Структурная биоинформатика

Трехмерная структура белка

Структурная биоинформатика — это раздел биоинформатики , который связан с анализом и прогнозированием трехмерной структуры биологических макромолекул, таких как белки , РНК и ДНК . Он имеет дело с обобщениями о макромолекулярных трехмерных структурах, такими как сравнение общих складок и локальных мотивов, принципов молекулярной складки, эволюции, связывающих взаимодействий и отношений структура/функция, работая как на основе экспериментально решенных структур, так и на основе вычислительных моделей. Термин «структурный» имеет то же значение, что и в структурной биологии , а структурную биоинформатику можно рассматривать как часть вычислительной структурной биологии. Основная цель структурной биоинформатики — создание новых методов анализа и манипулирования биологическими макромолекулярными данными для решения задач биологии и генерации новых знаний.

Введение

Структура белка

Основная статья: Структура белка

Структура белка напрямую связана с его функцией. Присутствие определенных химических групп в определенных местах позволяет белкам действовать как ферменты , катализируя ряд химических реакций. В целом белковые структуры подразделяются на четыре уровня: первичный (последовательности), вторичный (локальная конформация полипептидной цепи), третичный (трехмерная структура складки белка) и четверичный (ассоциация множественных полипептидных структур). Структурная биоинформатика в основном занимается взаимодействием между структурами с учетом их пространственных координат. Таким образом, первичная структура лучше анализируется в традиционных разделах биоинформатики. Однако последовательность подразумевает ограничения, которые позволяют формировать консервативные локальные конформации полипептидной цепи, такие как альфа-спираль , бета-листы и петли (вторичная структура). ). Кроме того, слабые взаимодействия (например, водородные связи ) стабилизируют складку белка. Взаимодействия могут быть внутрицепочечными, т. е. возникающими между частями одного и того же мономера белка (третичная структура), или межцепочечными, т. е. возникающими между разными структурами (четвертичная структура). Наконец, топологическое расположение взаимодействий, сильных или слабых, и запутанностей изучается в области структурной биоинформатики с использованием таких структур, как топология цепей .

Визуализация структуры

Структурная визуализация ЛИЗОЗИМА БАКТЕРИОФАГА Т4 (ID PDB: 2LZM). (А) Мультфильм; (Б) Линии; (В) Поверхность; (Д) Палки.

Визуализация структуры белка является важной задачей структурной биоинформатики. Это позволяет пользователям наблюдать статические или динамические представления молекул, а также позволяет обнаруживать взаимодействия, которые можно использовать для выводов о молекулярных механизмах. Наиболее распространенными видами визуализации являются:

• Мультфильм : этот тип визуализации белка подчеркивает различия вторичной структуры. В целом α-спираль изображается в виде винта, β-тяжи — в виде стрелок, а петли — в виде линий.
• Линии : каждый аминокислотный остаток представлен тонкими линиями, что позволяет снизить затраты на графический рендеринг.
• Поверхность : на этой визуализации показана внешняя форма молекулы.
• Палочки : каждая ковалентная связь между атомами аминокислот представлена ​​в виде палочки. Этот тип визуализации чаще всего используется для визуализации взаимодействий между аминокислотами ...

Структура ДНК

Классическая структура дуплексов ДНК была первоначально описана Уотсоном и Криком (и вкладом Розалинды Франклин ). Молекула ДНК состоит из трех веществ: фосфатной группы, пентозы и азотистого основания ( аденина , тимина , цитозина или гуанина ). Структура двойной спирали ДНК стабилизируется водородными связями, образующимися между парами оснований: аденином с тимином (АТ) и цитозином с гуанином (ЦГ). Многие исследования в области структурной биоинформатики были сосредоточены на понимании взаимодействия между ДНК и малыми молекулами, что было целью нескольких исследований по разработке лекарств.

Взаимодействия

Взаимодействия – это контакты, устанавливаемые между частями молекул на разных уровнях. Они отвечают за стабилизацию белковых структур и выполняют разнообразную деятельность. В биохимии взаимодействия характеризуются близостью групп атомов или областей молекул, которые оказывают влияние друг на друга, например, электростатические силы , водородные связи и гидрофобный эффект . Белки могут осуществлять несколько типов взаимодействий, таких как белок-белковые взаимодействия (PPI) , белок-пептидные взаимодействия. , белок-лигандные взаимодействия (PLI) и взаимодействие белок-ДНК.

