Base de données CATH

La base de données CATH Protein Structure Classification est une ressource en ligne gratuite et accessible au public qui fournit des informations sur les relations évolutives des domaines protéiques . Elle a été créée au milieu des années 1990 par le professeur Christine Orengo et ses collègues, dont Janet Thornton et David Jones , et continue d'être développée par le groupe Orengo de l'University College London . CATH partage de nombreuses caractéristiques générales avec la ressource SCOP , mais il existe également de nombreux domaines dans lesquels la classification détaillée diffère considérablement.

Les structures tridimensionnelles des protéines déterminées expérimentalement sont obtenues à partir de la banque de données sur les protéines et divisées en chaînes polypeptidiques consécutives , le cas échéant. Les domaines protéiques sont identifiés au sein de ces chaînes à l'aide d'un mélange de méthodes automatiques et de sélection manuelle.

Les domaines sont ensuite classés dans la hiérarchie structurelle CATH : au niveau Classe (C), les domaines sont attribués en fonction de leur contenu en structure secondaire , c'est-à-dire tout alpha , tout bêta , un mélange d'alpha et de bêta, ou peu de structure secondaire ; au niveau Architecture (A), les informations sur la disposition de la structure secondaire dans l'espace tridimensionnel sont utilisées pour l'attribution ; au niveau Topologie/pliage (T), les informations sur la manière dont les éléments de la structure secondaire sont connectés et disposés sont utilisées ; les attributions sont faites au niveau de la superfamille homologue (H) s'il existe de bonnes preuves que les domaines sont liés par l'évolution c'est-à-dire qu'ils sont homologues.

Des données de séquence supplémentaires pour les domaines sans structures déterminées expérimentalement sont fournies par la ressource sœur de CATH, Gene3D, qui sont utilisées pour remplir les superfamilles homologues. Les séquences protéiques d'UniProtKB et d'Ensembl sont analysées par rapport aux HMM de CATH pour prédire les limites des séquences de domaine et effectuer des attributions de superfamilles homologues.

L'équipe CATH publie de nouvelles données sous forme d'instantanés quotidiens et de versions officielles environ une fois par an. La dernière version de CATH-Gene3D (v4.3) a été publiée en décembre 2020 et comprend :

• 500 238 entrées de domaine de protéines structurelles
• 151 millions d'entrées de domaines protéiques non structuraux
• 5 481 entrées de superfamilles homologues
• 212 872 entrées de familles fonctionnelles

CATH est un projet de logiciel open source , dont les développeurs développent et maintiennent un certain nombre d'outils open source, qui sont disponibles publiquement sur GitHub .