Upload
internet
View
114
Download
2
Embed Size (px)
Citation preview
Introdução
Moléculas de proteínas se dobram formando estruturas tridimensionais específicas
A função de uma proteína está diretamente ligada à sua estrutura 3DComo resultado, há um grande esforço, tanto
experimental como computacional, em determinar as estruturas de uma proteína
Protein Folding
Introdução
A estrutura de uma proteína pode ser determinada experimentalmente por: Cristolografia de raios x NMR (nuclear magnetic resonance) spectroscopy
Esses métodos porém, nem sempre podem ser aplicados: Cristolografia é limitada pela dificuldade de fazer
algumas proteínas formarem cristais NMR só pode ser aplicado em moléculas de
proteínas relativamente pequenas
Introdução
Além disso, apesar de décadas de trabalho, o problema da predição da estrutura 3D de uma proteína, dada sua sequência de aminoácidos, ainda continua não resolvidoMétodos computacionais no entanto podem
fornecer uma boa previsão e são amplamente utilizados
Grupo Amina
Grupo CarboxilaCarbono α
Side Chain
Aminoácidos
Há 20 side chains diferentes especificados pelo código genético, cada um com diferentes átomos e propriedades químicas:(hidrofóbico, polar, positively charged, etc)É devido a essas diferenças nas
propriedades que existem uma enorme variedade de ‘foldings’ de proteínas na natureza
Aminoácidos
Várias forças atuam provocando o folding da proteína. Uma dessas forças é o efeito hidrofóbico, que acaba fazendo com que proteínas solúveis em agua formem um núcleo hidrofóbico
No entanto o backbone dessas proteínas são altamente polares, o que é indesejado nesse ambiente do núcleo hidrofóbico
Aminoácidos
Para neutralizar esse grupos polares, são formados várias ligações de hidrogênio entre os átomos do backbone
Estrutura secundária são essas estruturas formadas devidos a essas ligações de hidrogênioalpha-helix, beta-sheets, etc...
Alpha Helix
Formado através de sequências contínuas de aminoácidos, através de ligações de hidrogênio entre átomos nas posições i e i+4
Tamanho pode variar, de 4 a até centenas de aminoácidos
Beta Strands ...Beta Sheet
Beta Strands interagem com outros Beta Strands através de pontos de hidrogênios, formando um Beta Sheet
Em sheets paralelos, os Strands correm na mesma direção. Em antiparalelos correm em direções contrárias. Há também sheets mistos
Ligacões de Hidrogênio nas grupos amina e carboxila dos aminoácidos formam estruturas secundárias
A sequencia de aminoácidos
Estruturas Super Secundarias são formadas por combinações de estruturas secundarias
Estruturas Terciarias são formadas por Estruturas Secundarias e Super-Secundarias combinadas e definem o dobramento em 3 dimensões da proteína
Estruturas Quaternarias definem o arranjo espacial de mais de uma proteína numa cadeia de proteínas
Chou-Fasman Method [2]
Uma das primeiras abordagens para predição de estruturas secundárias
Taxa de acerto de 50% a 60% dependendo da proteína
Usa uma combinação de regras estatísticas e heurísticas
Conjunto de Sequências de Proteínas com estruturas secundárias já conhecidas (através de cristolografia de raio X)
Idéia: Diferentes aminoácidos ocorrem preferencialmente em diferentes elementos de estruturas secundárias
Calcula a frequência com que cada aminoácido aparece em um tipo particular de estrutura secundária, utilizando o conjunto de sequências com estruturas já conhecidas
Atribui 3 parâmetros para cada aminoácido, baseado nas frequências observadas P(a): Tendência de formar um alpha helix P(b): Tendência de formar um beta sheet P(turn): Tendência de formar um beta turn
Além disso, atribui 4 parâmetrs baseado na frequência em que foram observados na 1ª, 2ª, 3ª ou 4ª posições de um beta turn
...
