Modelado 3D. Introducción

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Modelado 3D. Introducción"

Carmen Prado Vargas
hace 5 años
Vistas:

1 Modelado 3D. Introducción Centro de Investigacion y Tecnologia Agroalimentaria. CITA - DGA. Paulino Gómez Puertas. Centro de Biología Molecular "Severo Ochoa" CSIC-UAM, Madrid

2 Predicción de estructura de proteínas.

3 Protein structure prediction. Flow chart.

4 Predicción de estructura de proteínas: Características 1D.

6 Notación de estructura secundaria 1 ASKGEELFTGVVPILVELDGDVNGHKFSVSGEGEGDATYGKLTLKFICTT TTGGGGSSEEEEEEEEEEEETTEEEEEEEEEEEETTTTEEEEEEEETT 51 GKLPVPWPTLVTTFSYGVQCFSRYPDHMKRHDFFKSAMPEGYVQERTIFF SS SS GGGGHHHHSSS GGG B GGGGGG HHHHTTTT EEEEEEEEE 101 KDDGNYKTRAEVKFEGDTLVNRIELKGIDFKEDGNILGHKLEYNYNSHNV TTS EEEEEEEEEEETTEEEEEEEEEEE TTSTTTTT B S EEE 151 YIMADKQKNGIKVNFKIRHNIEDGSVQLADHYQQNTPIGDGPVLLPDNHY EEEEEGGGTEEEEEEEEEEEETTS EEEEEEEEEEEESSSS SEE 201 LSTQSALSKDPNEKRDHMVLLEFVTAAGIT HGMDELYK EEEEEEEE TT SSEEEEEEEEEEES T=hydrogen bond turn, H=helix, G=310 helix, I=phi helix, B=residue in isolated beta bridge, E=strand, and S=bend Kabsch and Sander (1983) Biopolymers 22,

7 Métodos de 1 a Generación : Estos son métodos estadísticos basados en la tendencia que presentan los aminoácidos a adoptar estructuras secundarias. El primero, propuesto por Chou y Fasman en 1974 empleaba estadísticas extrapoladas de las 15 estructuras de proteínas determinadas por rayos-x. Tendencias que se basaban en las propiedades estereoquímicas y fisicoquímicas de los diferentes residuos (casos especiales son glicina y prolina). Este método se ha mejorado aumentando el número de proteínas empleadas. El método presenta una fiabilidad de ~50% (cuando se emplean 62 proteínas para obtener las estadísticas). Métodos de 2 a Generación : La principal mejora de esta 2 a generación de métodos es la combinación de bases de datos mayores de estructura de proteínas y el uso de estadísticas basadas en segmentos: típicamente residuos adyacentes y las estadísticas se compilan para evaluar la propensión del residuo central de ese segmento a estar en una determinada estructura secundaria. Los algoritmos principalmente empleados estabann basados en información estadística, propiedades fisicoquímicas, perfiles de secuencia, redes de multicapas, teoría de grafos, estadísticas multivariable, reglas expertas, nearest-neighbour. Métodos de 3 a Generación : La incorporación de la información evolutiva permite una mejora de estas predicciones. Los perfiles de intercambio de residuos extraídos de los alineamientos de una familia son indicativos de detalles estructurales específicos. Además estos perfiles implícitamente contienen información no local, ya que la selección evolutiva de proteínas se hace a nivel de estructura 3D y no a nivel de secuencia. Los perfiles extendidos conseguidos a través de PsiBlast y Hidden-Markov-Models mejoran por tanto las predicciones.

