Protein locator : um método para consolidação de resultados na identificação de proteínas

Abstract

Um dos papéis mais importantes da Bioinformática proteômica pode ser descrito como o tratamento do conjunto de dados gerado a partir do sequenciamento de proteínas, construindo de forma eficaz e organizada, informações inteligíveis para os pesquisadores dessa área. Existem diversos bancos de dados de seqüências, como o EMBL, o SwissProt e o UniProt, bem como diferentes programas para realizar buscas por similaridades nestes bancos de dados, como o Mascot, o Fasta, o Blast e AACompIdent. O objetivo deste estudo foi construir um sistema inédito que apresente de maneira probabilística a similaridade entre proteínas que constituem os bancos de dados pré-existentes e os dados experimentais fornecidos pelos pesquisadores. A partir da inserção dos dados, o sistema, chamado Protein Locator, busca as seqüências similares nos programas já existentes, e utiliza o algoritmo QFAST de combinação de pvalores e também o algoritmo PLscore, uma nova versão do QFAST proposto por este estudo, para a combinação de todos os resultados obtidos. Os algoritmos realizam a combinação das probabilidades dos resultados fornecidos pelos programas de identificação e o Protein Locator apresenta ao usuário os valores originais de cada programa e o valor consolidado pela combinação dos resultados, sendo formado pelo identificador da proteína e a probabilidade de erro do match. Para a validação do método de combinação de resultados e do algoritmo PLscore, foram realizadas pesquisas de identificação de 18 conjuntos de dados de experimentos teóricos com proteínas que simularam seu seqüenciamento, análise de composição de aminoácidos e obtenção da lista de massa de peptídeos. Em 9 desses experimentos, foram incluídos desvios laboratoriais e nos outros 9 foram utilizadas as informações completas. Em 14 dos 18 resultados, a combinação dos dados possibilitou o aumento na acurácia do resultado; em 4 casos, não houve mudanças nas conclusões das pesquisas e em nenhum caso houve piora dos resultados. O tempo entre o armazenamento de informações das pesquisas e a espera pelos resultados combinados foi de aproximadamente 30 minutos, bastante inferior ao tempo medido para se realizar um experimento semelhante de forma manual, cerca de 3 horas. ____________________________________________________________________________________ ABSTRACT

The analysis of protein sequencing data is one of the most important roles of proteomic bioinformatics. In addition, bioinformatics organizes data in an optimized way to be used by researches in this area. There are some protein databases, such as EMBL, SwissProt and Uniprot with software to search for sequencing similarities such as Mascot, Fasta, Blast and AACompIdent. The aim of this study was to create a new system to calculate statistical similarity degree between proteins described in databases and experimental data. The system, called Protein Locator, compares experimental data with sequences through the preexisting software and uses both the QFAST p-value combination algorithm and the PLscore algorithm (a new version of QFAST proposed by this study) to combine results. The algorithms combine probability between the results from the sequences search software and Protein Locator shows the original pvalues from each software, the p-value obtained from results combination, and also the protein identifier and the probability of match. To evaluate the results combination method and the PLscore algorithm, we have used 18 data collections from theoretical experiments in which protein sequencing, analysis of amino acids composition and peptides mass were simulated. In 9 of these experiments, we have included the laboratory error and in the other 9 we have used the complete data. In 14 out the 18 results, data combination method increased accuracy; in the other 4, results were equivalent to those found without combination. Combination of results and protein identification required 30 minutes from laboratory data insertion while manual search would usually require approximating 3 hours.