Esempio: distanze tra i Cα. g: Distanza media da una gap i: percentuale di iden7tà a: accessibilità al solvente d : distanza

Transcript

1 Altra possibilità Spesso abbiamo più di una proteina di stru4ura nota omologa alla nostra (templa7) Ciascun templato ha una diversa distanza evolu7va dalla nostra proteina target e quindi sarà più o meno simile in stru4ura Possiamo o4enere le distribuzioni di probabilità (PDF) di osservare certe differenze tra distanze, angoli, etc, in funzione della distanza evolu7va

2 Esempio: distanze tra i Cα g: Distanza media da una gap i: percentuale di iden7tà a: accessibilità al solvente d : distanza

3 Allinea sequenze e stru4ure Modeller Estrai i vincoli spaziali OJmizza soddisfacendo i vincoli

4 Tasser

5 Se non abbiamo un templato Metodi ab ini7o non sono ancora sufficientemente accura7 I metodi più accura7 al momento sono basa7 su frammen7

6 Metodi basa7 su frammen7 AVGIFRAAVCTRGVAKAVDFVP AVGIFR AAVCTR GVAKAVDF Dividiamo la sequenza in frammen7

7 Metodi basa7 su frammen7 AVGIFRAAVCTRGVAKAVDFVP AVGIFR AAVCTR GVAKAVDF Dividiamo la sequenza in frammen7 Per ciascun frammento cerchiamo LE regioni di proteine di stru4ura nota con similarità di sequenza

8 Metodi basa7 su frammen7 AVGIFRAAVCTRGVAKAVDFVP AVGIFR AAVCTR GVAKAVDF Combiniamole casualmente

9 Metodi basa7 su frammen7 AVGIFRAAVCTRGVAKAVDFVP AVGIFR AAVCTR GVAKAVDF Combiniamole casualmente

10 Metodi basa7 su frammen7 AVGIFRAAVCTRGVAKAVDFVP AVGIFR AAVCTR GVAKAVDF Combiniamole casualmente

11 Metodi basa7 su frammen7 OTTIMIZZAZIONE: Monte Carlo, Simulated annealing, algoritmi gene7ci,...

12 Potenziali di coppia

13 [ ] " " # $ % % & ' = atoms bonded non C ij j i C ij ij C ij ij C angles dihedrals eq C eq bonds C b C r q q r B r A n K K b b K E, 0 6, 12, 2 2 ) cos( 1 2 ) ( ) ( ε γ φ φ θ θ θ Energia

14 Metodi basa7 su frammen7 Si dis7nguono per: La dimensione dei frammen7 Il data base di frammen7 La metodologia di selezione dei frammen7 La funzione o le funzioni energia

15 Metodi basa7 su frammen7 In alcuni casi usano domini o arrangiamen7 frequen7 di stru4ure secondarie (stru4ure supersecondarie) Templa7 stru4urali Domini stru4urali Iden7ficazione di domini Modello finale Assemblaggio e ojmizzazione

16 Possibile schema Frammen7 candida7 Selezione dei frammen7 Sequenza di amino acidi Assemblaggio dei frammen7 Modelli OJmizzazione Valutazione Lista ordinata

17 Possibile schema Frammen7 candida7 Selezione dei frammen7 Sequenza di amino acidi Assemblaggio dei frammen7 Predizioni Modelli OJmizzazione Da7 sperimentali Valutazione Lista ordinata

18 Predizioni Stru4ura secondaria Basa7 su metodi di apprendimento automa7co Accessibilità al solvente Basa7 su metodi di apprendimento automa7co ContaJ...

19 Predizione di contaj Inferenza ContaJ Correla7 (per esempio usando le matrici di similarità)

20 Predizione di contaj

21 Mutua informazione La differenza di entropia tra la co- occorrenza osservata delle frequenze f ii (A i,a j ) della coppia Ai, Aj ripe4o alla distribuzione f i (A i )f ij (A j ) che ci si aspe4a se non ci sono correlazioni

22 Qualche esempio con MI

23 Direct couplings Dove: Z e una costante di normalizzazione. E ii (A i, A j ) e h i (A i ) sono i mol7plicatori di Lagrange che forzano l accordo del modello probabilis7co con l occorrenza di coppie e residui. E analogo alle espressioni di fisica sta7s7ca per la probabilità di un sistema di par7celle mul7ple, come nei modelli di Ising o di Po4s. La differenza logica è che sos7tuisce la probabilità di coppie fii(a i,a j ) con la probabilità vincolate di coppia P Dir ij (A i, A j ) che è resa consistente su tu4e le coppie

24 Qualche esempio con DC

25 Marks DS, Colwell LJ, Sheridan R, Hopf TA, Pagnani A, et al. (2011) Protein 3D Structure Computed from Evolu7onary Sequence Varia7on. PLoS ONE 6(12): e doi: /journal.pone h4p://journals.plos.org/plosone/ar7cle?id=info:doi/ /journal.pone

