bevezetés a bioinformatikába fehérjék t é rszerkezet e
DESCRIPTION
Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e. Kozlovszky Miklós [email protected] 3 . Előadás. Ismétlés. Inform áció kódolás Jelkészlet: IUPAC Fileformátumok Genbank PDB FASTA ASN.1. Ismétlés II. Enzimek: szubsztrát->tranzíciós állapot-> produktum Kötődési modellek - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/1.jpg)
Bevezetés a BioinformatikábaBevezetés a BioinformatikábaFehérjékFehérjék t téérszerkezetrszerkezetee
Kozlovszky Miklós
3. Előadás
![Page 2: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/2.jpg)
IsmétlésIsmétlés
Információ kódolás– Jelkészlet: IUPAC– Fileformátumok
Genbank PDB FASTA ASN.1
![Page 3: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/3.jpg)
Ismétlés II.Ismétlés II.
Enzimek: szubsztrát->tranzíciós állapot-> produktum
Kötődési modellek– Kulcs-zár– Indukált illesztés
Aktív hely, szubsztrát kötő helyFehérje adatbázisok
– PDB, Swiss-prot
![Page 4: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/4.jpg)
Felhasználási területek I.Felhasználási területek I.
Molekulastruktúra megjelenítés– Számítógépes grafikával– Aktív centrumok meghatározása– Másodlagos szerkezet analízis– Domén identifikáció– Molekulageometria analízis– Molekulák közötti kapcsolati területek– Molekulafelszín vizualizáció– Elektrostatikus potenciál számolás
![Page 5: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/5.jpg)
Fehasználási területek II.Fehasználási területek II. Fehérjeazonosítás
– Aminosav összetétel/tömeg/izoelektromos pont stb. alapján– Struktúra klasszifikáció, fehérje azonosításhoz
Struktúra illesztés, összehasonlítás– Rokonsági (pl. evolúciós) kapcsolatok kutatása
Fizikai tulajdonságok predikciója a szekvenciából– Térszerkezet-predikció – Oldószer általi hozzáférhetőség predikciója– Transzmembrán hélixek predikciója– Kölcsönhatások predikciója– Töltésviszonyok predikciója– Felszíni struktúrák, üregek meghatározása (hozzáférési pontok!)
![Page 6: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/6.jpg)
Fizikai tulajdonságok Fizikai tulajdonságok és a szekvencia I.és a szekvencia I.
Aktív területek jóslása– http://www.biochem.ucl.ac.uk/bsm/ligplot/
ligplot.html
Topológia-cartoon (segít a vizualizációban)– http://www3.ebi.ac.uk/tops/
![Page 7: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/7.jpg)
Fizikai tulajdonság és a Fizikai tulajdonság és a szekvencia II.szekvencia II.
Naccess (Oldékonyság/oldhatóság)– A hozzáférhető molekulákat számolja PDB file-ból– http://wolf.bms.umist.ac.uk/naccess/
Elektrosztatikus potenciál számolás + molekula dinamika+ brown mozgás szimulációk– UHBD (University of Houston Brownian Dynamics)
http://adrik.bchs.uh.edu/uhbd.html
![Page 8: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/8.jpg)
Struktúra osztályozásStruktúra osztályozás
Adatbankok – SCOP (structural Classification of Proteins)
http://scop.mrc-lmb.cam.ac.uk/scop/
– CATH hasonló a SCOP-hoz, csak más szempontok alapján
osztályozhttp://www.biochem.ucl.ac.uk/bsm/cath/cath.html
![Page 9: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/9.jpg)
Kérdés:Kérdés:Miért kell térszerkezetet Miért kell térszerkezetet jósolnijósolni??