1. Algoritmo recebe a entrada (sequência de aminoácidos)
2. Varre essa sequência em busca de subsequências (núcleos) com alta concentração de aminoácidos com tendência a formar helix ou sheet
3. Verifica através de heurísticas se essas regiões podem ser classificadas em alpha-helix ou beta-sheets
[2]
[3]
Chau-Fasman Method
Há regras para classificar a subsequência em beta-sheets ou beta-turns também
Predições conflitantes também são resolvidas através de heurísticasExemplo:
Exemplo:
4 de 6 aminoácidos com P(a) > 100
... T S P C E Q A R E Q A Q R T S P C ...
A R E Q T S P C
P(a) 142 98 151 111 83 77 57 70
P(b) 83 93 37 110 119 75 55 119
Total P(a) = 1115
Total P(b) = 756
Maior, logo prediz região como alpha-helix
GOR Method
Similar ao método de Chau-Fasman, porém ao invés de considerar apenas a tendência de um determinado aminoácido formar uma certa estrutura secundária...
Ele também considera a probabilidade condicional desse aminoácido formar essa estrutura dado que seus vizinhos já o fizeram
Idéia: Experimentos mostram que cada aminoácido tem um efeito significante na estrutura de aminoácidos em posições até 8 a frente ou atrás dele
GOR METHOD 25 proteínas com estruturas conhecidas foram
analisadas, e a frequência com que cada aminoácido foi encontrado em um helix, sheet, turn or coil dentro de uma janela de 17 posições foi determinada Criando uma matriz 17 * 20 usada para calcular a estrutura
mais provável para cada aminoácido dentro da janela de 17 posições
A janela percorre a sequência primária, calculando a estrutura mais provável para cada aminoácido, baseado nos aminoácidos vizinhos
Taxa de acerto de aproximadamente 65%
Dependências Locais
As técnicas vistas até agora prediziam estruturas secundárias examinando apenas cada aminoácido individualmente
Abordagens posteriores passaram a considerar interações de alta ordem entre os resíduos das seqüências, melhorando a taxa de acerto.
Dependências Locais
Uma forma de fazer isso é uma extensão do GOR que leva em conta o tipo dos resíduos vizinhos na janela
Outras técnicas incluem métodos de aprendizagem de máquina como:Nearest-NeighborNeural Networks
K-Nearest Neighbors
Ponto preto está sendo classificado
K = 9
Dos 9 vizinhos mais próximos, 6 são da classe azul e 3 da vermelha
O classificador irá então prever a classe do ponto preto como azul
Nearest Neighbors aplicado a predição de estruturas Secundárias Predizer a estrutura secundária de um
resíduo considerando uma janela de resíduos ao redor dele, e encontrando alinhamentos similares nas sequências com estruturas conhecidas
Idéia: Pequenas sequências de aminoácidos muito similares entre si possuem estruturas secundárias similares, mesmo que estejam não homólogas
Redes Neurais
Tenta predizer a estrutura de um resíduo considerando os resíduos rj-8, ... , rj, ... , rj+8
Cada resíduo é representado por 21 bits (1 bit pra cada tipo de aminoácido +1 bit extra). Portando 17x21 bits de entrada
Treinamento: Se estrutura é helix, output = 1 p/ helix e 0 p/ sheet
Nova Sequência: Classifica como helix quando 4 ou mais resíduos onde o output helix é maior que tanto o output sheet e um certo threshold
Explorando informação evolucionária
Idéia: Quando predizendo a estrutura secundária de uma proteína em particular, predições das proteínas homólogas podem ser úteis
Métodos de previsão tem alcançado melhores resultados usando proteínas homológas também como entradas
Fato: A estrutura de uma proteína é mais conservada que a sequência da proteína. Se duas proteínas compartilham mais que 30% da sequência então provavelmente possuem estruturas similares
Tight Turns
Estruturas secundarias. Formadas por poucos residuos (no
máximo 6) Ligação de dois resíduos formando
uma ponte de hidrogênio Distancia entre os Cα dos resíduos
que formam a ponte é menor que 7Å
