dc.contributor.author
Jagla, Bernd
dc.date.accessioned
2018-06-07T21:32:58Z
dc.date.available
1999-09-28T00:00:00.649Z
dc.identifier.uri
https://refubium.fu-berlin.de/handle/fub188/8072
dc.identifier.uri
http://dx.doi.org/10.17169/refubium-12271
dc.description
Titelseiten, Inhaltsverzeichnis
Abkürzungsverzeichnis
KAPITEL 1 Einleitung
> Schnittstellen humaner Signalpeptide
> Konformation der Peptidylprolylbindung
> Peptid Docking
KAPITEL 2 Daten
> Sequenzen der Schnittstellenregion humaner sekretorischer Proteine
> Peptidylprolylsequenzen
> Liganden-Docking
KAPITEL 3 Methoden
> Gütekriterien
> Kodierung der Daten
> Vergleich von Kodierungen
> Informationsanalyse
> Lineare Trennverfahren
> Schwerpunktanalyse (Zentroid-Verfahren)
> Bayes-Prediktor
> Mahalanobis-Distanzanalyse
> Künstliche Neuronale Netze
> Perzeptron
> Mehrlagige Neuronale Netze
> Neuronale Netze mit adaptiver Kodierung
> Lernstrategien
> Identifikation von Schnittstellen in Sequenzen unter Verwendung von
Künstlichen Neuronalen Netzen
> Selbstorganisierende Karten (Kohonenkarten, SOK)
> Peptid Docking
KAPITEL 4 Ergebnisse
> Schnittstellen humaner Signalpeptide
> Informationsanalyse
> Positionsabhängige Häufigkeitsverteilung von Aminosäuren in
Schnittstellenpeptiden
> Schwerpunktanalyse
> Bayes-Prediktor
> Hauptkomponentenanalyse (PCA)
> Mahalanobis-Distanzanalyse
> Künstliche Neuronale Netze
> Lernstrategien
> Vergleich von Kodierungsmethoden
> Kohonen Netze
> Vorhersage der cis/trans- Konformation von Peptidylprolylbindungen
> Informationsanalyse
> Schwerpunktanalyse
> Hauptkomponentenanalyse
> Mahalanobis-Distanzanalyse
> Adaptive Kodierung
> Kohonennetze
> Klassifikation und Information der Oberflächeneigenschaften
> 3D-Umgebung
> Sekundärstruktur am Prolin
> Design von Proteinliganden
> Simulierte Molekulare Evolution
> Peptid-Docking
KAPITEL 5 Diskussion
> Schnittstellen humaner Signalpeptide
> Konformationsvorhersage der Peptidylprolylbindungen
> Ligandendesign
> Simulierte Molekulare Evolution
> Peptid-Docking
KAPITEL 6 Literaturverzeichnis
Zusammenfassung
KAPITEL 8 Anhang I
> Humane Schnittstellendaten
KAPITEL 9 Anhang II
> Physikochemische Eigenschaften von Amiosäuren
KAPITEL 10 Anhang III:
> Gruppierung der PDB Datenbank nach Wechselwirkungsklassen
dc.description.abstract
Verschiede Methoden zur Funktions- und Strukturvorhersage ausgehend von der
Primärstruktur wurden vorgestellt. Ein adaptiv kodierendes Neuronales Netz
(ACN) ist entwickelt worden, mit dem es möglich ist, die charakteristischen
physikochemischen Eigenschaften in Proteinsequenzen zu bestimmen. Hiermit ist
es möglich, 96% der experimentell verifizierten Schnittstellen von humanen
sekretorischen Proteinen vorherzusagen. Bisher waren nur Vorhersagen mit einer
Genauigkeit von bis zu 68% möglich. Außerdem können mit den ACN Mutationen in
den Schnittstellenregionen humaner sekretorischer Proteine korrekt
vorhergesagt werden. Es wurde somit erfolgreich gezeigt, wie aus der
Sequenzinformation auf eine Funktion geschlossen werden kann. Die Vorhersage
der Konformation von Peptidylprolylbindungen ist mit dem vorliegenden
Datensatz nicht zufriedenstellend lösbar. Für eine erfolgversprechende Analyse
müßte die 10- bis 20-fache Menge an Daten vorliegen. Trotzdem konnte gezeigt
werden, daß die MHC-I Proteine eine charakteristische cis-Prolingruppe
besitzen, die eine Unterscheidung von anderen Proteinen erlaubt. Die
Simulierte Molekulare Evolution wurde erfolgreich zum Entwurf zellprotektiver
Peptide angewendet. Ein Algorithmus zum Design inhibitorischer Proteine,
basierend auf der Analyse von Protein-Protein-Wechselwirkungen, wurde
entwickelt und erfolgreich auf zellprotektive Experimente getestet.
de
dc.description.abstract
Serveral methods were presented for the prediction of function and structure
based on the primary structure of proteins. An adaptive coding artificial
neural network (ACN) was developed that characterizes the physico chemical
features in protein sequences. It is now possible to identify 96% of
experimentally verified cleavage sites in human secretory proteins. Hitherto
only 68% of an independent test data were correctly identified. Furthermore
mutations within the cleavage site region of human secretory proteins are
correctly predicted. It is shown how to use ACN to build up a sequence
activity relation. It was not possible to predict the conformation of the
peptidyl prolyl bond using the available data. However there should be 10 - 20
times more non-homologues sequence data to make reliable predictions.
Nevertheless, it was possible to show that MHC-I proteins have a
characteristic cis-proline group that can be used to distinguish those
proteins from others. The simulated molecular evolution was successfully
applied to design cell protective peptides against the Human Rhinovirus. An
algorithm for the design of inhibitory peptides using the structual
information of the receptor protein has been developed. Using this method
other peptides were designed. All peptides were experimentally tested, showing
that theoretical and practical results are in agreement.
en
dc.rights.uri
http://www.fu-berlin.de/sites/refubium/rechtliches/Nutzungsbedingungen
dc.subject
signal peptide cleavage site sequence
dc.subject
peptidyl-prolyl-conformation
dc.subject
peptide design
dc.subject.ddc
500 Naturwissenschaften und Mathematik::540 Chemie::540 Chemie und zugeordnete Wissenschaften
dc.title
Funktionen und Strukturen abgeleitet aus Aminosäuresequenzen mit
bioinformatischen Methoden
dc.contributor.firstReferee
Prof. Dr. Paul Wrede
dc.contributor.furtherReferee
Prof. Dr. Hanspeter Herzel
dc.date.accepted
1999-09-24
dc.date.embargoEnd
2000-08-24
dc.identifier.urn
urn:nbn:de:kobv:188-1999000548
dc.title.translated
Predicting structure and function of amino acid sequences using
bioinformatical methods
en
refubium.affiliation
Biologie, Chemie, Pharmazie
de
refubium.mycore.fudocsId
FUDISS_thesis_000000000214
refubium.mycore.transfer
http://www.diss.fu-berlin.de/1999/54/
refubium.mycore.derivateId
FUDISS_derivate_000000000214
dcterms.accessRights.dnb
free
dcterms.accessRights.openaire
open access