Desafos en Bioinformtica

1
Desafíos en Bioinformática
2
Plan de la presentación

• Consideraciones Generales
• Predicción de Funciones
• Interacción PP
• Plegamiento Un modelo de juguete

3
Consideraciones Generales
Databases Building, Querying Text String
Comparison Text Search, 1D Alignment,
Statistics Finding Patterns AI / Machine
Learning, Clustering, Mining Geometry
Robotics, Graphics (Surfaces, Volumes),
Comparison and 3D Matching, (Vision,
recognition) Physical Simulation Newtonian
Mechanics, Electrostatics, Numerical
Algorithms, Simulation
4
Predicción de funciones

• Introducción
• Antecedentes
• Método planteado
• Problema Computacional

5
Introducción

• Las proteínas intervienen en todas las funciones
  vitales de los organismos.

Biochemistry, 3rd Edition, Mathews, van Holde,
Ahern. Mc Graw Hill
6
Introducción
Situación actual

• El Proyecto Proteoma Humano es la continuación
  del Proyecto Genoma Humano. Su meta es
  encontrar la función de todas la proteínas
  identificadas en el genóma.

Nature 402, 715720, 1999 Nature 403, 815-816,
2000

• Debido a varios proyectos Internacionales como el
  Structural Genomics Iniciative se ha encontrado
  la estructura terciaria de una gran cantidad de
  proteínas, sin embargo el determinar la función
  de éstas no se hace a la misma velocidad, y esta
  brecha se incrementa día con día.

• Gran necesidad de métodos automáticos para
  predicción de funciones de proteínas.

7
Introducción
Paradigmas de predicción automática de función de
las proteínas

• Transferencia de función basada en homólogos.
• Métodos filogenómicos.
• Patrones en las secuencias.
• Métodos basados en alineamiento de estructuras.
• Métodos basados en patrones de estructuras.

Friedberg, 2006
8
Introducción
Dificultad del problema

• La definición de función de una proteína es
  ambigua, (aspectos bioquímicos, biológicos,
  fisiológico, clínico, etc.) Friedberg, 2006.
• Función es todo aquello que le sucede o se hace a
  través de una proteína Rost, 2003.
• La caracterización de las proteínas o
  anotaciones almacenadas en las bases de datos
  no tienen un lenguaje estandarizado, y en
  consecuencia son difícil de interpretar por los
  sistemas de cómputo Friedberg, 2006.
• Generalmente las anotaciones están en lenguaje
  natural con cometarios particulares Friedberg,
  2006.

9
Introducción
Dificultad del problema
Por lo anterior, se propuso delimitar el trabajo
a algún grupo de enzymas. Con esto nos enfocamos
a las funciones de catálisis de procesos
bioquímicos.
El tipo de funciones está bien caracterizado y
existen varias clasificaciones de estás.
Existen varias bases de datos con información
estructurada sobre Enzimas.
Con lo que se probará el método sobre un caso
bien estudiado.
10
Qué se requiere?

• Desarrollar un método eficiente y robusto para
  determinar la función de proteínas (enzimas) con
  estructura tridimensional conocida. El método
  determinará si la proteína pertenece o no a un
  conjunto particular de enzimas con función o
  características funcionales similares.

11
Antecedentes

• La estructura de una proteína está correlacionada
  con las características funcionales de bajo nivel
  de ésta Martin et al., 1998.

• Las enzimas están clasificadas en base a su
  función bioquímica. Esta clasificación está
  estructurada en 4 niveles de lo general a lo
  particular y representada mediante un código
  llamado E.C. formado por 4 números
  consecutivos.

12
Antecedentes

• El sitio activo (sitio catalítico) de las enzimas
  generalmente se encuentra en la primera o
  segunda cavidad más grande de la superficie de la
  enzima Laskowski et al., 1996.

Lugar más probable para el sitio catalítico
13
Antecedentes

• La función catalítica de las enzimas está
  definida por cuatro o menos residuos en el sitio
  catalítico de la enzima Porter et al., 2004.

• La CSA (Catalytic Site Atlas) es una base de
  datos en la que se encuentran documentados todos
  los sitos catalíticos encontrados
  experimentalmente y varios más transferidos por
  homología (PSI-BLAST) con los anteriores Porter
  et al., 2004.