Tight Turns
Tipos de Tight Turns
β-turn os residuos ligados por pontes de hidrogênio são separados por 3 outros residuos
γ-turn os residuos ligados por pontes de hidrogênio são separados por 2 outros residuos
α-turn os residuos ligados por pontes de hidrogênio são separados por 4 outros residuos
π-turn os residuos ligados por pontes de hidrogênio são separados por 5 outros residuos
β-turns
β-turn os residuos ligados por pontes de hidrogênio são separados por 3 outros residuos
Mais comum e mais estudada São tambem classificadas de acordo com os
ângulos entre os resíduos r+1 e r+2
Predição de β-turns
Os primeiros métodos eram focados em identificar quais resíduos fazem parte de β-turns
Métodos mais recentes têm tentado identificar o tipo de β-turn
Predição de β-turns
Método probabilisticoComputa a probabilidade de um amino acido
ai estar localizado na j-esima posição da β-turn
Predição de β-turns (cont) Métodos De Aprendizagem de Máquina
Redes neurais Método inicial
Janela de 4 resíduos como entrada (20 bits cada) 1 Camada intermediaria 4 Saidas
βturn tipo 1 βturn tipo 2 Outro tipo de βturn Não é βturn
Método mais recente Várias camadas de redes Começa com uma janela de 9 resíduos, acaba com uma de 4 Utiliza predição de outras estruturas secundarias
KNN e SVM tambem podem ser utilizados
Predição de outras turns
Recentemente, existem tentativas de se predizer γ-turns e α-turns com técnicas similares
Como são poucos os resíduos que fazem parte de γ-turns e α-turns, estes métodos obtiveram sucessos limitados.
β-hairpins
β-hairpins
Estruturas super-secundarias muito simples
É composta de uma β-turn ligando duas β-strands anti-paralelas.
Esta turn geralmente contem de 2 a 5 resíduos
Predição β-hairpins
Métodos de predição começaram a aparecer há pouco tempo
Os 2 métodos mais recentes utilizam redes neurais Primeiro Método
Identifica sequencias β-strand - β-turn – β-strand Compara com as β-hairpins ja conhecidas 14 Scores são calculados e jogados como entrada em uma
rede neural treinada para diferenciar β-hairpins e não β-hairpins
Predição β-hairpins (cont)
Segundo Método Obtem-se homologos utilizando o PSI-BLAST Duas redes neurais são treinadas
A primeira rede prediz o primeiro residuo da turn Considera os 4 resíduos anteriores e os 7 posteriores
A segunda rede prediz o ultimo residuo da turn Considera os 7 resíduos anteriores e os 4 posteriores
Finalmente, os resultados são combinados para predizer se a turn faz parte de um hairpin ou não
Coiled Coils
Coiled Coils
Formados por duas ou mais α-helix ligadas As helices apresentam uma sequência de 7 resíduos
que se repetem chamados heptad
Os resíduos “a” e “d” são hidrofóbicos, e os resíduos “e” e “g” são hidrofílicos
A ligação entre as helices se dá pelos resíduos hidrofóbicos.
Predição de Coiled Coils
Método probabilisticoAnalisam as frequencias dos resíduos que
fazem parte do heptad numa tabela 20x7Similar ao Chou and FasmanEste método tambem é utilizado para predizer
“Leucine Zippers”
Predição de Coiled Coils
Predição inter-proteínasCoiled coils são formados por duas ou mais
α-helixLogo, predizendo as ligações entre α-helix é o
método mais intuitivoPorém, as α-helix podem estar em
sequencias diferentesSão necessarios estudos de predição inter-
proteínas
Predição de Coiled Coils
Predição de estruturas secundarias melhorou bastante com informações evolucionarias utilizando homologos
O proximo passo é utilizar estas informações para predizer quando as α-helix fazem parte de coiled coils
Porém, sequencias homologas podem demonstrar interações entre α-helix bem diferentes
Os métodos podem
β-Barrel
Referências
Wilkes University: Bioinformatics work 8 lecture (http://course.wilkes.edu/bioinformatics/stories/storyReader$122)
Handbook of Computational Molecular Biology Wikipedia