Com o intuito de armazenar e relacionar toda a informação produzida durante o estudo, o Sistema Gerenciador de Banco de Dados Relacional (RDBMS – “Relational Database Management System”) MySQL foi utilizado. Possibilitando assim um modo eficiente de extrair correlações e resultados.
Além disso, as formatações de arquivos necessárias, a carga dos dados para o banco e a automatização do processo foram realizadas através de programas escritos em linguagem Perl utilizando os módulos de programação DBI e BioPerl. A Figura 17 ilustra o modelo entidade-relacionamento criado para o banco de dados utilizado neste trabalho.
Figura 17: Modelo de entidade relacional. Banco de dados composto de quatro tabelas com os dados das modelagens e alinhamento.
6 DISCUSSÃO
Para utilizar uma das metodologias empregadas na Biologia de Sistemas, isto é, a construção de redes de interação de proteínas baseada em informação estrutural, e com a ausência de estruturas resolvidas experimentalmente para o proteoma das espécies de Leishmania, a predição estrutural, por meio de modelagem comparativa foi utilizada nesse trabalho. Porém há limitações nesse tipo de modelagem, observando que a estrutura predita depende diretamente da similaridade da sequência alvo com a da proteína molde resolvida experimentalmente que por sua vez está intimamente ligada à sua própria qualidade, além de problemas mais complexos como a modelagem de regiões transmembranas (Floudas, 2007; Verli, 2014).
Metodologias que não enfrentam algumas dessa problemáticas como a predição de estrutura proteica por primeiros princípios (ab initio), capaz de construir modelos na ausência de um molde, ainda se apresentam inviáveis quando aplicadas em larga escala, devido seu alto custo computacional, além disso apresentam baixa acurácia quando aplicadas a sequências com mais de 100 resíduos (Moult, Fidelis, Kryshtafovych, Schwede, & Tramontano, 2014).
Baseado nos obstáculos citados, pôde-se compreender a dificuldade em predizer estruturas proteicas de um proteoma completo, e porquê a maior parte das proteínas não tiveram suas estruturas preditas neste trabalho. Além disso, uma diferença na quantidade de modelos construídos por cada programa foi observada; essa discrepância é resultante das diferentes metodologias empregadas por cada um deles. Inicialmente, restringimos o Modeller a usar moldes que apresentassem mais de 50% de identidade. Esse preceito não é
seguido pelos demais programas usados, pois o modo de escolha dos moldes muda de acordo com o programa. O MHOLline, por exemplo, utiliza o programa Blast Automatic Targeting for Structures (BATS), que atribui uma pontuação própria para a escolha do molde (Capriles, et al., 2010; Cavalcanti et al., 2003), encontrando assim moldes que antes não foram usados.
Além da diferença nos métodos de escolha dos moldes, há os métodos de alinhamento para busca por moldes utilizados por cada programa. Como o servidor Phyre2 e o programa Modpipe, que além do alinhamento sequência- sequência, realizam busca de moldes por perfil (Eswar, et al., 2003; Lawrence A. Kelley & Sternberg, 2009). Somado a isso, há as diferenças nos algoritmos empregados por cada um deles, onde o Phyre2 utiliza o algoritmo HHsearch (Söding, 2005), enquanto o Modpipe utiliza o algoritmo do programa IMPALA (Schaffer, et al., 1999). Baseado nisso, é possível visualizar a partir da Tabela 1, a importância da utilização de múltiplas metodologias para predição conformacional de um proteoma completo, seja na busca pela estrutura mais próxima à nativa ou para ampliar a quantidade de estruturas resolvidas.
Outro ponto observado sobre a qualidade das estruturas geradas está relacionado ao refinamento após a modelagem. A comparação entre as estruturas reduzidas preditas pelos programas de busca conformacional e as estruturas após o processo de refinamento full-atomic pode ser observada nos Gráficos 1 e 2, que apresentam uma diferença significante de qualidade entre as estruturas pré e pós refinamento nas duas métricas utilizadas na avaliação. O consenso entre essas diferentes métricas, permite uma confiabilidade maior nos dados gerados, principalmente quando tais modelos serão utilizados em metodologias que necessitam de uma elevada acurácia.
