2. Биоинформатика - наука, занимающаяся анализом
экспериментальных данных молекулярной биологии:
секвенированных последовательностей биополимеров,
экспериментально определенных пространственных
структур биологических макромолекул, данных об
экспрессии генов и т.д. Методами биоинформатики являются
методы организации информации, широко понимаемые
компьютерные методы, методы вычислительной математики
и статистики. (М.С. Гельфанд et al)
Европейский Биоинформационный Институт:
биоинформатика – это применение компьютерных
технологий для администрирования и анализа
биологических данных.
3. Биоинформатика – это способ заниматься биологией, не наблюдая живые
существа, как зоологи, не делая опытов в пробирке, как экспериментальные
биологи, а анализируя результаты массовых данных или целых проектов.
Там есть два аспекта. Один – чисто практический. Оказывается, глядя на
буковки, или на структуры белков, или на карты белковых взаимодействий,
которые получены из таких массовых экспериментов, вы можете делать
совершенно конкретные, проверяемые биологические утверждения.
…………………
Вторая вещь. Это началось с чистой техники. Размер генома человека – 3
миллиарда нуклеотидов, 3 миллиарда букв. Их надо где-то хранить, ими
надо уметь манипулировать. Это чисто техническая сторона. Но очень
важная. ……… Этими колоссальными объемами данных надо уметь
манипулировать. Кроме того, оказалось, что можно делать утверждения
уже не настолько частные, что «этот белок делает это», а строить
утверждения о системе взаимодействия белков в клетке. Описания общих
свойств на уровне целой клетки.
М.Гельфанд.
4. Третий аспект биоинформатики, с моей точки зрения, самый
интересный, потому что самая правильная биоинформатика
– это биоинформатика эволюционная. Интереснее всего
описывать не то, как клетка устроена сейчас, а то, как она
такой получилась. Что происходило, что породило такие
механизмы внутри клетки и т. д. Эволюционная биология -
наука очень старая, а молекулярная эволюция, то есть
использование молекулярных данных для реконструкции
эволюционных событий, – вещь более новая. Она стала
возможной, когда такие данные стали приходить в
эволюционную биологию. Происходят, по-видимому, некие
культурные войны между классическими эволюционными
биологами и молекулярными эволюционистами. Причем
они происходят в одну сторону.
М.Гельфанд.
5. Bioinformatics - A New Discipline
Взято из: D. Gilberts & C. Tan, 2002
http://www.brc.dcs.gla.ac.uk/~drg/courses/bioinformatics_city/slides/slides1/sld018.htm
Large scale analysis and interpretation of genomics data.
Computing
Math&
Stats
Life
sciences
Physical
sciences
6. 6
The BIG Goal
“The greatest challenge, however, is analytical. … Deeper
biological insight is likely to emerge from examining datasets
with scores of samples.”
Eric Lander, “array of hope” Nat. Gen.
volume 21 supplement pp 3 - 4, 1999.
Bio-informatics:
Provide methodologies for
elucidating biological knowledge
from biological data.
7. 7
Goal: Enable the discovery of new
biological insights and create a global
perspective for life sciences.
Data produced by
bio-labs and
stored in database.
Better biological
and medical
understanding.Bio-InformaticsBio-Informatics
AlgorithmsAlgorithms
and Toolsand Tools
Это вычислительные методы для глобального
понимания биологических данных.
Что такое биоинформатика?
11. Последовательность (sequence, первичная структура)– цепь
из мономеров (нуклеотиды или аминокислоты),
составляющих ДНК, РНК или белок.
Последовательности ДНК – от 10-20 нуклеотидов (праймеры
для ПЦР) до нескольких миллионов (хромосомная ДНК).
Последовательности белков – десятки-тысячи аминокислот.
14. ДНК
ДНК состоит из двух цепей нуклеотидов,ДНК состоит из двух цепей нуклеотидов,
соединённых попарносоединённых попарно::
ADENINEADENINE –– THYMINETHYMINE
CYTOSINECYTOSINE -- GUANINEGUANINE
Правило комплементарностиПравило комплементарности
21. Биополимеры - белки
Аминокислоты - органические соединения, в молекуле
которых одновременно содержатся карбоксильные и
аминные группы.
Последовательность, цепь аминокислот составляет белок.
30. Как добавить данные в GB?
http://www.ncbi.nlm.nih.gov/
Genbank/submit.html
Зачем?
•информация в community;
•Журналы требуют это ДО
публикации
Долго ли это?
2 рабочих дня
Данные могу быть закрыты до
выхода статьи (по запросу)
Что нужно?