0
50000
100000
150000
200000
250000
300000
1984 1986 1988 1990 1992 1994 1996 1998 2000
Year
Num
ber
of e
ntri
es
Sequences (PIR)
Structures (PDB)
![Page 10: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/10.jpg)
VálaszokVálaszok
A kísérletek– költségesek– nehezen automatizálhatóak– sok időbe kerülnek
In silico:– Olcsó, „gyors”,automatizálható => pontatlan
Ha tudjuk a szerkezetet– következtethetünk a funkcióra
Ha többféle vizsgálatot használunk csökken a tévedés veszélye
![Page 11: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/11.jpg)
SzekvenciaSzekvencia<<??>strukt>struktúraúraSzent grál kereséseSzent grál keresése
CASP– Aminosav szekvenciából struktúra jóslás– Két évente rendezik a versenyt– http://predictioncenter.org/– Népszerű verseny (sok algoritmus)– A verseny nyílt, az algoritmusokat többféle
szempont alapján rangsorolják
![Page 12: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/12.jpg)
Másodlagos struktúrajóslás Másodlagos struktúrajóslás pontosság mérésepontosság mérése
Q3 mérőszám– N-aminosavak száma a láncban
– Nr3-helyesen jósolt struktúra (alfa-hélix, stb.)
Sov mérőszám (Segment overlap score) (Burkhard Rost et al.) Erősebb mint a Q3
Büntetőpontokat ad ha nem összefüggő a szekvencia (lukakért)
– Megjegyzés Legyünk mindig konzervatívak, érdemes átlagos értékekkel számolni,
Egyszerű statisztikák, nincs bennük „fontossági” mérőszám
Szürke szín=egyezés
![Page 13: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/13.jpg)
• Első generációs algoritmusok (70-es évek) egyszerű aminosav sorrenden alapultak:• Chou & Fasman (1974) (Aminosav táblázatból)• Lim (1974)• Garnier, Osguthorpe & Robson (1978)• Q3 pontosság kb: 50-55%
• Második generációs algoritmusok (80-as évek)Peptid szegmenseken alapulnak:• GOR III (1987) ismert aminosav sorrendből felállított
struktúrák alapján gyakoriságot vizsgál• Neurális hálózatokkal: Qian & Sejnowski (1988)
• Korábbi algoritmusokból kapott tudást MI-vel megtámogatták
• Q3 pontosság kb: 60-65%
Megoldások, eszközök I.Megoldások, eszközök I.
![Page 14: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/14.jpg)
Megoldások, eszközök II.Megoldások, eszközök II.
Harmadik generációs algoritmusok (90-es évek)Evolúciós információk alapján, többszörös szekvencia illesztéssel• PHD (Q3 ~ 70%)
-Rost B, Sander, C. (1993)• PSIPRED (Q3 ~ 77%)
- http://bioinf.cs.ucl.ac.uk/psipred/- Jones, D. T. (1999) - Sok éven át vezette a CASP-ot
Negyedik generációs algoritmusok? – Max 88% felső korlát?
![Page 15: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/15.jpg)
Strukturálatlan részek Strukturálatlan részek predikciójapredikciója
Viszonylag új területA genom kb. 1/5-e ilyen területeket kódolDISOPRED (2004, Ward et al.)