O acoplamento é uma das metodologias que necessita de tal acurácia, e seu resultado está intimamente ligado a qualidade das estruturas utilizadas. Assim, a qualidade dos modelos gerados influencia diretamente na qualidade e possibilidade de construção de complexos a serem preditos, que por sua vez, tem interação direta com a confiabilidade da rede a ser construída. Por tais motivos, somente as proteínas que apresentaram métricas dentro dos padrões exigidos pelos algoritmos usados no decorrer do trabalho foram aplicadas para construção da rede.
Além da qualidade dos modelos preditos, o desempenho das ferramentas utilizadas também tem grande influência sobre as características da rede, principalmente quando aplicados em larga-escala, onde o custo computacional e o tempo de processamento também devem ser levados em consideração. Desta forma, foram testadas durante o trabalho ferramentas de acoplamento de corpo rígido com aplicabilidade em larga-escala, e a ferramenta Megadock apresentou um bom desempenho frente ao conjunto de dados controle utilizados.
Em outros estudos, o Megadock também vem se apresentado como uma excelente ferramenta, e uma das mais promissoras quando o objetivo é a predição de interação para uma grande conjunto de dados, devido a possibilidade de ser aplicado em plataformas de computação paralela, tais como máquinas multi-processadas e utilizando recurso de Unidades de Processamento Gráfico (GPU – Graphic Process Unit) (Matsuzaki, Ohue, Uchikoga, & Akiyama, 2014; Matsuzaki et al., 2013; M. Ohue, et al., 2013).
Apesar do bom desempenho da ferramenta de corpo rígido, da mesma forma que ocorre com a predição das estruturas, a utilização de um consenso entre múltiplos métodos de acoplamento também permite uma confiabilidade
maior à rede de interação a ser gerada, como pode ser observado nos resultados do trabalho. Este mesmo fato foi observado por Ohue e colaboradores (M. Ohue, et al., 2013), quando empregado a um conjunto de proteínas com interação conhecida, onde o consenso entre métodos de acoplamento baseados e não baseados em moldes, mostrou um precisão mais elevada do que a utilização destes de forma separada. Assim, somente as redes construídas a partir do consenso entre as duas metodologias apresentou a característica de livre escala representada pelo cálculo de variabilidade dos dados nas Tabelas 5 e 6.
Em contrapartida, a utilização do consenso reduz a sensibilidade na predição da rede, e desta forma, a uma redução no número de nós e interações observados, como foi apresentado nas Tabelas 5 e 6. Este viés também foi relatado por Ohue e colaboradores, onde a utilização do acoplamento baseado em modelo, reduziu drasticamente o universo do estudo (M. Ohue, et al., 2013). Desta forma, a rede construída a partir do consenso das duas ferramentas representa 3,2% do proteoma total de L. braziliensis e 3,0% do proteoma de L.
infantum, enquanto a rede construída com as informações das duas ferramentas
sem o consenso representa 5,5% para ambos os proteomas.
Este universo, mesmo se tratando da rede não consenso, ainda é bastante reduzido frente aos proteomas completos das Leishmanias, isto ocorre pela escassez de informações estruturais disponíveis, seja para utilização como molde na construção da estrutura proteica, ou como molde utilizado para predição da interação. Apesar disto, a rede aqui proposta poderá ser incorporada a outras redes de Leishmania construídas utilizando diversas outras metodologias, elevando a quantidade de informações e a confiabilidade de ambas as redes, como proposto por Zhang e colaboradores (Q. C. Zhang, et al., 2012).
A redução do número de interações, assim como a do número de nós observada com o consenso das metodologias, pode ainda ter sido ressaltada pela separação dos grupos por localização subcelular, porém a utilização de múltiplas metodologias, mesmo aplicáveis em larga escala, demanda um elevado tempo computacional, e ainda está sujeita a erros. A separação das estruturas preditas de acordo com a localização subcelular reduz a possibilidade de falsos positivos assim como a demanda computacional.
Todos os cuidados tomados nas escolhas de estruturas, metodologias e métricas de interações, tem como resultado uma rede onde os valores de Coeficiente de Agrupamento e Média do Caminho Mais Curto são significantemente diferentes de redes aleatórias, como pode ser visualizado nas Tabelas 7 e 8, sugerindo assim uma confiabilidade nos dados apresentados.