Последовательность, ее описание
(аннотация), описание источника
32. PDB – Protein Data Bank
HEADER LUMINESCENT PROTEIN 09-DEC-03 1RRX
TITLE CRYSTALLOGRAPHIC EVIDENCE FOR ISOMERIC CHROMOPHORES IN 3-
TITLE 2 FLUOROTYROSYL-GREEN FLUORESCENT PROTEIN
COMPND MOL_ID: 1;
COMPND 2 MOLECULE: SIGF1-GFP FUSION PROTEIN;
COMPND 3 CHAIN: A;
COMPND 4 ENGINEERED: YES;
COMPND 5 OTHER_DETAILS: CONTAINS 3-FLUORO-TYROSINE
SOURCE MOL_ID: 1;
SOURCE 2 ORGANISM_SCIENTIFIC: AEQUOREA VICTORIA;
SOURCE 3 ORGANISM_COMMON: FUNGI;
SOURCE 4 EXPRESSION_SYSTEM: ESCHERICHIA COLI;
SOURCE 5 EXPRESSION_SYSTEM_COMMON: BACTERIA;
SOURCE 6 EXPRESSION_SYSTEM_VECTOR_TYPE: PLASMID
KEYWDS BETA-BARREL, EGFP, NON-CANONICAL AMINO ACID, CHROMOPHORE
KEYWDS 2 ISOMERISATION
EXPDTA X-RAY DIFFRACTION
AUTHOR J.H.BAE,P.PARAMITA PAL,L.MORODER,R.HUBER,N.BUDISA
REVDAT 1 08-JUN-04 1RRX 0
JRNL AUTH J.H.BAE,P.PARAMITA PAL,L.MORODER,R.HUBER,N.BUDISA
JRNL TITL CRYSTALLOGRAPHIC EVIDENCE FOR ISOMERIC
JRNL TITL 2 CHROMOPHORES IN 3-FLUOROTYROSYL-GREEN FLUORESCENT
JRNL TITL 3 PROTEIN.
JRNL REF CHEMBIOCHEM V. 5 720 2004
JRNL REF 2 EUROP.J.CHEM.BIOL.
JRNL REFN GE ISSN 1439-4227
REMARK 1
REMARK 2
REMARK 2 RESOLUTION. 2.10 ANGSTROMS.
REMARK 3
REMARK 3 REFINEMENT.
--------------------------------------------//-----------------------------------------------------------
REMARK 500 M RES CSSEQI ATM1 ATM2 ATM3
REMARK 500 LEU A 44 CA - CB - CG ANGL. DEV. = 13.7 DEGREES
REMARK 500 LEU A 64 N - CA - C ANGL. DEV. =-16.6 DEGREES
REMARK 500 LEU A 64 CA - C - O ANGL. DEV. =-16.0 DEGREES
REMARK 500 LEU A 64 CA - C - N ANGL. DEV. = 31.6 DEGREES
REMARK 500 LEU A 64 O - C - N ANGL. DEV. =-15.9 DEGREES
REMARK 500 THR A 97 N - CA - C ANGL. DEV. =-14.0 DEGREES
REMARK 500 GLU A 115 N - CA - C ANGL. DEV. =-13.1 DEGREES
REMARK 900
REMARK 900 RELATED ENTRIES
REMARK 900 RELATED ID: 1EMG RELATED DB: PDB
REMARK 900 THE WILD TYPE OF STUDIED NON-CANONICAL AMINO ACID-
REMARK 900 CONTAINING GFP
DBREF 1RRX A 2 227 UNP P42212 GFP_AEQVI 290 517
SEQADV 1RRX YOF A 39 UNP P42212 TYR 327 MODIFIED RESIDUE
SEQADV 1RRX MFC A 66 UNP P42212 THR 353 MODIFIED RESIDUE
SEQADV 1RRX MFC A 66 UNP P42212 TYR 354 MODIFIED RESIDUE
SEQADV 1RRX MFC A 66 UNP P42212 GLY 355 MODIFIED RESIDUE
SEQADV 1RRX YOF A 74 UNP P42212 TYR 362 MODIFIED RESIDUE
SEQADV 1RRX YOF A 92 UNP P42212 TYR 380 MODIFIED RESIDUE
SEQADV 1RRX YOF A 106 UNP P42212 TYR 394 MODIFIED RESIDUE
SEQADV 1RRX YOF A 143 UNP P42212 TYR 431 MODIFIED RESIDUE
SEQADV 1RRX YOF A 143 UNP P42212 TYR 433 MODIFIED RESIDUE
