Construcción de matrices de distancia para comparar proteínas. Alexis Gómez, Thalía Rebón, Claudia Rendón, Pablo Soberón Colegio Marymount

Transcripción

1 Construcción de matrices de distancia para comparar proteínas Alexis Gómez, Thalía Rebón, Claudia Rendón, Pablo Soberón Colegio Marymount

2 Construcción de matrices de distancia para comparar proteínas Alexis Gómez, Thalía Rebón, Claudia Rendón, Pablo Soberón Colegio Marymount Resumen Se hicieron matrices de distancia para poder comparar estructuras de proteínas basándose en sus pseudocódigos. Los pseudocódigos son una secuencia de letras que señala la entropía (o desorden) que hay entre los aminoácidos de posiciones correspondientes de alguna familia de proteínas. Se analizaron un total de grupos de familias con estructuras similares por separado y se vio la importancia de cada cambio de letra entre los pseudocódigos de familias que se estructuran de la misma manera. Al final de analizar los 4 grupos, se juntaron los datos para obtener una matriz final. Esta matriz confirma que la preservación en estructuras y la preservación en pseudocódigos sí están directamente relacionadas. Introducción Se cree que hay de 5,000 a 10,000 maneras en las que las proteínas pueden estructurarse en el espacio. Sin embargo, hay alrededor de 1,000,000 de actividades enzimáticas. Por eso es importante entender cómo se doblan las proteínas, ya que esto puede decir cuales capacidades enzimáticas puede tener 1. Una proteína es una sucesión de aminoácidos, por lo que puede ser vista como una secuencia de letras, cada una representando a un aminoácido. Sin embargo, como este código es lineal, no dice nada sobre cómo se estructura en el espacio 2. Dada una familia de proteínas, se pueden asignar posiciones correspondientes a sus aminoácidos (según la estructura de las proteínas). En cada posición se puede ver qué tanta variabilidad (o entropía) hay entre los aminoácidos de esa posición. A este nivel se le puede asignar un número que va desde 0 hasta 1. A la gráfica de nivel de entropía con respecto a la posición, se le llama perfil de entropía. En la fig. 1.0, se pueden ver 2 perfiles de entropías comparados. Para ver cómo se debería doblar una proteína conociendo sólo su código, hay varios métodos. Uno de ellos es FASE (Fold Assignment system with Entropy profiles). Para esto, primero se generan los perfiles de entropía de las familias de proteínas. El sistema FASE consiste en comparar los perfiles de entropía de las familias de proteínas, y así ver si se estructuran de la misma manera. 2

3 0.8 Perfiles de entropía de secuencias 0.7 Entropía Posición fig.1.0 La manera para comparar los perfiles de entropía es la siguiente. Primero el perfil de entropía es transformado a texto. Esto se hace asignándole letras a diferentes intervalos de niveles de entropía. Por ejemplo, si en alguna posición el nivel de entropía está entre 0 y 0.05, se le asigna la letra A, si el nivel de entropía está entre y 0.1 se le asigna la letra C, etc Al final, nos queda una sucesión de letras (llamada pseudo-código). Después se comparan los pseudo-códigos con una matriz de distancia. Matriz de distancia: Dado un sistema de símbolos (por ejemplo A, B, C, ). Dos secuencias se pueden comparar según qué símbolos tienen en posiciones correspondientes (asignándole 1 a símbolos iguales y 0 a símbolos distintos). Sin embargo, puede que existan símbolos que tengan propiedades en común, por lo que en vez de asignarle un 0 a ese cambio se le asigne otro número. Una matriz de distancia es una matriz que nos dice que valor asignarle a cada cambio para poder definir qué tanto se parecen dos secuencias. Un ejemplo de matriz de distancia sería la figura 2.0 para comparar secuencias que sólo usen los dígitos A, B y C. A B C A B C Fig. 2.0 Sucesión 1 ABCBACAB Sucesión 2 ACACCAAB Al comparar cada posición de las dos secuencia y sumar los resultados obtenemos un 4.4 3

