Konverze struktur sacharidů do standardních molekulových formátů

Bc. Pavla Suchánková

Master's thesis

Conversion of saccharide structures to standardized molecular formats

Abstract:

V současné době vysoce výkonné metodiky pro analýzu struktury molekul umožňují získávat velké množství strukturních informací ohledně těchto molekul. Většina uvedených dat je uchovávána v rozsáhlých obecných databázích a je zapsána pomocí běžných molekulových formátů. Část z těchto struktur se však nachází ve specializovaných databázích, spravovaných úzkou skupinou vědeckých pracovníků, a je popsána specifickými datovými formáty. K takovýmto specializovaným databázím patří např. databáze struktur glykanů UnicarbKB, ve které jsou data zapsána ve velmi netypickém formátu GlycoCT. Cílem mé práce je propojit informace z UnicarbKB s daty v obecné databázi PubChem, a takto struktury glykanů a informace o jejich vlastnostech zpřístupnit širší vědecké komunitě. V rámci své práce jsem vytvořila plně automatizované workflow pro konverzi strukturních dat uložených v rámci UnicarbKB ve formátu GlycoCT do standardních molekulových formátů (PDB, SMILES, InChI, InChIKey) a také pro porovnání dat z UnicarbKB s daty z Pub- Chem. Pomocí tohoto workflow se podařilo 54,7% struktur s databáze UnicarbKB (tedy 1977 struktur) převést do standardních molekulových formátů. Zbývající struktury nebylo možno převést z důvodů nejednoznačnosti jejich zápisu v UnicarbKB. Z převedených struktur se pak pro 29% všech záznamů z UnicarbKB (tedy 1047 záznamů) podařilo vyhledat identické struktury v databázi PubChem. U zbylých převedených záznamů se ukázalo, že v PubChem zatím neexistují, což je důvodem pro jejich vytvoření.

Abstract:

Nowadays, high throughput methods of molecular structure analysis produce huge amounts of structural information about molecules. Most of the data are stored in large general-purpose databases and are described via common molecular formats. Part of these structures is however located in specialized databases and is described via specific formats. Among such specialised databases belongs for example UnicarbKB - a database of glycan structures, in which are data stored using an untypical GlycoCT format. A goal of my work is to link together information fromUnicarbKB with data from a general-purpose database PubChem. This way, we will make the GlycoCT data accessible to the wide research community. In my work, I developed a fully automated workflow for conversion of structural data stored in UnicarbKB (in GlycoCT format) into common molecular formats (PDB, SMILES, InChI, InChIKey). Afterwards, the workflow performs a comparison of UnicarbKB data and PubChem data. This workflow was able to convert 54,7% of structures from UnicarbKB database (therefore 1977 structures) into common molecular formats. Remaining structures cannot be converted because ambiguous form of their description. For 29% of the converted UnicarbKB structures (therefore 1047 items), identical structures were found in PubChem. The remaining converted structures were not present in PubChem and therefore, they should be added to PubChem.

Keywords

glykan, GlycoCT, InChI, InChIKey, PDB, PubChem, UnicarbKB

Language used: Czech

Date on which the thesis was submitted / produced: 13. 12. 2017

Thesis defence

• Date of defence: 5. 2. 2018
• Supervisor: doc. RNDr. Radka Svobodová Vařeková, Ph.D.
• Reader: RNDr. Tomáš Raček

Masaryk University

Faculty of Informatics

Master programme / field:
Applied Informatics / Bioinformatics