– http://bioinf.cs.ucl.ac.uk/disopred/
![Page 16: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/16.jpg)
Fold recognitionFold recognition
Viszgált Szekvencia
Fold adatbázis
Hasonlóság mérése
Pont, vagy potenciál
![Page 17: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/17.jpg)
Megoldások, eszközökMegoldások, eszközök THREADER, Jones et al. (1992)
– Nem próbál pontos struktúrát meghatározni– Elég hatékony, de lassú is– Kisebb szerkezeti struktúrákhoz jól használható, teljes
modellekre kevésbé– Az eredmények nehezen értelmezhetők– ftp://bioinf.cs.ucl.ac.uk/pub/threader/manual.pdf
![Page 18: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/18.jpg)
Transzmembrán-hélixek Transzmembrán-hélixek Nagyon fontos terület (80-as évektől)
– (Sejt)membránokhoz/ba kapcsolódás– Membránfehérjék szükségesek alapvető dolgokhoz pl:fotoszintézis,idegi
aktiváció,légzés,immunválasz,sejtközötti jelátvitel,stb…. Fehérje struktúrákat keresünk, melyek:
– Adott helyeken hélix szerkezetűek (17-25 aminosav hossz)– Meghatározott helyeken hidrofób struktúrájuk van– Használható szoftverek
TMHMM
– www.cbs.dtu.dk/services/TMHMM-2.0/ TOPPRED2
– http://bioweb.pasteur.fr/seqanal/interfaces/toppred.html MEMSAT
– http://saier-144-37.ucsd.edu/memsat.html
Kb. 90-95%-os pontosság
![Page 19: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/19.jpg)
3D 3D Jóslási módszerek általánosságbanJóslási módszerek általánosságban
Egyszerűnek tűnik, de nem az… Két út
– Homológia modellezés (Összehasonlítjuk ismert dolgokkal)
http://salilab.org/modeller/– Ab-initio-jóslás
(Kezdeti szekvenciából jósolunk) Már a másodlagos szerkezeteknél is gondban vagyunk, hátmég ha
bonyolítjuk a dolgot! (Samudrala- RAMP)
Harmadik út...– Hibrid módszereket alkalmazunk
![Page 20: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/20.jpg)
Modell ellenőrzésModell ellenőrzés
Fontos, mert messze vagyunk a 100%-tól– VERIFY-3D
http://nihserver.mbi.ucla.edu/Verify_3D/
– PROCHECK http://www.biochem.ucl.ac.uk/~roman/procheck/
procheck.html
– WHAT IF http://swift.cmbi.kun.nl/whatif/
![Page 21: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/21.jpg)
Fehérjeszerkezet megismerési Fehérjeszerkezet megismerési metodikák (ismétlés)metodikák (ismétlés)
Különválasztás legjellemzőbb tulajdonságok alapján– Méret (SDS-poliakrilamid, gélelektroforézis,
ultracentrifugálás, gélszűrés és kromatográfia– Oldékonyság (oldószerek, detergensek,pH érték)– Töltés (elektroforézis,elektroforézis pH grádiensben)– Kötődési affinitás– Aminosavak mennyiségi meghatározása– Aminosav sorrend meghatározása– 3D fehérjeszerkezet (rtg. kristallográfia, NMR)
![Page 22: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/22.jpg)
ElektroforézisElektroforézis
Elektroforézis (ismétlés) – Oldatban lévő különböző molekulatömegű és töltésű
(ionizált) részecskék elektródák (anód: +, katód: –) közötti elektromos erőtér hatására ellentétes töltésük szerint vándorolnak.
– Markerek használata– Gél mint vivő közeg
(pl. poliakrilamid – PAGE, agaróz,stb.)– nx100V,mx10perc, a végén festés/rögzítés– A gél (vivőanyag) pórusmérete változtatható
Elektroforézis pH grádiensben
![Page 23: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/23.jpg)
Tömegspektrometria Tömegspektrometria – mass spectrometry -– mass spectrometry -
Jelenleg az egyik leghatékonyabb vizsgálati módszer J.J.Thomson (1910-es évek) – izotóp kutatás 1950-es évektől szerves vegyületekre is alkalmazzák MA: Gyors (20-30 perc)->összetett elegyek minőségi
és mennyiségi elemzése Ionos részecskéket választunk el fajlagos tömegük
(töltésegységre eső tömegük: m/z) szerint csökkentett nyomáson, elektromos, vagy mágneses mezők segítségével.
Felhasználási területek:BioTech, gyógyszerkutatás, környezetvédelem, ellenőrzés (pl.:víz, élelmiszer)
![Page 24: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/24.jpg)
Tömegspektometria alapjaTömegspektometria alapja
Az elválasztott ionok intenzitását folyamatosan mérjük, s így egy ionáram intenzitás - fajlagos tömeg függvénykapcsolathoz, az ún. tömegspektrumhoz jutunk.