Desta maneira, foi possível extrair proteínas com valores significantes de Grau e MCC, que podem ser avaliadas de maneira mais aprofundada em outros estudos para desenvolvimento de fármacos. Isto porque, a deleção de proteínas com alto valor de Grau, geralmente denominadas de hubs, tem uma probabilidade maior para letalidade do que deleção de proteínas não hubs (Jeong, Mason, Barabasi, & Oltvai, 2001; I. Lee et al., 2008). Este é um fenômeno conhecido como regra da centralidade-letalidade.
A importância das proteínas hubs se dá pela magnitude de alterações estruturais da rede quando há a remoção de tal proteína, aumentando a proporção de pares inacessíveis e a média do caminho mais curto. Assim, biologicamente a remoção de uma proteína hub tem maior chance de causar alterações funcionais na rede (Albert, Jeong, & Barabasi, 2000).
7 CONCLUSÕES
O presente estudo desenvolveu um método diferente do já abordado em outros estudos para a construção de redes de interação proteica de organismos do gênero Leishmania (Rezende, et al., 2012). Aqui, foi proposto a utilização de múltiplas metodologias de predição de conformação espacial para construção de uma rede de interação de proteínas com base em informação estrutural.
Através da utilização de várias formas de alinhamento, busca por moldes, construção de modelo e predição do complexo final, foi possível a construção de uma rede de interação livre de escala para parte do proteoma de L. braziliensis e
L. infantum. E a partir da avaliação das redes de interação, foi possível selecionar
proteínas que apresentaram um elevado grau de importância na estabilidade da rede, dentre estas proteínas selecionadas como hubs, algumas são descritas como hipotéticas, assim, os resultados deste estudo além de disponibilizar informações sobre a estrutura das proteínas, informações sobre as interações entre essas proteínas, localização subcelular e a estrutura dos complexos formados, também disponibiliza novas informações sobre estas proteínas hipotéticas, uma lista de proteínas hubs que podem ser utilizadas em estudos futuros, e uma rede de interação proteína-proteína para parte do proteoma das
Leishmanias investigadas.
E finalmente, acredita-se que a metodologia aqui proposta possa ser útil para construção de novas redes de interação proteína-proteína, assim como as redes de interação preditas durante o estudo, que apresentaram características de redes biologicamente consistentes, possam ser utilizadas para outros estudos dos organismos abordados, e incorporadas a outras redes de interação da mesma espécie para a obtenção de uma rede cada vez mais robusta.
REFERÊNCIAS
Albert, R., Jeong, H., & Barabasi, A. L. (2000). Error and attack tolerance of complex networks. Nature, 406(6794), 378-382.
Altschul, S. F., Gish, W., Miller, W., Myers, E. W., & Lipman, D. J. (1990). BASIC LOCAL ALIGNMENT SEARCH TOOL. Journal of Molecular Biology,
215(3), 403-410.
Alvar, J., Vélez, I. D., Bern, C., Herrero, M., Desjeux, P., Cano, J., et al. (2012). Leishmaniasis worldwide and global estimates of its incidence. PLoS One,
7(5), e35671.
Antunes, C. M., Mayrink, W., Magalhaes, P. A., Costa, C. A., Melo, M. N., Dias, M., et al. (1986). Controlled field trials of a vaccine against New World cutaneous leishmaniasis. Int J Epidemiol, 15(4), 572-580.
Aslett, M., Aurrecoechea, C., Berriman, M., Brestelli, J., Brunk, B. P., Carrington, M., et al. (2010). TriTrypDB: a functional genomic resource for the Trypanosomatidae. Nucleic Acids Research, 38, D457-D462.
Assenov, Y., Ramirez, F., Schelhorn, S. E., Lengauer, T., & Albrecht, M. (2008). Computing topological parameters of biological networks. Bioinformatics,
24(2), 282-284.
Baker, D., & Sali, A. (2001). Protein structure prediction and structural genomics.
Science, 294(5540), 93-96.
