??上一期剛剛講了一種處理部分模板結(jié)構(gòu)質(zhì)量差的解決方法，不知道各位看官有沒有看過癮。今天我們要將兩個相對比較簡單的方法進行模型質(zhì)量的優(yōu)化提升。
loop環(huán)精煉
loop環(huán)優(yōu)化依賴于評分功能，并且優(yōu)化算法僅適用于loop環(huán)，可以發(fā)現(xiàn)上期處理完以后蛋白273-283附近結(jié)果相對不理想，檢查是否能夠再次進行優(yōu)化。（chimera顯示的二級結(jié)構(gòu)有一些不準確，我們在這里不做探討，實際上273-283是完整的loop環(huán)）
在這里我們使用loopmodel，而不是automodel,具體如下：
<font color="red" >相信這么多天的推文，大家對同源建模已經(jīng)有了一定的基礎(chǔ)，所以后面我們就僅進行例子查看，并講解主要要注意的地方，不再寫一個偽代碼，一個示例代碼</font>
# Loop refinement of an existing model
from modeller import *
from modeller.automodel import *
log.verbose()
env = environ()
# directories for input atom files
env.io.atom_files_directory = './:../atom_files'
# Create a new class based on 'loopmodel' so that we can redefine
# select_loop_atoms (necessary)
class MyLoop(loopmodel):
# This routine picks the residues to be refined by loop modeling
def select_loop_atoms(self):
# 10 residue insertion
return selection(self.residue_range('273', '283'))
m = MyLoop(env,
inimodel='TvLDH-mult.pdb', # initial model of the target
sequence='TvLDH') # code of the target
m.loop.starting_model= 1 # index of the first loop model
m.loop.ending_model = 10 # index of the last loop model
m.loop.md_level = refine.very_fast # loop refinement method; this yields
# models quickly but of low quality;
# use refine.slow for better models
m.make()
File: loop_modeling/loop_refine.py
這個例子我們創(chuàng)建了一個Myloop的子類，用來繼承l(wèi)oopmodel類，并返回要精煉的loop環(huán)范圍，上面的示例為273至283的區(qū)域. refine.very_fast使得建模更快，但是相對質(zhì)量不佳，建議使用注釋后面的refine.slow。最后再進行DOPE打分。
基于配體建模
個人理解基于配體建模最佳的方式是目標蛋白與模板蛋白有相似或者相同的小分子配體，這樣建出來的模型效果相對較好。如果我的理解不對，歡迎指出問題：
首先我們按照同源建模入門到精通（二）的方法對loop環(huán)優(yōu)化后的配體進行模板比對，將帶有配體的1emd比對上去，或者手動比對上去也可以。結(jié)果如下：
_aln.pos 10 20 30 40 50 60
TvLDH MSEAAHVLITGAAGQIGYILSHWIASGELYGDRQVYLHLLDIPPAMNRLTALTMELEDCAFPHLA
TvLDH_model MSEAAHVLITGAAGQIGYILSHWIASGELYGDRQVYLHLLDIPPAMNRLTALTMELEDCAFPHLA
1emd -----------------------------------------------------------------
_consrvd
_aln.pos 70 80 90 100 110 120 130
TvLDH GFVATTDPKAAFKDIDCAFLVASMPLKPGQVRADLISSNSVIFKNTGEYLSKWAKPSVKVLVIGN
TvLDH_model GFVATTDPKAAFKDIDCAFLVASMPLKPGQVRADLISSNSVIFKNTGEYLSKWAKPSVKVLVIGN
1emd ----------------------GVRRKPGMDRSDLFNVN--------------------------
_consrvd *** * ** *
_aln.pos 140 150 160 170 180 190
TvLDH PDNTNCEIAMLHAKNLKPENFSSLSMLDQNRAYYEVASKLGVDVKDVHDIIVWGNHGESMVADLT
TvLDH_model PDNTNCEIAMLHAKNLKPENFSSLSMLDQNRAYYEVASKLGVDVKDVHDIIVWGNHGESMVADLT
1emd -----------------------------------------------------------------
_consrvd
_aln.pos 200 210 220 230 240 250 260
TvLDH QATFTKEGKTQKVVDVLDHDYVFDTFFKKIGHRAWDILEHRGFTSAASPTKAAIQHMKAWLFGTA
TvLDH_model QATFTKEGKTQKVVDVLDHDYVFDTFFKKIGHRAWDILEHRGFTSAASPTKAAIQHMKAWLFGTA
1emd -----------------------------------------------------------------
_consrvd
_aln.pos 270 280 290 300 310 320
TvLDH PGEVLSMGIPVPEGNPYGIKPGVVFSFPCNVDKEGKIHVVEGFKVNDWLREKLDFTEKDLFHEKE
TvLDH_model PGEVLSMGIPVPEGNPYGIKPGVVFSFPCNVDKEGKIHVVEGFKVNDWLREKLDFTEKDLFHEKE
1emd -----------------------------------------------------------------
_consrvd
_aln.pos 330
TvLDH IALNHLAQGG/..