Контакты между двумя аминокислотными остатками: Q196-R200 (PDB ID-2X1C)

Расчет контактов

Расчет контактов является важной задачей структурной биоинформатики, поскольку он важен для правильного предсказания структуры и сворачивания белка, термодинамической стабильности, белок-белковых и белок-лигандных взаимодействий, анализа докинга и молекулярной динамики и так далее.

Традиционно вычислительные методы использовали пороговое расстояние между атомами (также называемое обрезанием) для обнаружения возможных взаимодействий. Это обнаружение осуществляется на основе евклидова расстояния и углов между атомами определенных типов. Однако большинство методов, основанных на простом евклидовом расстоянии, не могут обнаружить закрытые контакты. методы без отсечек, такие как триангуляция Делоне Следовательно, в последние годы получили распространение . Кроме того, для улучшения определения контакта использовалась комбинация набора критериев, например, физико-химических свойств, расстояния, геометрии и углов.

Критерии расстояния для определения контакта

Тип	Критерии максимального расстояния
Водородная связь	3,9 Å
Гидрофобное взаимодействие	5 Å
Ионное взаимодействие	6 Å
Ароматическая штабелировка	6 Å

Банк данных белков (PDB)

Основная статья: Банк данных о белках

Количество структур из PDB. (A) Общий рост выпущенных структур в Protein DataBank за год. (B) Рост структур, осажденных в PDB в результате экспериментов по рентгеновской кристаллографии , ЯМР-спектроскопии и 3D-электронной микроскопии, в год. Источник: https://www.rcsb.org/stats/growth.

Банк данных белков (PDB) — это база данных трехмерных структурных данных крупных биологических молекул, таких как белки , ДНК и РНК . PDB управляется международной организацией под названием Worldwide Protein Data Bank ( wwPDB ), в которую входят несколько местных организаций, таких как. PDBe, PDBj, RCSB и BMRB. Они несут ответственность за бесплатное хранение копий данных PDB в Интернете. Количество структурных данных, доступных в PDB, увеличивается с каждым годом и обычно получается с помощью рентгеновской кристаллографии , ЯМР-спектроскопии или криоэлектронной микроскопии .

Формат данных

Формат PDB (.pdb) — это устаревший текстовый формат файлов, используемый для хранения информации о трехмерных структурах макромолекул, используемых в банке данных белков. Из-за ограничений в концепции структуры формата формат PDB не допускает больших структур, содержащих более 62 цепочек или 99999 записей атомов.

PDBx/ mmCIF (файл макромолекулярной кристаллографической информации) — это стандартный текстовый формат файла для представления кристаллографической информации. С 2014 года формат PDB в качестве стандартного распространения архива PDB был заменен форматом файлов PDBx/mmCIF (.cif). В то время как формат PDB содержит набор записей, идентифицируемых ключевым словом длиной до шести символов, формат PDBx/mmCIF использует структуру, основанную на ключе и значении, где ключ — это имя, которое идентифицирует некоторую функцию, а значение — это информация переменной.

Другие структурные базы данных

Помимо Protein Data Bank (PDB) существует несколько баз данных белковых структур и других макромолекул. Примеры включают в себя:

• MMDB : Экспериментально определенные трехмерные структуры биомолекул, полученные из банка данных белков (PDB).
• База данных нуклеиновых кислот (NDB): Экспериментально определенная информация о нуклеиновых кислотах (ДНК, РНК).
• Структурная классификация белков (SCOP) : комплексное описание структурных и эволюционных взаимоотношений между структурно известными белками.
• TOPOFIT-DB: выравнивание структур белков на основе метода TOPOFIT.
• Сервер электронной плотности (EDS): карты электронной плотности и статистика соответствия кристаллических структур и их карт.
• CASP : Центр прогнозирования. Всемирный эксперимент по предсказанию структуры белков CASP .
• Сервер PISCES для создания неизбыточных списков белков: генерирует список PDB по критериям идентичности последовательностей и структурного качества.
• База знаний по структурной биологии: инструменты, помогающие в планировании исследований белков.
• ProtCID : База данных общих интерфейсов белков. База данных сходных межбелковых интерфейсов в кристаллических структурах гомологичных белков.
• AlphaFold : AlphaFold — база данных структуры белков.