4 Antecedentes Además del sistema FASE, hay 2 otros sistemas para comparar estructuras de proteínas (presentados a continuación). Cuando verificas la estructura de una proteína con los otros sistemas, te dicen cuál exactamente cual es la estructura de la proteína (por lo tanto esto funciona sólo si la proteína se dobla de alguna manera conocida). El sistema FASE sólo te dice cuales son las proteínas que se doblan de la misma manera (funciona para maneras de estructurarse desconocidas). El primer sistema para comparar proteínas en base a su código fue hecho en 1982 por Manfred Sippl. Él crea el sistema threading 3 para ver cómo se estructura una proteína. Este consiste en doblar la proteína de todas las maneras conocidas, y en cada una ver la energía de repulsión o atracción generada por cada aminoácido con los aminoácidos cercanos. La estructura con menor energía necesaria es la que tiene la proteína. El segundo sistema para comparar proteínas fue hecho en 1995 por David Einsenberg. Él crea el sistema 3D profiles 4. En este sistema primero se analizan muchas proteínas y se ve para cada aminoácido cuáles son los aminoácidos con los que normalmente está cerca. Después se dobla la proteína de todas las maneras conocidas, y aquella que conserve más los datos recolectados es la manera en la que se estructura la proteína. Hipótesis La generación de matrices de distancia específicas mejorará la efectividad del sistema FASE de comparación de proteínas. Objetivos 1. Reunir y organizar los datos necesarios para generar las matrices (los datos van a constituir de pseudo-códigos de familias que se estructuran de la misma manera). 2. Analizar los datos conseguidos y construir las matrices 3. Evaluar la efectividad del nuevo sistema. Materiales y Métodos Los pseudocódigos de las familias de proteínas, así como las alineaciones estructurales de las proteínas nos fueron proporcionados por el Instituto de Biotecnología de la UNAM. Las personas que nos proporcionaron los datos fueron el Dr. Lorenzo Segovia y Fidel Alejandro Flores. 4

5 Los grupos de proteínas que utilizamos fueron: , , y Estos grupos no fueron escogidos por sus funciones ni por su historia evolutiva, simplemente por tener estructura similar. Las alineaciones estructurales fueron obtenidas de la base de datos CATH. CATH es una base de datos inglesa que clasifica proteínas según su estructura. Los archivos estaban en formato FASTA, el cual es un formato para análisis de texto. El trabajo de análisis se hizo en una PC de 2.4 Ghz y 512 Mb de RAM con 30 Gb de espacio libre. Utilizamos los programas Seaview, Microsoft Excel y Microsoft Word. Seaview es un programa para análisis de texto usado en bioinformática. La alineación estructural de las proteínas era una lista de texto con las cadenas de aminoácidos, en las cadenas de aminoácidos había espacios para que correspondieran los aminoácidos que están en las mismas partes de las proteínas (ver fig 3.0). Los pseudocódigos no estaban alineados estructuralmente (ver fig. 3.1). Lo que hicimos fue copiar los espacios de las proteínas a sus pseudocódigos correspondientes para alinearlos estructuralmente. fig. 3.0: archivo FASTA de un grupo de proteínas alineadas estructuralmente en Seaview fig.3.1 : archivo FASTA de pseudocódigos sin alineación estructural en Seaview (los espacios que hay son parte de los pseudocódigos). 5