SEQADV 1RRX YOF A 151 UNP P42212 TYR 439 MODIFIED RESIDUE
SEQADV 1RRX YOF A 182 UNP P42212 TYR 470 MODIFIED RESIDUE
SEQADV 1RRX YOF A 200 UNP P42212 TYR 488 MODIFIED RESIDUE
SEQRES 1 A 226 SER LYS GLY GLU GLU LEU PHE THR GLY VAL VAL PRO ILE
SEQRES 2 A 226 LEU VAL GLU LEU ASP GLY ASP VAL ASN GLY HIS LYS PHE
SEQRES 3 A 226 SER VAL SER GLY GLU GLY GLU GLY ASP ALA THR YOF GLY
SEQRES 4 A 226 LYS LEU THR LEU LYS PHE ILE CYS THR THR GLY LYS LEU
SEQRES 5 A 226 PRO VAL PRO TRP PRO THR LEU VAL THR THR LEU MFC VAL
SEQRES 6 A 226 GLN CYS PHE SER ARG YOF PRO ASP HIS MET LYS GLN HIS
SEQRES 7 A 226 ASP PHE PHE LYS SER ALA MET PRO GLU GLY YOF VAL GLN
SEQRES 8 A 226 GLU ARG THR ILE PHE PHE LYS ASP ASP GLY ASN YOF LYS
SEQRES 9 A 226 THR ARG ALA GLU VAL LYS PHE GLU GLY ASP THR LEU VAL
SEQRES 10 A 226 ASN ARG ILE GLU LEU LYS GLY ILE ASP PHE LYS GLU ASP
SEQRES 11 A 226 GLY ASN ILE LEU GLY HIS LYS LEU GLU YOF ASN YOF ASN
SEQRES 12 A 226 SER HIS ASN VAL YOF ILE MET ALA ASP LYS GLN LYS ASN
SEQRES 13 A 226 GLY ILE LYS VAL ASN PHE LYS ILE ARG HIS ASN ILE GLU
SEQRES 14 A 226 ASP GLY SER VAL GLN LEU ALA ASP HIS YOF GLN GLN ASN
SEQRES 15 A 226 THR PRO ILE GLY ASP GLY PRO VAL LEU LEU PRO ASP ASN
SEQRES 16 A 226 HIS YOF LEU SER THR GLN SER ALA LEU SER LYS ASP PRO
SEQRES 17 A 226 ASN GLU LYS ARG ASP HIS MET VAL LEU LEU GLU PHE VAL
SEQRES 18 A 226 THR ALA ALA GLY ILE
MODRES 1RRX YOF A 39 TYR 3-FLUOROTYROSINE
MODRES 1RRX YOF A 74 TYR 3-FLUOROTYROSINE
MODRES 1RRX YOF A 92 TYR 3-FLUOROTYROSINE
MODRES 1RRX YOF A 106 TYR 3-FLUOROTYROSINE
MODRES 1RRX YOF A 143 TYR 3-FLUOROTYROSINE
MODRES 1RRX YOF A 145 TYR 3-FLUOROTYROSINE
MODRES 1RRX YOF A 151 TYR 3-FLUOROTYROSINE
MODRES 1RRX YOF A 182 TYR 3-FLUOROTYROSINE
33. HELIX 1 1 GLU A 5 THR A 9 5 5
HELIX 2 2 ALA A 37 YOF A 39 5 3
HELIX 3 3 PRO A 56 VAL A 61 5 6
HELIX 4 4 VAL A 68 SER A 72 5 5
HELIX 5 5 PRO A 75 HIS A 81 5 7
HELIX 6 6 ASP A 82 ALA A 87 1 6
SHEET 1 A12 VAL A 12 VAL A 22 0
SHEET 2 A12 HIS A 25 ASP A 36 -1 O GLY A 31 N VAL A 16
SHEET 3 A12 LYS A 41 CYS A 48 -1 O THR A 43 N GLU A 34
SHEET 4 A12 HIS A 217 ALA A 227 -1 O LEU A 220 N LEU A 44
SHEET 5 A12 HIS A 199 SER A 208 -1 N SER A 202 O THR A 225
SHEET 6 A12 ASN A 149 ASP A 155 -1 N ILE A 152 O HIS A 199
SHEET 7 A12 GLY A 160 ASN A 170 -1 O GLY A 160 N ASP A 155
SHEET 8 A12 VAL A 176 PRO A 187 -1 O GLN A 177 N HIS A 169
SHEET 9 A12 YOF A 92 PHE A 100 -1 N GLU A 95 O GLN A 184
SHEET 10 A12 ASN A 105 GLU A 115 -1 O YOF A 106 N ILE A 98
SHEET 11 A12 THR A 118 ILE A 128 -1 O LYS A 126 N LYS A 107
