© 2006 plataforma bioinformàtica de la uab introducció a la bioinformàtica bioinformàtica: la...

© 2006 Plataforma Bioinformàtica de la UAB

Introducció a la BioinformàticaIntroducció a la Bioinformàtica

Bioinformàtica: la recerca biomèdica in silico

Cursd’introducció a la bioinformàticaCursd’introducció a la bioinformàticaPlataforma Bioinformàtica de la UAB


Motivos, estructura

y función

Motivos, estructura

y función

Cursd’introducció a la bioinformàticaCursd’introducció a la bioinformàticaPlataforma Bioinformàtica de la UAB


Motivos y estructuras: Objetivos

•Análisis de la secuencia de aa de una proteína•alineamiento con proteínas homólogas•búsqueda de zonas conservadas

•Predecir la presencia de estructuras secundarias

•Analizar la presencia de motivos


Posibles estructuras secundariasPosibles estructuras secundarias• Hélice

alfa

• Hoja beta • Giro beta

•Random

coil

Motivos y estructuras: estructura secundaria


• Métodos de predicción de estructura secunadaria basados en el analisis de la estructura primaria:

CHOU-FASMAN

DELEAGE&ROUX

GARNIER-ROBSON

Motivos y estructuras: métodos de predicción

Perfiles de hidroafinidad (hidrofobicidad/hidrofilicidad)

Perfiles de flexibilidad. (flexibilidad de la cadena peptídica)

Perfiles de densidad de carga


• Método estadístico basado en estructuras cristalográficas ya resueltas • Calcula un parámetro conformacional para cada residuo de la proteína • Este parámetro refleja la preferencia de este residuo en hallarse en un tipo de estructura determinado• Inicialmente se basaron en 15 proteínas, después en 24 y finalmente en 64• Cuatro grupos de proteínas: alfa, beta, alfa+beta, alfa/beta

Limitaciones: no se puede usar con proteínas muy distintas a las 64 proteínas con la estructura conocida en que se basa este método

CHOU-FASMAN



-Método estadístico basado en tres pasos:

predicción de la clase de proteína (según comp. Aa)

predicción de la estructura secundaria (frecuencia de cada residuo) nueva predicción optimizando parámetros

Limitaciones:si la predicción de la clase de proteína es correcto, la predicción de estructura secundaria es más acertada que en los otros métodos. Si la proteína no queda bien clasificada, la predicción no es fiable.

DELEAGE&ROUX



-Método estadístico basado en estructuras cristalográficas ya resueltas (25)

-No sólo tiene encuenta la preferencia de un aa por una estructura, sino que además considera el entorno de este aa (ventana de 16 aa)

-Fundamentalmente se basa en los ángulos f y y del enlace peptídico y en los puentes de hidrógeno de las estructuras secundarias.

Limitaciones:la proteína problema no debe diferir substancialmente de las 25 proteínas de estructura conocida.

GARNIER-ROBSON



-Karplus flexibility

Perfiles de probabilidad de encontrase en la superfície de la proteína

Perfiles de hidroafinidad (hidrofobicidad/hidrofilicidad)

Perfiles de flexibilidad. (flexibilidad de la cadena peptídica)

-Eisemberg moment

-Kyte-Doolitte

-Emini surface probability

Perfiles de densidad de carga

-Charge density



• Métodos de predicción de estructura secunadaria basados NO solo en el analisis de la estructura primaria:


Neural Networks Models

GOR – METHOD (Garnier, Ousguthorpe and Robson)

PSA – METHOD (Protein Sequence Analysis)


• Se basa en la consideración de que la estructura que adoptan los aa que flanquean un determinado aa central determinan la estructura que adapta este aa central.

• El método estudia los 8 aa N-terminales y los 8 aa C-terminal. Establece tres o cuatro (GOR III /GOR IV) matrices: una cuando el aa central es alfa, otra para beta, otro para random, y otra turn.

•Usa información teórica para la decisión final.

GOR – METHOD (Garnier, Ousguthorpe and Robson)



Neural Networks Models

Estos métodos contemplan tres niveles:

•El primer nivel: la preedición se realiza sobre alineamientos múltiples• El segundo nivel: se consideran los elementos de estructura secundaria en las proteínas homologa •El tercer nivel: promediar las predicciones obtenidas independientemente.