Barabasi, A. L., & Oltvai, Z. N. (2004). Network biology: Understanding the cell's functional organization. Nature Reviews Genetics, 5(2), 101-U115.
Berman, H. M., Westbrook, J., Feng, Z., Gilliland, G., Bhat, T. N., Weissig, H., et al. (2000). The Protein Data Bank. Nucleic Acids Research, 28(1), 235-242. Bernstein, F. C., Koetzle, T. F., Williams, G. J. B., Meyer, E. F., Brice, M. D.,
Rodgers, J. R., et al. (1977). PROTEIN DATA BANK - COMPUTER-BASED ARCHIVAL FILE FOR MACROMOLECULAR STRUCTURES. Journal of
Molecular Biology, 112(3), 535-542.
Blohm, P., Frishman, G., Smialowski, P., Goebels, F., Wachinger, B., Ruepp, A., et al. (2014). Negatome 2.0: a database of non-interacting proteins derived by literature mining, manual annotation and protein structure analysis.
Nucleic Acids Res, 42(Database issue), D396-400.
Bradley, P., Misura, K. M., & Baker, D. (2005). Toward high-resolution de novo structure prediction for small proteins. Science, 309(5742), 1868-1871. Camacho, C., Coulouris, G., Avagyan, V., Ma, N., Papadopoulos, J., Bealer, K., et
al. (2009). BLAST+: architecture and applications. BMC Bioinformatics, 10, 421.
Capriles, P. V. S. Z., Guimaraes, A. C. R., Otto, T. D., Miranda, A. B., Dardenne, L. E., & Degrave, W. M. (2010). Structural modelling and comparative analysis of homologous, analogous and specific proteins from Trypanosoma cruzi versus Homo sapiens: putative drug targets for chagas' disease treatment. Bmc Genomics, 11.
Cavalcanti, M. C., Baiao, F., Rossle, S. C., Bisch, P. M., Targino, R., Pires, P. F., et al. (2003). Structural genomic workflows supported by web services. 14th
International Workshop on Database and Expert Systems Applications, Proceedings, 45-49.
Chan, S. Y., & Loscalzo, J. (2012). The emerging paradigm of network medicine in the study of human disease. Circ Res, 111(3), 359-374.
Chen, R., Li, L., & Weng, Z. (2003). ZDOCK: an initial-stage protein-docking algorithm. Proteins, 52(1), 80-87.
Chen, R., & Weng, Z. (2002). Docking unbound proteins using shape complementarity, desolvation, and electrostatics. Proteins, 47(3), 281-294. Costa, C. H. N., Peters, N. C., Maruyama, S. R., de Brito, E. C., & de Miranda
Santos, I. K. F. (2011). Vaccines for the leishmaniases: proposals for a research agenda. PLoS Neglected Tropical Diseases, 5(3), e943.
Croft, S. L., & Engel, J. (2006). Miltefosine--discovery of the antileishmanial activity of phospholipid derivatives. Trans R Soc Trop Med Hyg, 100 Suppl 1, S4-8. da Silva, V. O., Borja-Cabrera, G. P., Correia Pontes, N. N., de Souza, E. P., Luz,
K. G., Palatnik, M., et al. (2000). A phase III trial of efficacy of the FML- vaccine against canine kala-azar in an endemic area of Brazil (São Gonçalo do Amaranto, RN). Vaccine, 19(9-10), 1082-1092.
Dorlo, T. P., Balasegaram, M., Beijnen, J. H., & de Vries, P. J. (2012). Miltefosine: a review of its pharmacology and therapeutic efficacy in the treatment of leishmaniasis. J Antimicrob Chemother, 67(11), 2576-2597.
Edwards, A. M., Kus, B., Jansen, R., Greenbaum, D., Greenblatt, J., & Gerstein, M. (2002). Bridging structural biology and genomics: assessing protein interaction data with known complexes. Trends Genet, 18(10), 529-536. Engh, R. A., & Huber, R. (1991). ACCURATE BOND AND ANGLE PARAMETERS
FOR X-RAY PROTEIN-STRUCTURE REFINEMENT. Acta
Crystallographica Section A, 47, 392-400.