SHEET 12 A12 VAL A 12 VAL A 22 1 N ASP A 21 O GLY A 127
CISPEP 1 MET A 88 PRO A 89 0 0.50
CRYST1 51.003 62.430 70.931 90.00 90.00 90.00 P 21 21 21 4
ORIGX1 1.000000 0.000000 0.000000 0.00000
ORIGX2 0.000000 1.000000 0.000000 0.00000
ORIGX3 0.000000 0.000000 1.000000 0.00000
SCALE1 0.019607 0.000000 0.000000 0.00000
SCALE2 0.000000 0.016018 0.000000 0.00000
SCALE3 0.000000 0.000000 0.014098 0.00000
ATOM 1 N SER A 2 28.277 8.150 50.951 1.00 57.00 N
ATOM 2 CA SER A 2 27.454 9.223 51.584 1.00 55.40 C
ATOM 3 C SER A 2 25.972 8.992 51.295 1.00 55.44 C
ATOM 4 O SER A 2 25.576 7.932 50.799 1.00 54.37 O
ATOM 5 CB SER A 2 27.883 10.601 51.046 1.00 70.82 C
ATOM 6 OG SER A 2 27.150 11.676 51.622 1.00 71.45 O
ATOM 7 N LYS A 3 25.157 9.993 51.619 1.00141.28 N
ATOM 8 CA LYS A 3 23.716 9.932 51.398 1.00140.16 C
-----------------------------------//----------------------------------------------------------------
ATOM 47 CA PHE A 8 26.551 11.090 41.294 1.00 19.27 C
ATOM 48 C PHE A 8 27.751 10.357 40.676 1.00 21.43 C
ATOM 49 O PHE A 8 28.562 10.924 39.938 1.00 21.44 O
ATOM 50 CB PHE A 8 27.022 12.362 41.991 1.00 21.68 C
ATOM 51 CG PHE A 8 25.909 13.297 42.288 1.00 17.60 C
ATOM 52 CD1 PHE A 8 25.488 14.212 41.321 1.00 14.95 C
ATOM 495 CA VAL A 68 23.860 22.610 40.452 1.00 14.12 C
ATOM 496 C VAL A 68 25.259 22.196 40.854 1.00 13.41 C
ATOM 1164 CA SER A 147 37.123 31.083 35.325 1.00 21.88 C
ATOM 1819 CD1 ILE A 229 38.888 21.450 53.055 1.00 29.11 C
ATOM 1820 OXT ILE A 229 43.220 19.637 50.148 1.00 25.25 O
TER 1821 ILE A 229
HETATM 1822 O HOH 1 30.450 20.682 37.367 1.00 15.75 O
HETATM 1823 O HOH 2 26.443 24.175 38.999 1.00 18.82 O
---------------------------------//------------------------------------------------
HETATM 1831 O HOH 10 29.132 18.648 45.101 1.00 13.77 O
HETATM 1832 O HOH 11 24.076 46.248 42.794 1.00 22.62 O
HETATM 1833 O HOH 12 31.870 32.426 52.146 1.00 36.77 O
HETATM 1880 O HOH 59 37.243 14.571 53.463 1.00 31.12 O
HETATM 1881 O HOH 60 40.360 20.483 56.144 1.00 32.74 O
HETATM 1882 O HOH 61 13.483 49.374 33.179 1.00 30.77 O
CONECT 267 268
CONECT 268 267 269 271
CONECT 819 820
CONECT 1594 1592 1596 1598
CONECT 1595 1593 1596
CONECT 1596 1594 1595 1597
CONECT 1597 1596
CONECT 1598 1594
MASTER 259 0 10 6 12 0 0 6 1881 1 140 18
END
34. PDB-XML
PDBML: the representation of archival macromolecular structure data
in XML. John Wesbrook, Nobutoshi Ito, Haruki Nakamura, Kim
Henrick and Helen M. Berman, Bioinformatics, 21(7), 988-992, 2005.