14
Antecedentes

• Se demostró que es posible diferenciar cavidades
  que son sitios activos y las que no lo son,
  usando un clasificador Bayesiano y representando
  los datos de estás como tres vectores ortogonales
  (eigen-vectores). Kim s. et al., 2006

15
Método
Se usará la información de estructuras terciarias
y de sitios catalíticos de enzimas ya
caracterizadas, la cual está disponible en el PDB
y el CSA. Procesando estos datos con métodos de
clasificación se buscarán patrones de relación
entre la estructura y la función de la enzima.
El proceso está integrado por dos fases

• Entrenamiento del Clasificador
• Clasificación de la enzima

16
Una propuesta
17
Método
Entrenamiento del Clasificador
1.- Determinar la clase de enzimas que se quiere
reconocer. En base a esto seleccionar de las
bases de datos PDB y CSA un conjunto de enzimas
representativas de dicho grupo, y otro conjunto
de enzimas ajenas al grupo. Con estos dos
conjuntos se crea el conjunto de entrenamiento.
En la actualidad existen varios criterios para
clasificar las enzimas Clasificación de
funciones de proteínas en el PDB http//function.
rcsb.org8080/pdb/function_distribution/index.html
Enzyme Classification GO - Biological
process GO - Cell Component GO -
Molecular Function Disease
18
Método
Entrenamiento del Clasificador
2.- Para cada sitio activo de cada elemento del
conjunto de prueba se obtienen tres vectores
ortogonales generados a partir de la orientación
de los residuos del sitio activo Kim S. et al.,
2006.
19
Método
Entrenamiento del Clasificador
A matrix 6 3 6 residuos con 3
dimensiones c/u
En general A matriz i X 3
M ATA matriz 3 3
20
Método
Entrenamiento del Clasificador
3.- Con los vectores obtenidos en el paso
anterior se crea un clasificador binario que
identifique las enzimas de la clase y las que no
lo son. Dicho clasificador se definirá después de
experimentar con diferentes paradigmas como
Bayesiano, NN, SVM, etc.
21
Método
Identificación de la enzima
1.- Se usa SURFNET Laskowski, 1995 para
encontrar las cavidades superficiales de la
enzima con función desconocida, de las cuales se
seleccionan las dos de mayor tamaño.
22
Método
Identificación de la enzima
1.- Se usa SURFNET Laskowski, 1995 para
encontrar las cavidades superficiales de la
proteína con función desconocida, de las cuales
se seleccionan las dos de mayor tamaño.
23
Método
Identificación de la enzima
2.- Selección de los residuos correspondientes a
las dos cavidades y se obtienen los vectores
característicos de las cavidades Kim S. et al.,
2006 .
3.- Con los vectores característicos de cada
cavidad, se evalúa la probabilidad de que la
cavidad pertenezca a la clase de la enzima .
24
Problema computacional
Encontrar una correlación entre las
características estructurales de las enzimas y el
grupo funcional al que pertenecen, de tal forma
que se pueda predecir si una proteína con
estructura conocida pertenece a un grupo
determinado o no.
Las características estructurales pueden
definirse en base a la posición en el espacio de
los residuos que integran la proteína y sus
características químicas como Hidrofobicidad, y
carga de estos.
25
Qué se aportaría?

• Desarrollo de una herramienta de apoyo en la
  determinación de funciones de algunas enzimas.
• Proponer formas adecuadas de representación de
  proteínas para usarse en algoritmos
  computacionales.
• Evaluar el desempeño de diversos algoritmos de
  clasificación y determinar el más adecuado para
  clasificación de enzimas.

26
Interacción proteína-proteína

• Asociaciones entre proteínas.
• Existe gran diversidad de interacciones Nooren,
  2003.
• La mayoría de las funciones biológicas son
  mediadas por interacciones de proteínas Carugo,
  2004.
• Aumenta el conocimiento de las enfermedades y
  puede propiciar el desarrollo de innovaciones en
  la farmacología Rojas, 2007.

26
27
Ejemplo de interacción P-P

• Interleucinas o interleukinas. Conjunto de
  proteínas que tienen como función la
  intercomunicación, participando en la respuesta
  del sistema inmunitario.

27
28
Investigación previa relevante

• Uso de secuencia y estructura para identificar
  sitios de ligado proteína-proteína Chung, 2006.
• Una SVM fue entrenada para identificar residuos
  de sitios de ligado.
• La identificación de los sitios de ligado es muy
  importante para el diseño de medicamentos y
  entender los mecanismo de reconocimiento
  molecular.
• Máquinas de vectores de soporte para análisis de
  proteínas Lewis, 2006.
• Determinar el desempeño de SVM a partir de una
  combinación de secuencia de aminoácidos y
  estructura de proteínas.

28
29
Investigación previa relevante (2)

• Métodos Núcleo para predicción de interacción
  proteína-proteína Ben-Hur, 2005.
• Núcleos en conjunto con un clasificador SVM y
  combinación de fuentes de datos secuencias de
  proteínas, anotaciones ontológicas, entre otras.
• Predicción de interacción proteína-proteína
  usando SVM.
• Base a la estructura tridimensional.
• Concluyen los autores que las SVM son muy útiles
  para la predicción de sitios de interacción entre
  proteínas Minakuchi, 2002.
• Desempeño de predicción usando sólo información
  de secuencia puede no ser suficiente para uso
  práctico Koike, 2004.