Nincs két olyan szerves vegyület, amelyiknek a tömegspektruma (a legintenzívebb ion intenzitására normált, ún. karakterisztikus tömegspektruma) azonos lenne.
Magyarul:megkapjuk a vizsgált peptidek pontos molekulatömegét. Ennek alapján a fehérje azonosítható.
![Page 25: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/25.jpg)
Egy általános tömegspektrométer részeiEgy általános tömegspektrométer részei Mintabeviteli rendszer Ionforrás, ionoptikával, mely ionokat gerjeszt az alábbi
módszerekkel:– Elektronütközéssel
50-75eV energiájú elektronokat ütköztet Gáz fázis->bomlás nélkül kell párologtatni a vegyületet,stabilitás! Elterjedt (adatbankok)
– Kémiai ionizációval (reagens gázzal ütközteti a vegyületet)– Gyors atom bombázással (FAB) (hőérzékenyek dolgokhoz használják)– Mátrix közvetítésével végzett lézer deszorpciós ionizációval (kíméletes!)
lásd a következőkben:MALDI
Analizátor Detektor Vákuumrendszer Számítógép szabályzó és adatkezelő (gyűjtő, feldolgozó, archiváló)
funkcióval.
![Page 26: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/26.jpg)
Jól szabályozható ionizáció lehetővé teszi termikusan igen érzékeny anyagok (enzimek,
hormonok, nagy tömegű biomolekulák, fehérje szekvenciák, stb. tömegspektrometriás vizsgálatát.
A lézer forrásból származó gerjesztő energiát egy mátrix veszi fel és közvetíti a vizsgálandó molekulák felé.
A keletkezett ionokat azután egy nagy térerejű gyorsító rendszer (60-100 kV) kiszívja
Deszorbeálja a kondenzált fázisból Azután a detektor érzékeli
MALDIMALDIMatrix-Assisted Laser Desorption Ionization Matrix-Assisted Laser Desorption Ionization
![Page 27: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/27.jpg)
Analízátor típusokAnalízátor típusok Az elválasztás többféle elv alapján oldható meg. Repülési idő (TOF: time of flight) -> TOF-MALDI Analizátos lehet még: elektromos (pl. kvadropól, rádiófrekvenciás,
ioncsapda, omegatron), mágneses analizátorú, elektrosztatikus, kettős fókuszálású, tandem, stb.
eV = KE = mv2/2
Kinetikus energia
Tömeg-töltés (Mass-to-charge) arány
Elektr. mezőenerg.
20 40 60 80 100
50
100
m/z
Rel. int.%
M+.
86
58
57
4129
![Page 28: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/28.jpg)
Röntgen kristallográfiaRöntgen kristallográfiaKristályosítani kell hozzá az anyagokat
– Nagy és tiszta protein kristályok – Nehéz előállítás– Sok fehérjét nem „lehet” kristályosítani
Pl. a vízre érzékeny membránproteinek elveszítik formájukat
![Page 29: Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e](https://reader036.vdocuments.net/reader036/viewer/2022081516/56814f6a550346895dbd2054/html5/thumbnails/29.jpg)
NMRNMRNuclear Magnetic ResonanceNuclear Magnetic Resonance
Pauli (1924-25): „az atommagnak is van impulzus, és ezáltal mágneses momentuma”
Edward M. Purcell & Felix Bloch (1946) Több mint fél tucat Nobel-díj idáig az NMR kutatások
segítségével Felhasználási területek:
– Gyógyszeripar, anyagtudományok, kémia, élelmiszeripar,stb.
Egyszerüsített működése:– Az anyagot rádióhullámokkal gerjesztjük,
miközben erős elektromos térben van– Figyeljük a választ, nagyon érzékenyen :)