<?xml version="1.0" encoding="UTF-8" ?>
<PDBx:datablock datablockName="1CFC"
xmlns:PDBx="http://pdbml.pdb.org/schema/pdbx-v32.xsd"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://pdbml.pdb.org/schema/pdbx-v32.xsd
pdbx-v32.xsd">
<PDBx:atom_siteCategory>
<PDBx:atom_site id="1">
<PDBx:B_iso_or_equiv>1.43</PDBx:B_iso_or_equiv>
<PDBx:B_iso_or_equiv_esd xsi:nil="true" />
<PDBx:Cartn_x>14.550</PDBx:Cartn_x>
<PDBx:Cartn_x_esd xsi:nil="true" />
<PDBx:Cartn_y>12.461</PDBx:Cartn_y>
<PDBx:Cartn_y_esd xsi:nil="true" />
<PDBx:Cartn_z>-10.584</PDBx:Cartn_z>
<PDBx:Cartn_z_esd xsi:nil="true" />
<PDBx:auth_asym_id>A</PDBx:auth_asym_id>
<PDBx:auth_atom_id>N</PDBx:auth_atom_id>
<PDBx:auth_comp_id>ALA</PDBx:auth_comp_id>
<PDBx:auth_seq_id>1</PDBx:auth_seq_id>
<PDBx:group_PDB>ATOM</PDBx:group_PDB>
<PDBx:label_alt_id></PDBx:label_alt_id>
<PDBx:label_asym_id>A</PDBx:label_asym_id>
<PDBx:label_atom_id>N</PDBx:label_atom_id>
<PDBx:label_comp_id>ALA</PDBx:label_comp_id>
<PDBx:label_entity_id>1</PDBx:label_entity_id>
<PDBx:label_seq_id>1</PDBx:label_seq_id>
<PDBx:occupancy>1.00</PDBx:occupancy>
<PDBx:occupancy_esd xsi:nil="true" />
<PDBx:pdbx_PDB_ins_code xsi:nil="true" />
<PDBx:pdbx_PDB_model_num>1</PDBx:pdbx_PDB_mod
el_num>
<PDBx:pdbx_formal_charge xsi:nil="true" />
<PDBx:type_symbol>N</PDBx:type_symbol>
</PDBx:atom_site>
<PDBx:atom_site id="2">
35. MMDB-Cn3D
Cn3D – ПО для визуализации структур,
последовательностей и выравниваний. Отличия от
статичного PDB – связывает структурную и
функциональную информацию (ключевые мутации-
заболевания-активные сайты гомологов).
Выравнивание структур и выравнивание
последовательностей. Формат расширяемый –
добавление информации. Работает как приложение
в NCBI ENTREZ (но есть и локальная версия).
41. Типы баз данных
• Всеобъемлющие базы данных
• Организмоспецифические
• Молекулярноспецифические
• Дополнительные базы данных
42. Проблемы
• Биологические базы данных росли последние 20 лет:
1. Избыточность: множественные записи.
2. Неверные последовательности и записи.
• Открытость (данные добавляются пользователями):
1. Изменения вносятся владельцами записей.
2. Старые последовательности.
3. Неверные последовательности.
4. Неполные аннотации.
43. Пример GenBank
• GenBank, база данных последовательностей NCBI.
В 1982 году:
700,000 bp,
700 последовательностей.
В 2002 году :
29,000,000,000
22,000,000 последовательностей
В 2009 году:
145,959,997,864 bp
49,063,546 последовательностей
44. Полные базы данных
Большие базы данных ДНК, РНК и белков.
Примеры: GenBank, EMBL, swissprot.
Имеется обмен информацией между базами
45. NCBI (National center for biotechnology information)
NCBI
PubMed
Books
OMIM
Nucleotides
Proteins
GenomesTaxonomy
Structure
Domains
Exp’ profiles
46. NCBI - GenBank
• GenBank: открытая база данных нуклеотидных и
аминокислотных последовательностей
• Источники информации:
1. Прямая подача от исследователей.
2. Литература.
3. Центры исследований последовательностей (Sanger, TIgr)
4. Обмен с другими базами (swiss-prot, PDB).
47. NCBI - GenBank
GenBank поделён на подбазы:
1. Organism specific (Human, Bacteria, etc).
2. Molecule specific (DNA, RNA, protein).
3. Sequence specific (Genome, mRNA, ESTs etc).
49. Swiss prot
База данных белков:
1. Очень хорошо аннотированная.
2. Отсутствует избыточность.
3. Имеются перекрёстные ссылки.
4. ID для нескольких связанных файлов белков
52. PDB – Protein Data Bank
• Главная база данных 3D
структур белков
• Включает порядка 65,000
белковых структур.
• Белки организованы в группы,
семейства и т.д.
53. Swiss-Prot – одна из первых баз данных
белковых последовательностей, “gold
standard” белковой аннотации.
Аннотация выполнена вручную группой
профессиональных экспертов на основе
экспериментальной информации,
описанной в научных статьях.