Eswar, N., John, B., Mirkovic, N., Fiser, A., Ilyin, V. A., Pieper, U., et al. (2003). Tools for comparative protein structure modeling and analysis. Nucleic
Acids Research, 31(13), 3375-3380.
Feng, D. F., & Doolittle, R. F. (1987). Progressive sequence alignment as a prerequisite to correct phylogenetic trees. J Mol Evol, 25(4), 351-360.
Florez, A. F., Park, D., Bhak, J., Kim, B. C., Kuchinsky, A., Morris, J. H., et al. (2010). Protein network prediction and topological analysis in Leishmania major as a tool for drug target selection. Bmc Bioinformatics, 11.
Floudas, C. A. (2007). Computational methods in protein structure prediction.
Biotechnology and Bioengineering, 97(2), 207-213.
Gil, V. A., & Guallar, V. (2013). pyRMSD: a Python package for efficient pairwise RMSD matrix calculation and handling. Bioinformatics, 29(18), 2363-2364. Greenblatt, C. L. (1980). The present and future of vaccination for cutaneous
leishmaniasis. Prog Clin Biol Res, 47, 259-285.
Guimarães, K. S., Jothi, R., Zotenko, E., & Przytycka, T. M. (2006). Predicting domain-domain interactions using a parsimony approach. Genome Biol,
7(11), R104.
Haldar, A. K., Sen, P., & Roy, S. (2011). Use of antimony in the treatment of leishmaniasis: current status and future directions. Mol Biol Int, 2011, 571242.
Handman, E. (2001). Leishmaniasis: current status of vaccine development. Clin
Microbiol Rev, 14(2), 229-243.
Harrington, E. D., Jensen, L. J., & Bork, P. (2008). Predicting biological networks from genomic data. Febs Letters, 582(8), 1251-1258.
Herrmann, H. O., Hintze, U., & Gercken, G. (1981). Ether lipid synthesis from enantiomeric medium-chain and long-chain O-alkyl-sn-glycerols in Leishmania donovani promastigotes. Mol Biochem Parasitol, 3(5), 319-325. Herwaldt, B. L. (1999). Leishmaniasis. Lancet, 354(9185), 1191-1199.
Ho, Y., Gruhler, A., Heilbut, A., Bader, G. D., Moore, L., Adams, S. L., et al. (2002). Systematic identification of protein complexes in Saccharomyces cerevisiae by mass spectrometry. Nature, 415(6868), 180-183.
Hopkins, A. L., & Groom, C. R. (2002). The druggable genome. Nat Rev Drug
Discov, 1(9), 727-730.
Horton, P., Park, K. J., Obayashi, T., Fujita, N., Harada, H., Adams-Collier, C. J., et al. (2007). WoLF PSORT: protein localization predictor. Nucleic Acids
Res, 35(Web Server issue), W585-587.
Hwang, H., Vreven, T., Janin, J., & Weng, Z. (2010). Protein?protein docking benchmark version 4.0
Proteins: Structure, Function, and Bioinformatics Volume 78, Issue 15. Proteins:
Structure, Function, and Bioinformatics, 78(15), 3111-3114. Retrieved from
http://onlinelibrary.wiley.com/doi/10.1002/prot.22830/abstract
Jaeger, S., Gaudan, S., Leser, U., & Rebholz-Schuhmann, D. (2008). Integrating protein-protein interactions and text mining for protein function prediction.
BMC Bioinformatics, 9 Suppl 8, S2.
Jansen, R., & Gerstein, M. (2004). Analyzing protein function on a genomic scale: the importance of gold-standard positives and negatives for network prediction. Curr Opin Microbiol, 7(5), 535-545.
Jeong, H., Mason, S. P., Barabasi, A. L., & Oltvai, Z. N. (2001). Lethality and centrality in protein networks. Nature, 411(6833), 41-42.
Katoh, K., Misawa, K., Kuma, K., & Miyata, T. (2002). MAFFT: a novel method for rapid multiple sequence alignment based on fast Fourier transform. Nucleic
Acids Research, 30(14), 3059-3066.
Katoh, K., & Standley, D. M. (2013). MAFFT multiple sequence alignment software version 7: improvements in performance and usability. Mol Biol Evol, 30(4), 772-780.