8 Scheme for PHD Protein Prediction Methods Rost et al. (1997) J. Mol. Biol. 270: One level of network PHDacc Sequence information from protein family Profile divided from multiple aligment for a window of adjacent residues Two levels of neural network systems: PHDsec and PHDhtm

9 Predicción de Estructura Secundaria, PSI-Pred seqs. non redundant Databank Query sequence 20aa PSI-blast 3 Int. 1st neural network 15x20 input, 3 output PSI-blast hits 3 state prediction for residue 1 Método de 3 fases : - perfiles de secuencia (matriz de sustitución como input para la red neuronal) - 1 a red neuronal (15 x 21 input, 3 output: h,s,c) i Seq. Leng. 15 aa scrolling window around residue i Position specific scoring matrix (log odds) 3 state prediction for residue i+1 3 state prediction for residue i+2 2nd neural network 3x15 input, 3 output - 2 a red neuronal (15 x 4 input, 3 output: h,s,c) Q 3 = % Ventana óptima = 15 residuos 20+1 incluye la posible expansión de la cadena; N-, C- 3+1 incluye la posibilidad de expansión de N-

10 Ventajas y Problemas : Ventajas: fiabilidad (predicciones 3-estados) > 70% fiabilidad para las betas ~ alfa ~ loops Problemas: malos alineamientos llevan a malas predicciones confusión de alfas y betas se da en regiones en que se establecen interacciones a largo rango precaución al evaluar los resultados para proteínas con características inusuales Servidores disponibles: PHDsec red neuronal que emplea alineamientos múltiples de secuencias. Fiabilidad ~70%. Jpred2 dos redes neuronales e información evolutiva (PsiBlast). Versión 2 combina los resultados de 4 redes (JNet, NSSP, Predator, PHD) PSIpred usa perfiles de PsiBlast (filtrando los resultados) y redes neuronales (combina los resultados de varios métodos de predicción de estructura secundaria). Acierto >76%. SAM-T08 Una red neuronal y perfiles de alineamientos múltiples mejorados mediante el empleo de "Hidden Markov".

ch/tools/ : SignalP predicción de péptidos señales ChloroP predicción de péptidos de cloroplastos MITOPROT predicción de secuencias

11 Predicción de Estructura Secundaria Accesibilidad al Solvente Predicción de Proteínas Transmembrana Modificaciones Post-transcripcionales : SignalP predicción de péptidos señales ChloroP predicción de péptidos de cloroplastos MITOPROT predicción de secuencias diana de mitocondria Predotar predicción de secuencias diana de mitocondria y plástidos NetOGlyc predicción de sitios de O-glicosilación en proteínas de mamíferos NDictyOGlyc predicción de sitos de GlcNAc O- glicosilación en Dictyostelium...

12 Predicción de estructura de proteínas. Reconocimiento de plegamiento (threading).

13 Protein structure prediction. Flow chart.

14 protein structure evolution

16 Espacio de Secuencias vs. Espacio de Estructuras Espacio de Secuencias Espacio Estructural Homology Modelling Targets Fold Recognition Targets El desarrollo de los métodos de reconocimiento de plegamiento se deriva de la observación de que muchas secuencias aparentemente no relacionadas tienen estructuras 3D muy similares (folds / plegamientos).

17 Modelado por Homología vs Reconocimiento de Plegamiento % seq. ID Aplicación Threading Modelado por Homología Secuencia diana Calidad del Modelo Cualquier Secuencia Nivel de Plegamiento >= 30-50% similitud con el molde Nivel Atómico

18 Superfolds (Orengo et al.)

19 Algoritmos de threading. General. Secuencia problema

20 Algoritmos de threading Potenciales de contacto d Count pairs of each residue type at different separations Energy of interaction = -KT ln (frequency of interactions) Boltzmann principle Jones, 1992; Sippl, 1995 d

21 Algoritmos de threading Coincidencia de estructura secundaria y accesibilidad secondary structure prediction Rost,

22 ALGUNOS SERVIDORES DE THREADING PHYRE:

23 ALGUNOS SERVIDORES DE THREADING FUGUE:

24 ALGUNOS SERVIDORES DE THREADING PSIPRED:

25 Critical Assessment of protein Structure Prediction (CASP)

26 Cuestiones

Documentos relacionados

Predicción de Estructura Secundaria y otras Características 1D

Estructura de Proteínas Predicción de Estructura Secundaria y otras Características 1D Florencio Pazos (CNB-CSIC) Florencio Pazos Cabaleiro Computational Systems Biology Group (CNB-CSIC) pazos@cnb.csic.es