Организована в 1986 году –
SIB+EBI+PIR+GU = prof. Amos Bairoch
На сегодняшний день – Release 56.2 - 398181
последовательностей
Анализ белковых
последовательностей: Swiss-Prot
61. Стандартные поля: entry, name, origin
Название записи, уникальный идентификатор (ID), предыдущие
идентификаторы соответствующей записи, даты первой и последней
модификаций, распространенное название белка и его синонимы (EC номер
для ферментов), название гена, организм и его таксономия, уровень
подтверждения
87. FASTA format
Программа FASTA (1988, WR Pearson & DJ Lipman):
>(the definition line)_уникальный_ID + короткое описание
ПОСЛЕДОВАТЕЛЬНОСТЬ БЕЛКА (ИЛИ ДНК) В ОДНОБУКВЕННОМ
КОДЕ
RAW format – без definition line
91. SCOP - Structural Classification
Of Proteins
• Организована в соответствии со
структурными семействами белков.
• Иерархическая система.
92. NCBI - Entrez
• Entrez - поисковая машина для баз NCBI.
• Поиск начинается с выбора адекватной области для
поикса (Nucleotide, белки).
• Можно использовать определители полей, логические
операторы, условия и т.д.
94. SRS (Sequence Retrieval System).
• Исталлирована на множестве серверов.
• Имеет связи со многими базами данных.
• Предоставляет множество инструментов и служб для анализа.
• Позволяет сохранить результаты работы и анализа и
продолжить работу локально.
96. Полные базы данных
Большие базы данных ДНК, РНК и белков.
Примеры: GenBank, EMBL, swissprot.
Имеется обмен информацией между базами
97. NCBI (National center for biotechnology information)
NCBI
PubMed
Books
OMIM
Nucleotides
Proteins
GenomesTaxonomy
Structure
Domains
Exp’ profiles
98. NCBI - GenBank
• GenBank: открытая база данных нуклеотидных и
аминокислотных последовательностей
• Источники информации:
1. Прямая подача от исследователей.
2. Литература.
3. Центры исследований последовательностей (Sanger, TIgr)
4. Обмен с другими базами (swiss-prot, PDB).
99. NCBI - GenBank
• GenBank поделён на подбазы:
1. Organism specific (Human, Bacteria, etc).
2. Molecule specific (DNA, RNA, protein).
3. Sequence specific (Genome, mRNA, ESTs etc).
101. Swiss prot
База данных белков:
1. Очень хорошо аннотированная.
2. Отсутствует избыточность.
3. Имеются перекрёстные ссылки.
4. ID для нескольких связанных файлов белков
104. PDB – Protein Data Bank
• Главная база данных 3D
структур белков
• Включает порядка 23,000
белковых структур.
• Белки организованы в группы,
семейства и т.д.
• Имеет порядка 5600 точных
структур.
105. SCOP - Structural Classification
Of Proteins
• Организована в соответствии со
структурными семействами белков.
• Иерархическая система.
106. Текстовый поиск
Общие принципы:
1. Все главные базы предоставляют удобные
средства для тектового поиска.
2. Поиск по ключевым словам или полям.
3. Одновременный поиск в нескольких базах.
4. Дополнительные условия (дата, длина и т.д.).
107. NCBI - Entrez
• Entrez - поисковая машина для баз NCBI.
• Поиск начинается с выбора адекватной области для
поикса (Nucleotide, белки).
• Можно использовать определители полей, логические
операторы, условия и т.д.
110. SRS (Sequence Retrieval System).
• Исталлирована на множестве серверов.
• Имеет связи со многими базами данных.
• Предоставляет множество инструментов и служб для анализа.
• Позволяет сохранить результаты работы и анализа и
продолжить работу локально.
113. Анализ белковой
последовательности
Анализ только аминокислотную последовательность (первичную
структуру) белка без боковых цепей.
Предсказание физико-химических параметров белка
Предсказание продуктов расщепления протеазами
Гидрофобные, гидрофильные участки: например,
трансмембранные сегменты
Пост-трансляционные модификации
Функциональные домены, принадлежность к функциональным
семействам
Фолдинг
Клеточная локализация
114. Анализ белковой последовательности
The ExPASy server – протеомика http://www.expasy.ch/tools/#primary
The Swiss EMBnet – coiled-coil участки, выравнивания и др.
http://www.ch.embnet.org
The CBS Prediction Servers – локализация,
пост-трансляционные модификации…
http://www.cbs.dtu.dk/services
123. Метод скользящего окна
Анализируется последовательность в несколько аминокислот,
параметр усредняется по окну. Значение приписывается
средней аминокислоте. Output – график
Seq. LQAPVLPSDLLSWSCVGAVGILALVSFTCV
<---*---> Window 1
<---*---> Window 2
<---*---> Window 3
Размер окна должен соответствовать характерному размеру
анализируемого свойства (для ТМ – 19!)