TvLDH_model IALNHLAQGG/--
1emd ----------/..
_consrvd
比對好后我們在目標序列與帶有配體的序列后加"/"，表示序列結(jié)束，然后加"."表示匹配配體，該示例后面加了兩個"."表示匹配兩個配體。
最后進行建模:
from modeller import *
from modeller.automodel import *
class MyModel(automodel):
def special_restraints(self, aln):
rsr = self.restraints
for ids in (('NH1:161:A', 'O1A:336:B'),
('NH2:161:A', 'O1B:336:B'),
('NE2:186:A', 'O2:336:B')):
atoms = [self.atoms[i] for i in ids]
rsr.add(forms.upper_bound(group=physical.upper_distance,
feature=features.distance(*atoms),
mean=3.5, stdev=0.1))
env = environ()
env.io.hetatm = True
a = MyModel(env, alnfile='TvLDH-1emd_bs.ali',
knowns=('TvLDH_model','1emd'), sequence='TvLDH')
a.starting_model = 1
a.ending_model = 5
a.make()
File: ligand/model-multiple-hetero.py
建模腳本需要注意的是``env.io.hetatm = True`表示非標準”殘基"也可以被讀取，這樣才能讀取到配體。
分享到這里其實同源建模用的最普遍的內(nèi)容已經(jīng)講完，接下來準備和大家一起學習迭代建模和建模更深的一些常用函數(shù)。這一系列就將先告一段落，等到時候研究rosetta的時候或者看到關(guān)于建模的一些好文章再繼續(xù)撰寫該類型。
在這里我們使用loopmodel，而不是automodel,具體如下：
<font color="red" >相信這么多天的推文，大家對同源建模已經(jīng)有了一定的基礎(chǔ)，所以后面我們就僅進行例子查看，并講解主要要注意的地方，不再寫一個偽代碼，一個示例代碼</font>
# Loop refinement of an existing model
from modeller import *
from modeller.automodel import *
log.verbose()
env = environ()
# directories for input atom files
env.io.atom_files_directory = './:../atom_files'
# Create a new class based on 'loopmodel' so that we can redefine
# select_loop_atoms (necessary)
class MyLoop(loopmodel):
# This routine picks the residues to be refined by loop modeling
def select_loop_atoms(self):
# 10 residue insertion
return selection(self.residue_range('273', '283'))
m = MyLoop(env,
inimodel='TvLDH-mult.pdb', # initial model of the target
sequence='TvLDH') # code of the target
m.loop.starting_model= 1 # index of the first loop model
m.loop.ending_model = 10 # index of the last loop model
m.loop.md_level = refine.very_fast # loop refinement method; this yields
# models quickly but of low quality;
# use refine.slow for better models
m.make()
File: loop_modeling/loop_refine.py
這個例子我們創(chuàng)建了一個Myloop的子類，用來繼承l(wèi)oopmodel類，并返回要精煉的loop環(huán)范圍，上面的示例為273至283的區(qū)域. refine.very_fast使得建模更快，但是相對質(zhì)量不佳，建議使用注釋后面的refine.slow。最后再進行DOPE打分。
基于配體建模
個人理解基于配體建模最佳的方式是目標蛋白與模板蛋白有相似或者相同的小分子配體，這樣建出來的模型效果相對較好。如果我的理解不對，歡迎指出問題：
首先我們按照同源建模入門到精通（二）的方法對loop環(huán)優(yōu)化后的配體進行模板比對，將帶有配體的1emd比對上去，或者手動比對上去也可以。結(jié)果如下：
_aln.pos 10 20 30 40 50 60