29
30
Definición del problema

• Se propone el análisis de los diferentes
  algoritmos basados en secuencia y/o estructura de
  proteínas y sus formas de representación de los
  datos para alimentar la SVM.
• De tal forma, que se pueda discernir cuál es el
  enfoque que mejor determina la posible
  interacción entre un par de proteínas de una
  familia.

30
31
Qué se pretende?

• Tomando un conjunto de pares de proteínas de una
  familia y un conjunto de algoritmos propuestos en
  la literatura,
• cuál es el algoritmo con el enfoque de
  representación de información de proteínas
  analizado con mayor exactitud para determinar la
  posible interacción entre un par de proteínas?
• Exactitud error de clasificación para un
  conjunto predefinido de proteínas.

31
32
Importancia

• Realizar estudios de farmacogenómica in vitro es
  una tarea muy costosa en tiempo y recursos
  materiales ACEFFYN, 2000.
• Este costo podría ser disminuido si podemos tener
  alguna orientación previa acerca de la
  posibilidad de interacción de un par de proteína,
  es decir, limitar el espacio de búsqueda Chung,
  2006 Carugo, 2004 Gómez, 2003 y Ben-Hur, 2005.

32
33
Importancia de la investigación (2)

• Información puede servir para desarrollo de
  mejores algoritmos para el problema de
  interacción proteína-proteína.
• Proveer lineamientos fundamentados en la
  investigación, para resolver un problema de
  clasificación dentro del contexto del aprendizaje
  de máquinas y la bioinformática.

33
34
Un modelo de juguete
Problema del plegamiento de proteínas (Olivares y
García, 2004) (Figura Gómez-MorenoSancho)
. . . M L V V I
N P G . . .
35
Planteamiento del Problema

• Número exponencial de posibles conformaciones
• (Olivares y García, 2004)
• Cálculo de la energía libre muy complejo
• (Fogel y Corne, 2003)
• Necesidad de modelos simplificados (Dill, 1985)
• Modelo hidrofóbico polar

C vN,
si v2 y N100,
C 2100
36
Replanteamiento del Problema(Yue y Dill, 1993,
1995, Un modelo de Juguete)

• Ecuación del plegamiento
• tHH S/2 G ((z-2)/nH)/2
• Maximización de contactos H-H ? Minimización de
  superficie
• Manejo de Centros-H

37
Replanteamiento del Problema(Yue y Dill, 1993,
1995)

• Acomodo a través de búsqueda exhaustiva
• Manejo de restricciones
• Estructuras P-singlets
• Longitud de atado

3
4
4
2
4
2
2
2
3
1
3
3
4
2
3
3
4
3
4
2
2
2
2
4
2
3
4
3
3
4
4
4
3
3
2
1
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
21
20
22
23
26
25
24
29
28
27
31
30
34
33
36
32
35
47
48
43
44
45
46
39
40
38
37
41
42
38
Fin
39
Enzyme Classification

• Administrado por
• IUPAC-IUBMB International Union of Pure and
  Applied Chemistry - International Union of
  Biochemistry and Molcular Biology
• JCBN Joint Commission on Biochemical Nomenclature

40
Enzyme Classification
Ejemplo de número EC
41
Catalytic Site Atlas

• Base de datos administrada por la EBI (European
  Bioinformatics Institute).

• Documenta sitios activos y residuos catalíticos
  en enzimas con estructura tridimensional conocida
  (880 entradas de la literatura y 18784 usando
  PSI-BLAST, marzo de 2007 )

• Incluye únicamente los residuos involucrados en
  algún aspecto de la reacción catalizada por la
  enzima.

42
Catalytic Site Atlas
Ejemplo de información en el CSA
43
Protein Data Bank

• Base de datos administrada por el RCSB (Research
  Collaboratory for Structural Bioinformatics)

• Es el mayor repositorio de estructuras
  tridimensionales de proteínas. 42,400 estructuras
  registradas.

• Se almacenan las coordenadas (x, y, z) de cada
  átomo de la proteína.

• Los datos se obtienen principalmente por
  Cristalografía de rayos X y NMR.

44
Protein Data Bank
Estructura terciaria de una proteína
45
Protein Data Bank
Ejemplo de información en el PDB
13
12
11
8
9
7
10
46

• Oxido-reductasas catalizan reacciones de
  oxido-reducción, las que implican la ganancia (o
  reducción) o pérdida de electrones (u oxidación).
  Las más importantes son las deshidrogenasas y las
  oxidasas
• Transferasas transfieren grupos funcionales de
  una molécula a otra. Ej. quinasas transfieren
  fosfatos del ATP a otra molécula.
• Hidrolasas rompen varios tipos de enlaces
  introduciendo radicales -H y -OH.
• Liasas adicionan grupos funcionales a los dobles
  enlaces.
• Isomerasas convierten los sustratos isómeros
  unos en otros.
• Ligasas o Sintasas forman diversos tipos de
  enlaces aprovechando la energía de la ruptura del
  ATP. Ej polimerasas