Методы, основанные на технике скользящего окна, как правило, не
интерпретируют результаты. При интерпретации важно:
Учитывать только очень четко выраженные сигналы
Не зависящие от параметров программы – размера окна,
конкретного метода и т.п.
127. TMHMM - результаты
TMHMM предсказывает сегменты, а также
топологию межсегментных участков
Находит только 7! TMs
128. Домены
• Домен – независимая глобулярная единица в
белке. Более функционально – часть белка,
обладающая активностью (если отрезать,
например). Как правило, каждый домен играет
свою роль в функции белка (связывает ион или
ДНК, содержит активный сайт и т.п.)
• Только небольшая часть известных доменов была
изучена экспериментально, остальные описаны
как сходные части гомологичных белков
• Очень сложно четко определить домен и его
границы => существует много подходов и
различных доменных коллекций. Какую выбрать?
129. История коллекций доменов
1980ые – PROSITE: ручная выборка
паттернов в белках, определяющих функцию
1987 – доменный профайл (Gribskov):
position specific scoring schema – это
вероятность для каждой аминокислоты
находиться в данной позиции домена
начало 1990х – BLOCKs, PRINTs, Prodom…
PfamA – коллекция профайлов,
курированная вручную (сейчас также
использует HMM)
132. InterPro
InterPro is a database of protein families, domains
and functional sites in which identifiable
features found in known proteins can be applied
to unknown protein sequences.
Классификация базируется на первичных
классификациях целого ряда баз данных
функциональных доменов и семейств,
объединяет всю доступную информацию
С 2001 года – Release 18.0: 75.6% UniProt
133. Как это происходит
Каждое InterPro семейство объединяет
первичные семейства других баз данных,
описывающие один и тот же домен;
включает все белки, принадлежащие хотя
бы одной из первичных баз. Документация
IP семейства подробно описывает функцию
и структуру соответствующей белковой
подписи.
137. CD server
Input - Accession number, gi или последовательность в FASTA формате
138. CD server – output
Красный – SMART, синий – Pfam, зеленый – COGs
Рваные концы указывают на неполные домены!!!!
Курсор в графической части – краткое описание функции домена
139. CDART – поиск белков с аналогичной
доменной структурой
141. Pfscan - output Особенности вывода Pfscan
• Схема – легенда, как всегда
под рисунком
• За легендой следует таблица с
локализацией доменов
• Далее расшифровка каждого
хита – с оценкой
вероятности: ? или !
• Затем следует графическая
схема для каждого хита и
scores (высокий score =
хороший хит)
143. SCOP-Structural Classification of Proteins
• База данных содержит структурную и эволюционную информацию о
взаимосвязях белков с известными структурами.
• Классификация белков отражает структурные и эволюционные отношения.
• Многоуровневая иерархия – семейство, суперсемейство и фолд.
• Ручное инспектирование.
144. Superfamily: Probable common evolutionary origin
Белки, имеющие низкую идентичность последовательностей, но чьи
структурные и функциональные особенности позволяют предположить
наличие общего предка, могут быть объединены в суперсемейства.
Например, актин, the ATPase domain белков теплового шока и гексакиназы
образуют суперсемейство
Fold: Major structural similarity
Общий фолд – одинаковая организация вторичной струкруры, с похожим
пространственным расположением и с похожими соединениями.
Белки с одинаковым фолдом зачастую имеют концевые элементы вторичной
структуры , изгибы и повороты различных разметов и конформаций (до
половины всей структуры).
Белки, объединённые одним фолдом, могут не иметь общего предка (химия,
физика упаковка и топология)
SCOP
145. SCOP
Family: Clear evolutionarily relationship
Белки, сгруппированные в семейство, тесно связаны эволюционно. Это
значит, что парное выравнивание показывает 30% и выше.
Иногда похожие функция и структура показывают наличие общего
предка и при отсутствии высокой идентичности последовательностей;
например, многие глобины образуют семейство, хотя некоторые из них
имеют идентичность 1D ~ 15%.
150. CATH
Class, C-level
– Класс определяется в соответствии с набором и упаковкой
вторичной структуры. Он может быть присвоен как
автоматически (90% of the known structures), так и вручную.
– 3 главных класса:
преимущественно-alpha
преимущественно-beta
alpha-beta (alpha/beta and alpha+beta)
Четвертый класс – белки, содержащие домены без
выраженной структуры..