Сравнение структур

Структурное выравнивание

Структурное выравнивание — это метод сравнения трехмерных структур на основе их формы и конформации. Его можно использовать для вывода об эволюционных взаимоотношениях между набором белков даже с низким сходством последовательностей. Структурное выравнивание подразумевает наложение трехмерной структуры на вторую, вращение и перемещение атомов в соответствующих положениях (как правило, с использованием Cα _атомов или даже тяжелых атомов основной цепи C , N , O и Cα ₎ . Обычно качество выравнивания оценивают по среднеквадратичному отклонению (RMSD) положений атомов, т. е . среднему расстоянию между атомами после наложения:

$\mathrm {RMSD} ={\sqrt {{\frac {1}{N}}\sum _{i=1}^{N}\delta _{i}^{2}}}$

где δ _i - расстояние между атомом i и либо эталонным атомом, соответствующим в другой структуре, либо средней координатой N эквивалентных атомов. Как правило, результат RMSD измеряется в единицах Ангстрем (Å), что эквивалентно 10 ⁻¹⁰ м. Чем ближе к нулю значение RMSD, тем более похожи структуры.

Структурные подписи на основе графов

Структурные сигнатуры, также называемые отпечатками пальцев, представляют собой представления структуры макромолекул , которые можно использовать для вывода о сходствах и различиях. Сравнение большого набора белков с использованием RMSD по-прежнему является проблемой из-за высоких вычислительных затрат на структурное выравнивание. Структурные сигнатуры, основанные на шаблонах расстояний в графе между парами атомов, использовались для определения векторов, идентифицирующих белки, и для обнаружения нетривиальной информации. Кроме того, линейная алгебра и машинное обучение могут использоваться для кластеризации сигнатур белков, обнаружения взаимодействий белок-лиганд, прогнозирования ΔΔG и предложения мутаций на основе евклидова расстояния .

Прогнозирование структуры

График Рамачандрана, созданный на основе PCNA человека ( PDB ID 1AXC). Красная, коричневая и желтая области обозначают предпочтительные, разрешенные и «щедро разрешенные» области, как это определено ProCheck. Этот график можно использовать для проверки неправильно смоделированных аминокислот.

Атомные структуры молекул можно получить несколькими методами, такими как рентгеновская кристаллография (XRC) , ЯМР-спектроскопия и 3D-электронная микроскопия ; однако эти процессы могут быть дорогостоящими, а иногда некоторые структуры, такие как мембранные белки , трудно установить . Следовательно, необходимо использовать вычислительные подходы для определения трехмерных структур макромолекул. Методы прогнозирования структуры подразделяются на сравнительное моделирование и моделирование de novo .

Сравнительное моделирование

Сравнительное моделирование , также известное как моделирование гомологии, соответствует методологии построения трехмерных структур из аминокислотной последовательности целевого белка и матрицы с известной структурой. В литературе описано, что эволюционно родственные белки имеют тенденцию иметь консервативную трехмерную структуру. Кроме того, последовательности отдаленно родственных белков с идентичностью менее 20% могут иметь разные складки.

снова Моделирование

В структурной биоинформатике de novo моделирование , также известное как моделирование ab initio , относится к подходам к получению трехмерных структур из последовательностей без необходимости гомологичной известной трехмерной структуры. Несмотря на новые алгоритмы и методы, предложенные в последние годы, предсказание структуры белков de novo по-прежнему считается одной из остающихся нерешенными задач современной науки.

Проверка структуры

После моделирования конструкции необходим дополнительный этап проверки конструкции, поскольку многие алгоритмы и инструменты моделирования как сравнительного, так и «de novo» используют эвристику для попытки сборки трехмерной конструкции, что может привести к множеству ошибок. Некоторые стратегии проверки состоят из расчета энергетических показателей и сравнения их с экспериментально определенными структурами. Например, показатель DOPE — это показатель энергии, используемый инструментом MODELLER для определения лучшей модели.

Другая стратегия проверки состоит в вычислении двугранных углов φ и ψ основной цепи всех остатков и построении графика Рамачандрана . Боковая цепь аминокислот и характер взаимодействий в основной цепи ограничивают эти два угла, и, таким образом, визуализацию разрешенных конформаций можно выполнить на основе графика Рамачандрана . Большое количество аминокислот, расположенных в недопустимых позициях схемы, является признаком некачественного моделирования.

Инструменты прогнозирования

Список часто используемых программных инструментов для предсказания структуры белков , включая сравнительное моделирование , нарезку белков , de novo предсказание структуры белка и предсказание вторичной структуры , доступен в списке программного обеспечения для предсказания структуры белков .

Молекулярный стыковка

Изображение стыковки лиганда (зеленого цвета) с белком-мишенью (черным).