26 Marks DS, Colwell LJ, Sheridan R, Hopf TA, Pagnani A, et al. (2011) Protein 3D Structure Computed from Evolu7onary Sequence Varia7on. PLoS ONE 6(12): e doi: /journal.pone h4p://journals.plos.org/plosone/ar7cle?id=info:doi/ /journal.pone

27 Si può usare la dinamica molecolare ) + K en K b (b C b eq ) 2 + K θ (θ C θ eq ) bonds angles * +K sp K (b C b sp ) dati dihedrals Kϕ 1+ cos(nϕ C γ) 2 [ ] + nonbonded atoms # % $ % B ij + q q, & i j. ( 12 6 r ij,c ε 0 r ij,c '(. + - A ij r ij,c Il peso rela7vo della componente energe7ca e della componente sperimentale varia durante la simulazione, all inizio si da più peso a quella sperimentale.

28 O la Distance geometry Si usano i vincoli per generare una matrice di distanze La matrice è incompleta, si possono usare le diseguaglianze triangolari più la chilarita Deve essere combinata con metodi energetici per generare strutture ragionevoli

29 Per approfondire h4p://journals.plos.org/plosone/ar7cle? id= /journal.pone #s4

30 CASP Critical assessment of techniques for protein structure prediction

31 Lo scopo Stato dell arte nella predizione delle strutture delle proteine (e argomenti correlati) Identificazione dei progressi Individuazione delle aree che necessitano di ulteriore ricerca

32 La stru4ura Organizzatori John Moult, (Tim Hubbard), (Burkhard Rost), Anna Tramontano, Torsten Schwede, Krzysztof Fidelis, Andriy Kryshtafovych Assessors Predi4ori Il Predic7on Center (

33 Il metodo Raccolta di sequenze di proteine la cui stru4ura sta per essere elucidata (targets) Raccolta di predizioni per ciascun target (fino a 5 per predi4ore) Valutazione dell'accuratezza dei metodi in modalità anonima Biennale Sia predi4ori umani che server automa7ci

34 Organizzazione Incontro dei nuovi assessor con i preceden7 Collezione dei target Collezione delle predizioni Definizione di categorie e domini Valutazione automa7ca Valutazione degli assessor Secondo incontro con gli assessor e rivelazione iden7tà dei predi4ori Convegno CASP Pubblicazione dei risulta7

35 Categorie Template Based Methods Free Modelling Refinement Contact assisted modeling Model quality Disorder predic7on Contact predic7on Ligand binding site

36 Predi4ori e predizioni

37 La valutazione automa7ca

38 Misure per predizioni 3D GDT TS =100 n 1 + n 2 + n 4 + n 8 4 aligned _length GDT HA =100 n n 1 + n 2 + n 4 4 aligned _length

39 Perché gli assessor?

40 CASP9

41 CASP9: server

42 Free modelling

43 Free modelling

44 Score Free modelling

45 Free modelling

46 La stru4ura quaternaria

47 La stru4ura quaternaria

48 Refinement

49 Refinement

50 ContaJ

51 E la funzione? Anche in questo caso c'è un esperimento internazionale (CAFA), ma le cose sono molto più complesse

52 CAFA Annotate sperimentalmente Prima: Annotate computazionalmente Ora: annotate sperimentalmente (866) Annotate computazionalmente tempo Fase di predizione Accumulo da7 Valutazione From h4p://biofunc7onpredic7on.org/

53 Grafi semplici e DAG Semplice gerarchia 1 genitore DAG (Directed acyclic graph) > 1 genitore E un istanza di Segnala a4raverso

54 Gene Ontology Biological process Molecular func7on Cellular Component

55 Funzioni associate a domini

56

57 Interazioni macromolecolari Metodi basa7 sulle sequenze Quali proteine interagiscono? Metodi basa7 sulle stru4ure Date due proteine che interagiscono, qual è la stru4ura del complesso?

58 Metodi basa7 sulle sequenze Profili genomici Fusione Mutazioni correlate Mirror tree Domini funzionali

59 Profili genomici Iden7ficazione di proteine sempre entrambe assen7 o entrambe presen7 in genomi diversi Genoma Proteina A B C D E = PRESENTE 0 = ASSENTE Proteina 1 : 1011 Proteina 4: 1011 Predizione: 1 e 4 interagiscono

60 Fusione Iden7ficazione di proteine in un genoma che sono fuse in un altro genoma Proteina 1 Proteina 2 Genoma A Genoma B Proteina 3 Predizione: 1 e 2 interagiscono

61 Mutazioni correlate Iden7ficazione di mutazioni correlate fra due allineamen7 mul7pli di proteine diverse

62 Mirror tree Iden7ficazione di proteine che evolvono con modalità simili MSA della proteina R MSA della proteina R

63

64

65 Domini funzionali Iden7ficazione di moduli (domini funzionali) che sono no7 interagire l uno con l altro