THPdb (http://crdd.osdd.net/raghava/thpdb/) is a manually curated repository of Food and Drug Administration (FDA) approved therapeutic peptides and proteins. The information in THPdb has been compiled from 985 research publications, 70 patents and other resources like DrugBank. The current version of the database holds a total of 852 entries, providing comprehensive information on 239 US-FDA approved therapeutic peptides and proteins and their 380 drug variants. The information on each peptide and protein includes their sequences, chemical properties, composition, disease area, mode of activity, physical appearance, category or pharmacological class, pharmacodynamics, route of administration, toxicity, target of activity, etc. In addition, we have annotated the structure of most of the protein and peptides. A number of user-friendly tools have been integrated to facilitate easy browsing and data analysis. To assist scientific community, a web interface and mobile App have also been developed.

CancerPPD(http://crdd.osdd.net/raghava/cancerppd/) is a repository of experimentally verified anticancer peptides (ACPs) and anticancer proteins.Data were manually collected from published research articles, patents and from other databases.The current release of CancerPPD consists of 3491 ACP and 121 anticancer protein entries.Each entry provides comprehensive information related to a peptide like its source of origin, nature of the peptide, anticancer activity, N-and C-terminal modifications, conformation, etc.Additionally, Can-cerPPD provides the information of around 249 types of cancer cell lines and 16 different assays used for testing the ACPs.In addition to natural peptides, CancerPPD contains peptides having non-natural, chemically modified residues and D-amino acids.Besides this primary information, CancerPPD stores predicted tertiary structures as well as peptide sequences in SMILES format.Tertiary structures of peptides were predicted using the state-of-art method, PEPstr and secondary structural states were assigned using DSSP.In order to assist users, a number of web-based tools have been integrated, these include keyword search, data browsing, sequence and structural similarity search.We believe that CancerPPD will be very useful in designing peptide-based anticancer therapeutics.

CPPsite 2.0 (http://crdd.osdd.net/raghava/cppsite/) is an updated version of manually curated database (CPPsite) of cell-penetrating peptides (CPPs). The current version holds around 1850 peptide entries, which is nearly two times than the entries in the previous version. The updated data were curated from research papers and patents published in last three years. It was observed that most of the CPPs discovered/ tested, in last three years, have diverse chemical modifications (e.g. non-natural residues, linkers, lipid moieties, etc.). We have compiled this information on chemical modifications systematically in the updated version of the database. In order to understand the structure-function relationship of these peptides, we predicted tertiary structure of CPPs, possessing both modified and natural residues, using state-of-the-art techniques. CPPsite 2.0 also maintains information about model systems (in vitro/in vivo) used for CPP evaluation and different type of cargoes (e.g. nucleic acid, protein, nanoparticles, etc.) delivered by these peptides. In order to assist a wide range of users, we developed a user-friendly responsive website, with various tools, suitable for smartphone, tablet and desktop users. In conclusion, CPPsite 2.0 provides significant improvements over the previous version in terms of data content.

In the past, numerous methods have been developed to predict MHC class II binders or T-helper epitopes for designing the epitope-based vaccines against pathogens. In contrast, limited attempts have been made to develop methods for predicting T-helper epitopes/peptides that can induce a specific type of cytokine. This paper describes a method, developed for predicting interleukin-10 (IL-10) inducing peptides, a cytokine responsible for suppressing the immune system. All models were trained and tested on experimentally validated 394 IL-10 inducing and 848 non-inducing peptides. It was observed that certain types of residues and motifs are more frequent in IL-10 inducing peptides than in non-inducing peptides. Based on this analysis, we developed composition-based models using various machine-learning techniques. Random Forest-based model achieved the maximum Matthews's Correlation Coefficient (MCC) value of 0.59 with an accuracy of 81.24% developed using dipeptide composition. In order to facilitate the community, we developed a web server "IL-10pred", standalone packages and a mobile app for designing IL-10 inducing peptides (http://crdd.osdd.net/raghava/IL-10pred/).

Numerous therapeutic peptides do not enter the clinical trials just because of their high hemolytic activity. Recently, we developed a database, Hemolytik, for maintaining experimentally validated hemolytic and non-hemolytic peptides. The present study describes a web server and mobile app developed for predicting, and screening of peptides having hemolytic potency. Firstly, we generated a dataset HemoPI-1 that contains 552 hemolytic peptides extracted from Hemolytik database and 552 random non-hemolytic peptides (from Swiss-Prot). The sequence analysis of these peptides revealed that certain residues (e.g., L, K, F, W) and motifs (e.g., "FKK", "LKL", "KKLL", "KWK", "VLK", "CYCR", "CRR", "RFC", "RRR", "LKKL") are more abundant in hemolytic peptides. Therefore, we developed models for discriminating hemolytic and non-hemolytic peptides using various machine learning techniques and achieved more than 95% accuracy. We also developed models for discriminating peptides having high and low hemolytic potential on different datasets called HemoPI-2 and HemoPI-3. In order to serve the scientific community, we developed a web server, mobile app and JAVA-based standalone software (http://crdd.osdd.net/raghava/hemopi/).