Kelley, L. A., Mezulis, S., Yates, C. M., Wass, M. N., & Sternberg, M. J. (2015). The Phyre2 web portal for protein modeling, prediction and analysis. Nat
Protoc, 10(6), 845-858.
Kelley, L. A., & Sternberg, M. J. E. (2009). Protein structure prediction on the Web: a case study using the Phyre server. Nature Protocols, 4(3), 363-371.
Kiel, C., Beltrao, P., & Serrano, L. (2008). Analyzing protein interaction networks using structural information. Annu Rev Biochem, 77, 415-441.
Kim, J.-G., Park, D., Kim, B.-C., Cho, S.-W., Kim, Y. T., Park, Y.-J., et al. (2008). Predicting the Interactome of Xanthomonas oryzae pathovar oryzae for target selection and DB service. Bmc Bioinformatics, 9.
Kozakov, D., Clodfelter, K. H., Vajda, S., & Camacho, C. J. (2005). Optimal clustering for detecting near-native conformations in protein docking.
Biophys J, 89(2), 867-875.
Kumar, R., & Engwerda, C. (2014). Vaccines to prevent leishmaniasis. Clin Transl
Immunology, 3(3), e13.
LaCount, D. J., Vignali, M., Chettier, R., Phansalkar, A., Bell, R., Hesselberth, J. R., et al. (2005). A protein interaction network of the malaria parasite Plasmodium falciparum. Nature, 438(7064), 103-107.
Laskowski, R. A., Macarthur, M. W., Moss, D. S., & Thornton, J. M. (1993). PROCHECK - A PROGRAM TO CHECK THE STEREOCHEMICAL QUALITY OF PROTEIN STRUCTURES. Journal of Applied Crystallography, 26, 283-291.
Lee, I., Lehner, B., Crombie, C., Wong, W., Fraser, A. G., & Marcotte, E. M. (2008). A single gene network accurately predicts phenotypic effects of gene perturbation in Caenorhabditis elegans. Nature Genetics, 40(2), 181- 188.
Lee, J. C., & Timasheff, S. N. (1981). The stabilization of proteins by sucrose. J
Biol Chem, 256(14), 7193-7201.
Lensink, M. F., & Wodak, S. J. (2010). Docking and scoring protein interactions: CAPRI 2009. Proteins, 78(15), 3073-3084.
Li, B.-Q., Huang, T., Liu, L., Cai, Y.-D., & Chou, K.-C. (2012). Identification of Colorectal Cancer Related Genes with mRMR and Shortest Path in Protein- Protein Interaction Network. Plos One, 7(4).
Li, S. C., & Ng, Y. K. (2010). Calibur: a tool for clustering large numbers of protein decoys. BMC Bioinformatics, 11, 25.
Lin, C. Y., Chin, C. H., Wu, H. H., Chen, S. H., Ho, C. W., & Ko, M. T. (2008). Hubba: hub objects analyzer - a framework of interactome hubs identification for network biology. Nucleic Acids Research, 36, W438-W443. Lira, R., Sundar, S., Makharia, A., Kenney, R., Gam, A., Saraiva, E., et al. (1999).
Evidence that the high incidence of treatment failures in Indian kala-azar is due to the emergence of antimony-resistant strains of Leishmania donovani. Journal of Infectious Diseases, 180(2), 564-567.
Lo, S. L., Cai, C. Z., Chen, Y. Z., & Chung, M. C. (2005). Effect of training datasets on support vector machine prediction of protein-protein interactions.
Proteomics, 5(4), 876-884.
Martí-Renom, M. A., Stuart, A. C., Fiser, A., Sánchez, R., Melo, F., & Sali, A. (2000). Comparative protein structure modeling of genes and genomes.
Annu Rev Biophys Biomol Struct, 29, 291-325.
Mashiach, E., Nussinov, R., & Wolfson, H. J. (2010). FiberDock: Flexible induced- fit backbone refinement in molecular docking. Proteins, 78(6), 1503-1519. Mashiach, E., Schneidman-Duhovny, D., Peri, A., Shavit, Y., Nussinov, R., &
Wolfson, H. J. (2010). An integrated suite of fast docking algorithms.