Молекулярный докинг (также называемый только стыковкой) — это метод, используемый для прогнозирования координат ориентации молекулы ( лиганда ) при ее связывании с другой молекулой (рецептором или мишенью). Связывание может осуществляться в основном за счет нековалентных взаимодействий, хотя также можно изучить ковалентно связанное связывание. Цель молекулярного стыковки — предсказать возможные положения (режимы связывания) лиганда , когда он взаимодействует с определенными участками рецептора. Инструменты стыковки используют силовые поля для оценки оценки лучших поз, которые способствуют лучшему взаимодействию между двумя молекулами.

В общем, протоколы стыковки используются для прогнозирования взаимодействия между небольшими молекулами и белками. Однако докинг также можно использовать для обнаружения ассоциаций и способов связывания между белками , пептидами , ДНК или РНК молекулами , углеводами и другими макромолекулами .

Виртуальный показ

Виртуальный скрининг (VS) — это вычислительный подход, используемый для быстрого скрининга больших библиотек соединений на предмет открытия новых лекарств . Обычно виртуальный скрининг использует алгоритмы стыковки для ранжирования небольших молекул с наибольшим сродством к целевому рецептору.

В последнее время для оценки использования виртуального скрининга в процессе открытия новых лекарств было использовано несколько инструментов. Однако такие проблемы, как недостающая информация, неточное понимание молекулярных свойств лекарств, слабые функции оценки или недостаточные стратегии стыковки, препятствуют процессу стыковки. Следовательно, в литературе указано, что она до сих пор не считается зрелой технологией.

Молекулярная динамика

Пример: молекулярная динамика глюкозотолерантной β-глюкозидазы.

Молекулярная динамика (МД) — это вычислительный метод моделирования взаимодействий между молекулами и их атомами в течение заданного периода времени. Этот метод позволяет наблюдать за поведением молекул и их взаимодействием, рассматривая систему в целом. Для расчета поведения систем и, таким образом, определения траекторий, МД может использовать уравнение движения Ньютона , а также использовать методы молекулярной механики для оценки сил, возникающих между частицами ( силовых полей ).

Приложения

Подходы к информатике, используемые в структурной биоинформатике:

• Выбор мишени. Потенциальные мишени идентифицируются путем сравнения их с базами данных известных структур и последовательностей. Важность цели можно определить на основе опубликованной литературы. Мишень также может быть выбрана на основе ее белкового домена . Белковые домены являются строительными блоками, которые можно перестраивать для образования новых белков. Первоначально их можно изучать изолированно.
• Отслеживание испытаний рентгеновской кристаллографии . Рентгеновскую кристаллографию можно использовать для выявления трехмерной структуры белка. Но чтобы использовать рентгеновские лучи для изучения кристаллов белков, необходимо сформировать кристаллы чистых белков, что может потребовать множества испытаний. Это приводит к необходимости отслеживания условий и результатов испытаний. Кроме того, алгоритмы контролируемого машинного обучения можно использовать для хранения данных для выявления условий, которые могут увеличить выход чистых кристаллов.
• Анализ рентгеноструктурных данных. Дифрактограмма, полученная в результате бомбардировки электронов рентгеновскими лучами, представляет собой Фурье-преобразование распределения электронной плотности. Существует потребность в алгоритмах, которые могут выполнять деконволюцию преобразования Фурье с частичной информацией (из-за отсутствия информации о фазе, поскольку детекторы могут измерять только амплитуду дифрагированных рентгеновских лучей, а не фазовые сдвиги). Техника экстраполяции, такая как многоволновая аномальная дисперсия, может использоваться для создания карты электронной плотности, которая использует расположение атомов селена в качестве ориентира для определения остальной части структуры. Стандартная шаростержневая модель создается на основе карты электронной плотности.
• Анализ данных ЯМР-спектроскопии. Эксперименты по спектроскопии ядерного магнитного резонанса дают двухмерные (или более) размерные данные, где каждый пик соответствует химической группе в образце. Методы оптимизации используются для преобразования спектров в трехмерные структуры.
• Корреляция структурной информации с функциональной информацией. Структурные исследования можно использовать в качестве исследования структурно-функциональных взаимосвязей.