PSA – METHOD (Protein Sequence Analysis)

•Este método predice la estructura secundaria de proteínas sin homología de secuencia y sin homología de estructura.

•Se basa en 15 modelos matemáticos. Se han establecido tres o cuatro superclases. Los modelos matemáticos establecen las restricciones de cada tipo de estructura alfa, beta, etc.. en cada superclase.

Motivos y estructuras: Interpro


http://us.expasy.org

http://npsa-pbil.ibcp.fr/•http://bmerc-www.bu.edu/

•http://cubic.bioc.columbia.edu/predictprotein/



•Muchas proteínas tienen estructura «modular»•Estimación: ~ 3 dominios / proteína•Dominios (secuencias o estructuras conservadas) identificadas por alineamiento múltiple de secuencia

Dominio/motivo/patron

•Patrones (expresión regular); usado en dominios muy conservado

•Perfiles (matrices de pesos): tablas de dos dimensiones por posición específicos para match-, gap-, y insertion, derivados del alineamiento de secuencia de la familia, usado para dominios menos conservado

•Hidden Markov Model (HMM); modelo probabilístico.

Métodos para definir dominios

Motivos y estructuras: busqueda de motivos


Bancos de datos de motivos/familia

PROSITE Patrones / PerfilesProDom Alineado de motivos (PSI-BLAST) (Pfam B)PRINTS Alineado de motivosPfam HMM (Hidden Markov Models) SMART HMMTIGRfam HMM

DOMO Alineado de motivosBLOCKS Alineado de motivos (PSI-BLAST)CDD(CDART) PSI-BLAST(PSSM) de Pfam y SMART



http://us.expasy.org/prosite/

•consiste en patrones y perfiles significativos biológicamente

•ayudar a determinar a que familia de proteínas pertenece la secuencia.




Generar Patrón Prosite

• G-H-E-x(2)-G-x(5)-[GA]-x(3)



Ejemplo Patrón PrositeEjemplo Patrón Prosite

<A-x-[ST](2)-x(3,5)-{V}

•< N-terminal

•x cualquier aa

•[ST] serina o treonina dos veces

•x(3,5) cualquier aa de 3 a 5 veces

•{V} cualquier aa excepto valina



Patrón Prosite

•Http://www.expasy.org/prosite/



Patrón Prosite. Ventajas:

. Rápido y fácil de implementar.

. Los modelos son fáciles de comprender. . Limitaciones:

. Pobre tratamiento de las inserciones/delecciones.

. Cuando los patrones son pequeños da muchos falsos positivos. . Los patrones largos son difíciles de ajustar al modelo. . No nos proporciona un score, está o no está.

. ¿Cuándo usar los patrones?

. Para usar motivos pequeños o centros activos.

. Para describir un motivo de forma sencilla.



Perfil PrositePerfil Prosite



Perfil PrositePerfil Prosite. Ventajas:

. Podemos especificar cuando ocurren inserciones odelecciones.. Nos proporciona un score.. Se puede construir automáticamente.

. Limitaciones:. Muy caro en tiempo de CPU.. El software es más sofisticado.. La lectura del patrón no es intuitiva.


InterPro

www.ebi.ac.uk/interpro


InterPro integra:InterPro integra:

• Pfam• PROSITE• ProDom• SMART• TIGRFAMs


InterPro

www.ebi.ac.uk/interpro



Ejercicio 1Ejercicio 1

Determinar la predicción de estructura secundaria de Determinar la predicción de estructura secundaria de las siguientes proteínas. Utilizar diferentes métodos y las siguientes proteínas. Utilizar diferentes métodos y decidir que tipo de estructura es el mayoritario. decidir que tipo de estructura es el mayoritario.

Que proteasa utilitarias para aislar el C-terminal Que proteasa utilitarias para aislar el C-terminal (aprox 100 últimos aa) de la histona H10. Te serviría (aprox 100 últimos aa) de la histona H10. Te serviría esta misma proteasa para los otros subtiposesta misma proteasa para los otros subtipos

El C-terminal de esta proteína tiene putativos sitios El C-terminal de esta proteína tiene putativos sitios de fosforilacions para la CK2 y para la PKC.de fosforilacions para la CK2 y para la PKC.


