1 / 29

Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e

Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e. Kozlovszky Miklós m.kozlovszky@ieee.org 3 . Előadás. Ismétlés. Inform áció kódolás Jelkészlet: IUPAC Fileformátumok Genbank PDB FASTA ASN.1. Ismétlés II. Enzimek: szubsztrát->tranzíciós állapot-> produktum Kötődési modellek

zea
Télécharger la présentation

Bevezetés a Bioinformatikába Fehérjék t é rszerkezet e

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Bevezetés a BioinformatikábaFehérjék térszerkezete Kozlovszky Miklós m.kozlovszky@ieee.org 3. Előadás

  2. Ismétlés • Információ kódolás • Jelkészlet: IUPAC • Fileformátumok • Genbank • PDB • FASTA • ASN.1

  3. Ismétlés II. • Enzimek: szubsztrát->tranzíciós állapot-> produktum • Kötődési modellek • Kulcs-zár • Indukált illesztés • Aktív hely, szubsztrát kötő hely • Fehérje adatbázisok • PDB, Swiss-prot

  4. 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

  5. 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!)

  6. Fizikai tulajdonságok 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/

  7. Fizikai tulajdonság és a 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

  8. Struktúra osztályozás • Adatbankok • SCOP (structural Classification of Proteins) • http://scop.mrc-lmb.cam.ac.uk/scop/ • CATH • hasonló a SCOP-hoz, csak más szempontok alapján osztályoz • http://www.biochem.ucl.ac.uk/bsm/cath/cath.html

  9. Kérdés:Miért kell térszerkezetet jósolni?

  10. Válaszok • 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

  11. Szekvencia<?>struktúraSzent 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

  12. Másodlagos struktúrajóslás pontosság 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

  13. Megoldások, eszközök I. • 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 aminosavsorrendből felállított struktúrák alapján gyakoriságot vizsgál • Neurális hálózatokkal: Qian & Sejnowski (1988) • Korábbi algoritmusokból kapott tudást MI-vel megtámogatták • Q3 pontosság kb:60-65%

  14. 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?

  15. Strukturálatlan részek predikciója • Viszonylag új terület • A genom kb. 1/5-e ilyen területeket kódol • DISOPRED (2004, Ward et al.) • http://bioinf.cs.ucl.ac.uk/disopred/

  16. Viszgált Szekvencia Fold adatbázis Hasonlóság mérése Pont, vagy potenciál Fold recognition

  17. Megoldások, 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

  18. 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

  19. 3D Jóslási 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

  20. Modell 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/

  21. Fehérjeszerkezet megismerési 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)

  22. Elektroforézis • 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

  23. Tömegspektrometria – 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)

  24. Tömegspektometria 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.

  25. Egy 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.

  26. MALDIMatrix-Assisted Laser Desorption Ionization • 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

  27. Analízátor 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 Elektr. mezőenerg. Kinetikus energia Tömeg-töltés (Mass-to-charge) arány

  28. Röntgen kristallográfia • Kristályosítani kell hozzá az anyagokat • Nagy és tiszta protein kristályok • Nehéz előállítás • Sok fehérjét nem „lehet” kristályosítani • Pl. a vízre érzékeny membránproteinek elveszítik formájukat

  29. NMRNuclear 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 :)

More Related