Инструменты

Список инструментов структурной биоинформатики

Программное обеспечение	Описание
Я-ТАССЕР	Прогнозирование трехмерной модели структуры белковых молекул по аминокислотным последовательностям.
MOE	Молекулярная операционная среда (MOE) — это обширная платформа, включающая структурное моделирование белков, семейств белков и антител.
СБЛ	Библиотека структурной биоинформатики: приложения для конечных пользователей и передовые алгоритмы
BALLView	Молекулярное моделирование и визуализация
ЖАЛО	Визуализация и анализ
ПиМОЛ	Просмотрщик и моделирование
ВМД	Просмотрщик, молекулярная динамика
Громаки	Сворачивание белков, молекулярная динамика, уточнение молекулярной модели, генерация силового поля молекулярной модели
ЛАММПС	Сворачивание белков, молекулярная динамика, уточнение молекулярных моделей, квантово-механические макромолекулярные взаимодействия
ИГРА	Молекулярное силовое поле, уточнение заряда, квантовая молекулярная динамика, моделирование белково-молекулярных химических реакций (перенос электронов),
Король	Программа с открытым исходным кодом. Java изображений просмотра
СТРАЙД	Определение вторичной структуры по координатам
ДССП	Алгоритм присвоения вторичной структуры аминокислотам белка
МолПробити	Веб-сервер проверки структуры
ПРОЧЕК	-сервис проверки структуры Веб
ЧеШифт	Онлайн-приложение для проверки структуры белка
3D-mol.js	Молекулярный просмотрщик веб-приложений, разработанных с использованием Javascript.
Пропка	Быстрое прогнозирование значений pKa белка на основе эмпирических взаимосвязей структура/функция
МЕТОД	Компьютерное определение резонанса
Док-сервер	Веб-сервер молекулярной стыковки
СтарБиохим	Средство просмотра белков Java с возможностью прямого поиска в банке данных белков.
ЛОПАТА	Среда разработки приложений структурной протеомики
PocketSuite	Веб-портал для различных веб-серверов для привязки анализа на уровне сайта. PocketSuite разделен на: PocketDepth (предсказание сайта привязки) PocketMatch (сравнение сайтов привязки), PocketAlign (выравнивание сайтов привязки) и PocketAnnotate (аннотации сайтов привязки).
МСЛ	Библиотека программного обеспечения для молекулярного моделирования C++ с открытым исходным кодом для реализации методов структурного анализа, прогнозирования и проектирования.
PSСпред	Прогнозирование вторичной структуры белка
Протей	Веб-инструмент для предложения пар мутаций
HR	Сервер для прогнозирования влияния мутаций на стабильность белка

См. также

• ММДБ
• Банк данных по белкам
• База данных структурной классификации белков
• ЖАЛО
• Молекулярное моделирование
• Список программного обеспечения для моделирования молекулярной механики
• Прогнозирование структуры белка
• КАСП

Дальнейшее чтение

• Борн П.Е., Гу Дж. (2009). Структурная биоинформатика (2-е изд.). Нью-Йорк: Джон Уайли и сыновья. ISBN  978-0-470-18105-8 .
• Борн П.Е., Вайссиг Х. (2003). Структурная биоинформатика . Уайли. ISBN  0-471-20199-5 .
• Лич А (2001). Молекулярное моделирование: принципы и приложения (2-е изд.). Прентис Холл. ISBN  978-0-582-38210-7 .
• Пайч MC, Шведе Т (2008). Вычислительная структурная биология: методы и приложения . Всемирная научная. ISBN  978-9812778772 .
• Леонтис Н.Б., Вестхоф E (апрель 2001 г.). «Геометрическая номенклатура и классификация пар оснований РНК» . РНК . 7 (4): 499–512. дои : 10.1017/S1355838201002515 . ПМК   1370104 . ПМИД   11345429 .
• Ричардсон Дж.С. (1981). «Анатомия и систематика структуры белка». Достижения в области химии белков, том 34 . Том. 34. стр. 167–339. дои : 10.1016/S0065-3233(08)60520-3 . ISBN  978-0-12-034234-1 . ПМИД   7020376 .
• Рамачандран Г.Н. , Сасисекхаран В. (1968). «Конформация полипептидов и белков». Достижения в химии белков, том 23 . Том. 23. С. 283–438. дои : 10.1016/S0065-3233(08)60402-7 . ISBN  978-0-12-034223-5 . ПМИД   4882249 .
• Рамачандран Г.Н., Рамакришнан С., Сасишекаран В. (июль 1963 г.). «Стереохимия конфигураций полипептидных цепей». Журнал молекулярной биологии . 7 : 95–9. дои : 10.1016/S0022-2836(63)80023-6 . ПМИД   13990617 .