In the past, many methods have been developed for peptide tertiary structure prediction but they are limited to peptides having natural amino acids. This study describes a method PEPstrMOD, which is an updated version of PEPstr, developed specifically for predicting the structure of peptides containing natural and non-natural/modified residues. PEPstrMOD integrates Forcefield_NCAA and Forcefield_PTM force field libraries to handle 147 non-natural residues and 32 types of post-translational modifications respectively by performing molecular dynamics using AMBER. AMBER was also used to handle other modifications like peptide cyclization, use of D-amino acids and capping of terminal residues. In addition, GROMACS was used to implement 210 non-natural side-chains in peptides using SwissSideChain force field library. We evaluated the performance of PEPstrMOD on three datasets generated from Protein Data Bank; i) ModPep dataset contains 501 non-natural peptides, ii) ModPep16, a subset of ModPep, and iii) CyclicPep contains 34 cyclic peptides. We achieved backbone Root Mean Square Deviation between the actual and predicted structure of peptides in the range of 3.81–4.05 Å. In summary, the method PEPstrMOD has been developed that predicts the structure of modified peptide from the sequence/structure given as input. We validated the PEPstrMOD application using a dataset of peptides having non-natural/modified residues. PEPstrMOD offers unique advantages that allow the users to predict the structures of peptides having i) natural residues, ii) non-naturally modified residues, iii) terminal modifications, iv) post-translational modifications, v) D-amino acids, and also allows extended simulation of predicted peptides. This will help the researchers to have prior structural information of modified peptides to further design the peptides for desired therapeutic property. PEPstrMOD is freely available at http://osddlinux.osdd.net/raghava/pepstrmod/ . This article was reviewed by Prof Michael Gromiha, Dr. Bojan Zagrovic and Dr. Zoltan Gaspari.

ABSTRACT In the past, many benchmarking studies have been performed on protein-protein and protein-ligand docking however there is no study on peptide-ligand docking. In this study, we evaluated the performance of seven widely used docking methods (AutoDock, AutoDock Vina, DOCK 6, PLANTS, rDock, GEMDOCK and GOLD) on a dataset of 57 peptide-ligand complexes. Though these methods have been developed for docking ligands to proteins but we evaluate their ability to dock ligands to peptides. First, we compared TOP docking pose of these methods with original complex and achieved average RMSD from 4.74Å for AutoDock to 12.63Å for GEMDOCK. Next we evaluated BEST docking pose of these methods and achieved average RMSD from 3.82Å for AutoDock to 10.83Å for rDock. It has been observed that ranking of docking poses by these methods is not suitable for peptide-ligand docking as performance of their TOP pose is much inferior to their BEST pose. AutoDock clearly shows better performance compared to the other six docking methods based on their TOP docking poses. On the other hand, difference in performance of different docking methods (AutoDock, AutoDock Vina, PLANTS and DOCK 6) was marginal when evaluation was based on their BEST docking pose. Similar trend has been observed when performance is measured in terms of success rate at different cut-off values. In order to facilitate scientific community a web server PLDbench has been developed ( http://webs.iiitd.edu.in/raghava/pldbench/ ).

Read-through chimeric RNAs are being recognized as a means to expand the functional transcriptome and contribute to cancer tumorigenesis when mis-regulated. However, current software tools often fail to predict them. We have developed RTCpredictor, utilizing a fast ripgrep tool to search for all possible exon-exon combinations of parental gene pairs. We also added exonic variants allowing searches containing common SNPs. To our knowledge, it is the first read-through chimeric RNA specific prediction method that also provides breakpoint coordinates. Compared with 10 other popular tools, RTCpredictor achieved high sensitivity on a simulated and three real datasets. In addition, RTCpredictor has less memory requirements and faster execution time, making it ideal for applying on large datasets.

ABSTRACT Gene fusions and their chimeric products are typically considered hallmarks of cancer. However, recent studies have found chimeric transcripts in non-cancer tissues and cell lines. In addition, efforts to annotate structural variation at large scale have found examples of gene fusions with potential to produce chimeric transcripts in normal tissues. In this report, we provide a means for targeting population-specific chimeric RNAs to enrich for those generated by gene fusion events. We identify 57 such chimeric RNAs from the GTEx cohort, including SUZ12P1-CRLF3 and TFG-ADGRG7 , whose distribution we assessed across the populations of the 1000 Genomes Project. We reveal that SUZ12P1-CRLF3 results from a common complex structural variant in populations with African heritage, and identify its likely mechanism for formation. Additionally, we utilize a large cohort of clinical samples to characterize the SUZ12P1-CRLF3 chimeric RNA, and find an association between the variant and indications of Neurofibramatosis Type I. We present this gene fusion as a case study for identifying hard-to-find and potentially functional structural variants by selecting for those which produce population-specific fusion transcripts. KEY POINTS - Discovery of 57 polymorphic chimeric RNAs - Characterization of SUZ12P1-CRLF3 polymorphic chimeric RNA and corresponding rearrangement - Novel bottom-up approach to identify structural variants which produce transcribed gene fusions

ABSTRACT Read-through chimeric RNAs are gaining attention in cancer and other research fields, yet current tools often fail in predicting them. We have thus developed the first read-through chimeric RNA specific prediction method, RTCpredictor, utilizing a fast ripgrep algorithm to search for all possible exon-exon combinations of parental gene pairs. Compared with other ten popular tools, RTCpredictor achieved top performance on both simulated and real datasets. We randomly selected up to 30 candidate read-through chimeras predicted from each software method and experimentally validated a total of 109 read-throughs and on this set, RTCpredictor outperformed all the other methods. In addition, RTCpredictor ( https://github.com/sandybioteck/RTCpredictor ) has less memory requirements and faster execution time.