6 Ya que los pseudocódigos estaban alineados estructuralmente, se guardaban en un archivo FASTA el cual era importado a Excel. En Excel, contábamos en cada posición la cantidad de veces que aparecía cada letra. Ya teniendo estos números, se contaba el número de veces que aparecía cada cambio por posición correspondiente de la siguiente manera: Número de veces que aparecía el cambio XY, si eran dos letras distintas que aparecían X y Y veces respectivamente X(X-1)/2, si era la misma letra que aparecía X veces Ya contadas las veces que aparecía cada cambio y cada letra, se sumaban para obtener el total de veces que aparecía cada uno. Estos datos eran organizados en matrices. Después, a estas matrices se les aplicaba la fórmula de BLOSUM 5 para poder obtener la importancia de cada cambio. La fórmula de BLOSUM consiste en dividir la probabilidad de tener un cambio (digamos AC) por la probabilidad de que alguna letra al azar sea una letra de sus cambios (digamos A, en este caso) para cada una de sus letras (también dividimos por la probabilidad de que una letra al azar sea una C). Sacamos el logaritmo de este número para normalizar los resultados: Resultados Hicimos esto para cada grupo de proteínas. Sin embargo, también sumamos los datos de las matrices obtenidas (todavía sin usar BLOSUM) separadamente para obtener una matriz que reuniera todos los datos, y a esa matriz le aplicamos la formula de BLOSUM (ver fig. 5.0) En esta matriz se pueden notar varias cosas. Primero la diagonal que va de la esquina izquierda superior a la esquina derecha inferior contiene solo números positivos. Después, mientras uno se va acercando a la esquina inferior, los números van reduciéndose, y al final hay casi puros números negativos. El hecho de que los cambios entre letras parecidas y 6

7 los cambios que son preservación de letras sean los que tienen los números más grandes demuestra que la preservación en estructura de proteínas también implica una preservación entre sus pseudocódigos y viceversa. Fig. 5.0 matriz final. Fig. 5.1, matriz BLOSUM de En las cuatro matrices obtenidas, se notaba que los cambios que más aparecían eran los de letras conservadas. Al aplicar BLOSUM, en todas se veía que la importancia de los cambios se iba reduciendo conforme uno se alejaba de la matriz que va de la esquina izquierda superior a la esquina 7

8 derecha inferior. Sin embargo, según el grupo que analizáramos, la importancia entre los cambios variaba mucho (ver fig 5.1). Por ejemplo en la matriz BLOSUM de nos daba un valor muy grande al cambio AY (supuestamente el peor cambio posible). En todas se conservaba alta la importancia de los cambios de preservaciones en letras representantes de entropía media (donde no hay mucho desorden ni mucho orden). Al juntar las matrices en la del anexo 1, se puede ver cómo está distribuida la importancia de cambios entre los pseudocódigos. Para usar matrices de este tipo en el sistema FASE se necesita el análisis de un número mucho mayor de grupos de proteínas, por lo que no pudimos cumplir el 3er objetivo. Ahora se esta desarrollando en el instituto de biotecnología un programa que haga automáticamente lo que nosotros hicimos con los 4 grupos de proteínas. El algoritmo que sigue el programa está basado completamente en la metodología que seguimos para hacer este proyecto. Conclusiones La preservación entre pseudocódigos y la preservación estructural de las proteínas están directamente relacionados. La preservación más importante en pseudocódigos es la preservación en secciones con entropía media. Agradecimientos Al Dr. Lorenzo Segovia y a Alejandro Flores Sánchez del Instituto de Biotecnología de la UNAM por asesorarnos en este proyecto y por ayudarnos a conseguir el material para poder realizarlo. 8

9 Bibliografía: 9

10 1 Branden C & Tooze J, Introduction to Protein structure, Garland Publishing, Inc., Nueva York y Londres, 1991, pp Mount, David W., Bioinformatics sequence and genome anaysis, cold spring Harbor Laborarory Press, New York, 2001, pp Dominguez F. S. Lackner P., Andreeva A. & Sippl M., Structure-based Evaluation of Sequence Comparison and Fold Recognition Alignment Accuracy, Journal of Molecular Biology, Volumen 197, No 4, Abril 2000, pp Eisenberg D., Protein fold recognition using sequence-derived predictions. Protein Sci. Mayo 1996; volumen 5, p Sean E., Where did the BLOSUM62 alignment store matrix come from?, Nature Biotechnology, Volumen 22, No. 8, Agosto 2004, pp