6- Travaux connexes
Des travaux antérieurs ont utilisé avec succès différentes techniques pour explorer l'espace de recherche des conformations d'accueil. Une approche commune non basée sur le regroupement est la simulation d'échantillonnage par raffinement. L'approche par raffinement trouve a quel temps d'exécution les conformations vont probablement être quasi-native et exécute ensuite un vaste échantillonnage autour des conformations prévues. D’importants travaux vont dans cette direction : Yang [16] et Liang [13].
Yang [16] sous-estime un jeu de minimums d'énergie locaux et utilise ce modèle pour conduire plus loin l'échantillonnage. L’algorithme de Yang explore la surface d'énergie libre étendue par les complexes et les prédictions d’accueil trouvées avec une exactitude de 5°A. de la structure en cristal. Liang [13] proposent une méthode pour affiner la précision de la valeur de la confirmation d’accueil protéine-ligand prédite qui repose sur plusieurs fonctions d’évaluation et un algorithme de calcul efficace pour le raffinement de conformation. En utilisant cette méthode, les auteurs ont pu améliorer la précision des conformations prédites de 0,5 ° A comparé à d'autres méthodes. Les méthodes publiées dans [16] et [13] améliore la précision des méthodes d'accueil et augmente la probabilité de sélection de conformations quasi-native, mais elles ne fournissent pas de sélection automatique de conformation quasi-native.
Des méthodes de classification ont également été utilisées pour trouver un éventuel ensemble de conformations quasi-native d'accueil réduit. Ce groupe de conformations est analysé manuellement par des experts qui décident quelles conformations sont de bons candidats et celles qui ne le sont pas. A notre connaissance, aucune de ces méthodes de classification sont entièrement automatiques et nécessitent un certain degré d'intervention humaine. Les approches de classement comprennent les travaux de Lorenzen [14], Bouvier [3], et Chang [6].
Lorenzen [14], sélectionne les conformations d’accueil quasi-native reposant sur une démarche de clustering considérant qu'un plus grand cluster est plus susceptible d'avoir des meilleurs candidats de conformations. Comme dans notre travail, la sélection basée sur la taille du cluster surpasse le classement basé sur la valeur de l'énergie. Le clustering est entraînée par des seuils définis manuellement et peut trouver des conformations d'accueil avec une précision d'environ 5 ° A. Bouvier [3] utilise une carte de Kohonen auto-organisation (SOM) qui est formée dans une phase préliminaire utilisant des descripteurs de contact médicament-protéine. Comme dans le présent document, les travaux de Bouvier décrivent la possibilité de surmonter les problèmes inhérents aux fonctions d’évaluation en utilisant une analyse statistique de différentes propriétés des conformations amarrées. Chang [6] a effectué une analyse typologique simple des simulations d'accueil et utilise la taille des grappes pour estimer l'entropie de vibration des conformations résultant. La fréquence de conformation fournit des informations sur le paysage énergétique de la liaison. Une haute fréquence est une mesure de l'entropie favorable dans le processus de liaison.
Les méthodes basées sur le regroupement présentées ci-dessus utilisent des algorithmes de clustering pour grouper les conformations d'accueil et ne sont pas entièrement automatiques. Lorsqu'elle est fondée sur des seuils, comme dans le cas [14, 6], les méthodes exigent des réglages supplémentaire pour avoir des décisions optimales; des paramètres de réglage différents produisent des résultats différents selon le jeu de complexes.. Lorsqu'elles sont fondées sur des ensembles de données de formation, comme dans le cas de [3], les méthodes exigent une validation plus étendue pour prouver leur robustesse. Cette validation étendue est manquante dans [3]. En revanche, notre cadre ne nécessite pas de réglage des paramètres et peut être appliqué sans modification à une nouvelle série de complexes inédits.