Für das Verständnis von biologischen Funktionen können Proteindockingverfahren angewandt werden. Die Simulation der Interaktion von Proteinen ermöglicht einen Einblick in die Mechanismen dieser Funktionen. Viele Dockingansätze modellieren Proteine als feste Körper. Proteine sind jedoch flexibel. Besonders während des Dockens verändert sich ihre Konformation, um eine höhere Passgenauigkeit zu erzielen. Um die Ergebnisse von Dockingvorhersagen zu verbessern, muss diese Flexibilität modelliert werden.

In dieser Dissertation wird ein Klassifikationsansatz beschrieben, um flexible und starre Seitenketten von Aminosäuren zu unterscheiden. Merkmale werden berechnet, um die Flexibilität zu modellieren. Als Klassifikator wird eine Support Vector Machine eingesetzt. Es lassen sich gute Klassifikationsergebnisse erzielen. Die Klassifikationsergebnisse wurden zudem im Dockingsystem ElMaR evaluiert. Im Vergleich zum Docking ohne Flexibilitätsinformationen werden für fast alle Testfälle Verbesserungen erzielt.

Ein anderes Problem im Bereich Proteindocking ist die Unterscheidung von richtigen und falschen Vorhersagen. In dieser Arbeit soll die Bewertung von Dockinghypothesen des ElMaR-Systems verbessert werden. Der hier vorgestellte Ansatz beruht auf Relevance Feedback. Für verschiedene Testfälle kann das Gewichtungsschema verbessert werden, so dass eine bessere Bewertung möglich ist. Eine Adaptierung der modifizierten Gewichte auf Testfälle derselben Enzymklasse zeigt ebenfalls Verbesserungen in der Bewertung.

Protein docking is important for understanding the biological functions of proteins. Simulating the interaction between proteins can give insights to the mechanisms behind these functions. In many docking systems proteins are modelled as rigid bodies but in nature proteins behave differently. Especially during docking proteins change their conformation to fit together optimally. In order to enhance docking results the flexibility of amino acid side chains has to be incorporated.

Within the scope of this thesis, a classification approach to discriminate flexible and rigid side chains is described. In order to model the flexibility, features are calculated and a support vector machine is trained. A classification of side chains can be done at high accuracy. The gained flexibility information is evaluated using the docking system ElMaR. Using the flexibility information shows improvements for most of the used test cases compared to docking them without using any information about the flexibility of the structures.

Another problem in the field of protein docking is the discrimination of true and false docking predictions. In this work, the improvement of scoring docking hypotheses is addressed. Here, a relevance feedback approach is proposed to enhance the scoring of the ElMaR docking system. For different test cases the weighting scheme could be improved so that true and false docking predictions could be discriminated at higher accuracy. An adaptation of these weights to a larger set of test cases belonging to the same enzyme class shows improvements, too.