TvLDH MSEAAHVLITGAAGQIGYILSHWIASGELYGDRQVYLHLLDIPPAMNRLTALTMELEDCAFPHLA
TvLDH_model MSEAAHVLITGAAGQIGYILSHWIASGELYGDRQVYLHLLDIPPAMNRLTALTMELEDCAFPHLA
1emd -----------------------------------------------------------------
_consrvd
_aln.pos 70 80 90 100 110 120 130
TvLDH GFVATTDPKAAFKDIDCAFLVASMPLKPGQVRADLISSNSVIFKNTGEYLSKWAKPSVKVLVIGN
TvLDH_model GFVATTDPKAAFKDIDCAFLVASMPLKPGQVRADLISSNSVIFKNTGEYLSKWAKPSVKVLVIGN
1emd ----------------------GVRRKPGMDRSDLFNVN--------------------------
_consrvd *** * ** *
_aln.pos 140 150 160 170 180 190
TvLDH PDNTNCEIAMLHAKNLKPENFSSLSMLDQNRAYYEVASKLGVDVKDVHDIIVWGNHGESMVADLT
TvLDH_model PDNTNCEIAMLHAKNLKPENFSSLSMLDQNRAYYEVASKLGVDVKDVHDIIVWGNHGESMVADLT
1emd -----------------------------------------------------------------
_consrvd
_aln.pos 200 210 220 230 240 250 260
TvLDH QATFTKEGKTQKVVDVLDHDYVFDTFFKKIGHRAWDILEHRGFTSAASPTKAAIQHMKAWLFGTA
TvLDH_model QATFTKEGKTQKVVDVLDHDYVFDTFFKKIGHRAWDILEHRGFTSAASPTKAAIQHMKAWLFGTA
1emd -----------------------------------------------------------------
_consrvd
_aln.pos 270 280 290 300 310 320
TvLDH PGEVLSMGIPVPEGNPYGIKPGVVFSFPCNVDKEGKIHVVEGFKVNDWLREKLDFTEKDLFHEKE
TvLDH_model PGEVLSMGIPVPEGNPYGIKPGVVFSFPCNVDKEGKIHVVEGFKVNDWLREKLDFTEKDLFHEKE
1emd -----------------------------------------------------------------
_consrvd
_aln.pos 330
TvLDH IALNHLAQGG/..
TvLDH_model IALNHLAQGG/--
1emd ----------/..
_consrvd
比對好后我們在目標序列與帶有配體的序列后加"/"，表示序列結(jié)束，然后加"."表示匹配配體，該示例后面加了兩個"."表示匹配兩個配體。
最后進行建模:
from modeller import *
from modeller.automodel import *
class MyModel(automodel):
def special_restraints(self, aln):
rsr = self.restraints
for ids in (('NH1:161:A', 'O1A:336:B'),
('NH2:161:A', 'O1B:336:B'),
('NE2:186:A', 'O2:336:B')):
atoms = [self.atoms[i] for i in ids]
rsr.add(forms.upper_bound(group=physical.upper_distance,
feature=features.distance(*atoms),
mean=3.5, stdev=0.1))
env = environ()
env.io.hetatm = True
a = MyModel(env, alnfile='TvLDH-1emd_bs.ali',
knowns=('TvLDH_model','1emd'), sequence='TvLDH')
a.starting_model = 1
a.ending_model = 5
a.make()
File: ligand/model-multiple-hetero.py
建模腳本需要注意的是``env.io.hetatm = True`表示非標準”殘基"也可以被讀取，這樣才能讀取到配體。
分享到這里其實同源建模用的最普遍的內(nèi)容已經(jīng)講完，接下來準備和大家一起學習迭代建模和建模更深的一些常用函數(shù)。這一系列就將先告一段落，等到時候研究rosetta的時候或者看到關(guān)于建模的一些好文章再繼續(xù)撰寫該類型。
往期教程：
#分子模擬#同源建模從入門到精通（一）
#分子模擬#同源建模從入門到精通（二）
#分子模擬#同源建模從入門到精通（三）
