xu T., Vasilyeva E., Forgac M. Subunit interactions in the clathrin-coated vesicle vacuolar (H(+))-ATPase complex // J. Biol. Chem. 1999. V. 274. № 41. P. 28909-28915.

155. Yang J., Peng Z., Chen X. Prediction of protein structural classes for low-homology sequences based on predicted secondary structure // BMC Bioinformatics. 2010. V. 11 Suppl 1. P. S9.

156. Yarnitzky T., Levit A., Niv M.Y. Homology modeling of G-protein-coupled receptors with X-ray structures on the rise // Curr Opin Drug Discov Devel. 2010. V. 13. № 3. P. 317-325.

157. Ye Y., Godzik A. FATCAT: a web server for flexible structure comparison and structure similarity searching // Nucleic Acids Res. 2004. V. 32. № Web Server issue. P. W582-5.

158. Zhang Y. I-TASSER: fully automated protein structure prediction in CASP8 //Proteins. 2009. V. 77 Suppl 9. P. 100-113.

159. Zhang Y., Hubner I.A., Arakaki A.K., Shakhnovich E., Skolnick J. On the origin and highly likely completeness of single-domain protein structures // Proc. Natl. Acad. Sci. U.S.A. 2006. V. 103. № 8. P. 2605-2610.

160. Zhang Z., Zheng Y., Mazon H., Milgrom E., Kitagawa N., Kish-Trier E., Heck A.J.R., Kane P.M., Wilkens S. Structure of the yeast vacuolar ATPase //J. Biol. Chem. 2008. V. 283. № 51. P. 35983-35995.

161. Zhou H., Skolnick J. Ab initio protein structure prediction using chunk-TASSER // Biophys. J. 2007. V. 93. № 5. P. 1510-1518.

162. Zhu J., Fan H., Periole X., Honig B., Mark A.E. Refining homology models by combining replica-exchange molecular dynamics and statistical potentials //Proteins. 2008. V. 72. № 4. P. 1171-1188.