Proteins, 78(15), 3197-3204.
Matsuzaki, Y., Ohue, M., Uchikoga, N., & Akiyama, Y. (2014). Protein-protein interaction network prediction by using rigid-body docking tools: application to bacterial chemotaxis. Protein Pept Lett, 21(8), 790-798.
Matsuzaki, Y., Uchikoga, N., Ohue, M., Shimoda, T., Sato, T., Ishida, T., et al. (2013). MEGADOCK 3.0: a high-performance protein-protein interaction prediction software using hybrid parallel computing for petascale supercomputing environments. Source Code Biol Med, 8(1), 18.
Matthews, L. R., Vaglio, P., Reboul, J., Ge, H., Davis, B. P., Garrels, J., et al. (2001). Identification of potential interaction networks using sequence- based searches for conserved protein-protein interactions or "interologs".
Genome Research, 11(12), 2120-2126.
Mintseris, J., Pierce, B., Wiehe, K., Anderson, R., Chen, R., & Weng, Z. (2007). Integrating statistical pair potentials into protein complex prediction.
Proteins, 69(3), 511-520.
Mizutani, S., Pauwels, E., Stoven, V., Goto, S., & Yamanishi, Y. (2012). Relating drug-protein interaction network with drug side effects. Bioinformatics,
28(18), I522-I528.
Morris, A. L., Macarthur, M. W., Hutchinson, E. G., & Thornton, J. M. (1992).
COORDINATES. Proteins-Structure Function and Genetics, 12(4), 345- 364.
Moult, J., Fidelis, K., Kryshtafovych, A., Schwede, T., & Tramontano, A. (2014). Critical assessment of methods of protein structure prediction (CASP) - round x. Proteins-Structure Function and Bioinformatics, 82, 1-6.
Muley, V. Y., & Ranjan, A. (2012). Effect of reference genome selection on the performance of computational methods for genome-wide protein-protein interaction prediction. PLoS One, 7(7), e42057.
Murray, H. W., Berman, J. D., Davies, C. R., & Saravia, N. G. (2005). Advances in leishmaniasis. Lancet, 366, 17.
Nadim, A., Javadian, E., Tahvildar-Bidruni, G., & Ghorbani, M. (1983). Effectiveness of leishmanization in the control of cutaneous leishmaniasis.
Bull Soc Pathol Exot Filiales, 76(4), 377-383.
Ogmen, U., Keskin, O., Aytuna, A. S., Nussinov, R., & Gursoy, A. (2005). PRISM: protein interactions by structural matching. Nucleic Acids Res, 33(Web Server issue), W331-336.
Ohue, M., Matsuzaki, Y., Shimoda, T., Ishida, T., & Akiyama, Y. (2013). Highly precise protein-protein interaction prediction based on consensus between template-based and de novo docking methods. BMC Proc, 7(Suppl 7), S6. Ohue, M., Matsuzaki, Y., Uchikoga, N., Ishida, T., & Akiyama, Y. (2014).
MEGADOCK: an all-to-all protein-protein interaction prediction system using tertiary structure data. Protein and peptide letters, 21(8), 766-778. Ohue, M., Shimoda, T., Suzuki, S., Matsuzaki, Y., Ishida, T., & Akiyama, Y.
(2014). MEGADOCK 4.0: an ultra-high-performance protein-protein docking software for heterogeneous supercomputers. Bioinformatics, 30(22), 3281- 3283.
Paila, Y. D., Saha, B., & Chattopadhyay, A. (2010). Amphotericin B inhibits entry of Leishmania donovani into primary macrophages. Biochem Biophys Res
Commun, 399(3), 429-433.
Palatnik-de-Sousa, C. B., Paraguai-de-Souza, E., Gomes, E. M., & Borojevic, R. (1994). Experimental murine Leishmania donovani infection: immunoprotection by the fucose-mannose ligand (FML). Braz J Med Biol
Res, 27(2), 547-551.
Parra, L. E., Borja-Cabrera, G. P., Santos, F. N., Souza, L. O., Palatnik-de-Sousa, C. B., & Menz, I. (2007). Safety trial using the Leishmune vaccine against