SecuenciasSecuencias::

H10, H10, TENSTSAPAAKPKRAKASKKSTDHPKYSDMIVAAIQAEKNRAGSSRQSIQKYTENSTSAPAAKPKRAKASKKSTDHPKYSDMIVAAIQAEKNRAGSSRQSIQKYIKSHYKVGENADSQIKLSIKRLVTTGVLKQTKGVGASGSFRLAKSDEPKKSVIKSHYKVGENADSQIKLSIKRLVTTGVLKQTKGVGASGSFRLAKSDEPKKSVAFKKTKKEIKKVATPKKASKPKKAASKAPTKKPKATPVKKAKKKLAATPKKAKAFKKTKKEIKKVATPKKASKPKKAASKAPTKKPKATPVKKAKKKLAATPKKAKKPKTVKAKPVKASKPKKAKPVKPKAKSSAKRAGKKK KPKTVKAKPVKASKPKKAKPVKPKAKSSAKRAGKKK

H12 H12 SETAPAAPAAAPPAEKAPVKKKAAKKAGGTPRKASGPPVSELITKAVAASKESETAPAAPAAAPPAEKAPVKKKAAKKAGGTPRKASGPPVSELITKAVAASKERSGVSLAALKKALAAAGYDVEKNNSRIKLGLKSLVSKGTLVQTKGTGASGSRSGVSLAALKKALAAAGYDVEKNNSRIKLGLKSLVSKGTLVQTKGTGASGSFKLNKKAASGEAKPKVKKAGGTKPKKPVGAAKKPKKAAGGATPKKSAKKTPFKLNKKAASGEAKPKVKKAGGTKPKKPVGAAKKPKKAAGGATPKKSAKKTPKKAKKPAAATVTKKVAKSPKKAKVAKPKKAAKSAAKAVKPKAAKPKVVKPKKKKAKKPAAATVTKKVAKSPKKAKVAKPKKAAKSAAKAVKPKAAKPKVVKPKKAAPKKK AAPKKK

H13 H13 SETAPLAPTIPAPAEKTPVKKKAKKAGATAGKRKASGPPVSELITKAVAASKESETAPLAPTIPAPAEKTPVKKKAKKAGATAGKRKASGPPVSELITKAVAASKERSGVSLAALKKALAAAGYDVEKNNSRIKLGLKSLVSKGTLVQTKGTGASGSRSGVSLAALKKALAAAGYDVEKNNSRIKLGLKSLVSKGTLVQTKGTGASGSFKLNKKAASGEGKPKAKKAGAAKPRKPAGAAKKPKKVAGAATPKKSIKKTPKFKLNKKAASGEGKPKAKKAGAAKPRKPAGAAKKPKKVAGAATPKKSIKKTPKKVKKPATAAGTKKVAKSAKKVKTPQPKKAAKSPAKAKAPKPKAAKPKSGKPKVKKPATAAGTKKVAKSAKKVKTPQPKKAAKSPAKAKAPKPKAAKPKSGKPKVTKAKKAAPKKKKVTKAKKAAPKKK


Ejercicio 2

Para una proteína dada (ejemplo TDF humana):

• ¿Cómo saber si contiene dominios funcionales?

•¿Qué otras proteínas contienen ese mismo dominio funcional?


Ejercico 3:Ejercico 3:

Has realizaHas realizado do un protocoloun protocolooo de purificación de purificaciónnn de de la prothymosin alfa humana (Q15200). la prothymosin alfa humana (Q15200). En lugar En lugar de obtenerde obtener una sola proteína, o una sola proteína, obbtitienes enes tres, tres, con con las siguientes características:las siguientes características:

proteína 1 Mr: 16000 pI: 7 proteína 1 Mr: 16000 pI: 7 proteína 2 Mr: 12000 pI: 3.7 proteína 2 Mr: 12000 pI: 3.7 proteina 3 Mr: 11000 pI: 6 proteina 3 Mr: 11000 pI: 6

Cual de ellas es la correcta, Cual de ellas es la correcta,

Que estrategia puedes utilizar para comprobar Que estrategia puedes utilizar para comprobar que realmente esta es tu proteína.que realmente esta es tu proteína.


•Ejercicio 4:

El domino globular de la histona H5 (1Hst) se ha resuelto por cristalografía. Quieres estudiar la estabilidad de la primera hélice alfa. Que aproximación puedes seguir.


•Ejercicio 5: Construir un PatrónConstruir un Patrón

© 2006 plataforma bioinformàtica de la uab introducció a la bioinformàtica bioinformàtica: la...

Documents