151. CATH
Architecture, A-level
• Описывает общий вид доменной структуры, определяемой как ориентация
элементов вторичной структуры, но без учета их соединений.
• Присваивается вручную (используя простое описание структуры).
• Разрабатываются способы автоматизации этого процесса.
Topology (fold family), T-level
• Структуры группируются в зависимости как от общего вида, так и от
соединений элементов вторичной структуры. Алгоритмы сравнения
структур.
152. CATH
Homologous superfamily, H-level
• Этот уровень объединяет белки, которые, по-видимому, имеют общего
предка (гомологи).
• Похожесть и идентичнсть – сначала по сравнению последовательностей,
затем – сравнение структур.
Sequence families, S-level
• Структуры в каждом H-level затем группируются по идентичности
последовательностей.
• Домены, объединенные в семейства последовательностей, имеют
идентичноcть 1D >35% , что показывает похожие структуру и функции.
153. SCOP / CATH
SCOP CATH
class class
architecture
fold topology
homologous superfamily
superfamily
family sequence family
domain domain
CATH - преимущественно структурная классификация,
SCOP - эволюционные взаимосвязи
CATH - один класс, представляющий смешанную α-β структуру
SCOP - 2 класса:
α/β: beta структуры параллельны, образуют βαβ мотивы
α+β: alpha и beta структуры присутствуют в различных частях протеина
154. SCOP / CATH -> DALI
SCOP & CATHSCOP & CATH
• Иерахические, базирующиеся на абстракциях
• Создаются (частично) и курируются вручную экспертами
Presentation of results of the classification, where the methods that
underlie the classification remain internal
Structure comparison
155. DALI
α/β β α anti parallel
β barrel
α β meand
er
More information about DALI
Touring protein fold space with Dali/FSSP: Liisa Holm and Chris Sander
Comparing protein structures in 3D
156. DALI
• The FSSP database (Fold classification based on Structure-Structure alignment of Proteins) базируется
на all-against-all сравнении 3D структур белков в Protein Data Bank (PDB).
Классификация и выравнивание структур автоматически поддерживается и
обновляется сервисом Dali search engine.
Dali Domain Dictionary
• Структурные домены выделяются автоматически. Каждый получает Domain
Classification number.
157. DALI
Fold types
• Типы фолдов – кластеры структур в
пространстве фолдов с средним парным
Z-scores (by Dali) выше 2.
Высокий Z-score соответствует
структурам с близкой архитектурой.
158. DALI
• Базируется на выравненных 2D матрицах внутримолекулярных дистанций
• Считает лучший subset соответствующих аминокислот в двух белках –
максимальная похожесть 2D матриц дистанций
• Поиск по всем возможным выравниваниям остатков – Monte-Carlo и branch-
and-bound algorithms
An intra-molecular distance plot for myoglobin
159. Pfam Database
Pfam – коллекция результатов множественного выравнивания
последовательностей и HMM, содержащая большое количество доменов и
семейств белков. Для каждого семейства в Pfam:
•Просмотреть результаты MSA
•Увидеть архитектуру доменов
•Распределение по видам
•Перекрестные ссылки
•Получить известные 3D структуры
•Pfam can be accessed directly or from the PDB description.
160. Homstrad Database
•HOMologous STRucture Alignment Database
•Предоставлляет выровненные 3D структуры
гомологичных белков.
•Homstrad - структурный эквиваллент Pfam. Вначале структуры белков
поступают из PDB, кандидаты семейств традиционно идентифицируются
поиском по Pfam. Используются определения доменов из SCOP и информация
о белках собирается из SwissProt, Pfam and Interpro.
• Аннотирование – в программе Joy, которая предоставляет следующую
информацию:
• Тип вторичной структуры
• Относительную доступность боковых цепей
• Наличие водородных связей между амидом и карбонилом
• Дисульфидные связи
•Положительные phi торзионные углы
161. PClass Database
Инструмент для классификации,
базирующийся на иерархии 600 белков-
представителей из PDB. Структурное
выравнивание 600 структур было
выполнено при помощи алгоритма 3dSearch.
162. 3D Structure Validation
Теория: Белки – молекулы несложные:
- Линейная структура цепей.
- Только 20 различных аминокислот.
На практике: Мы не понимаем в деталях механизм сворачивания белковых
структур.
Единственные «силы», используемые для уточнения, «улучшения» новой
структуры – это данные измерений и некоторые факты, присущие для ВСЕХ
молекул
В общем случае используемая информация недостаточна для распознавания
уникальной структуры.
Значительная часть работы по уточнению структуры – взгляд эксперта и
ручные корректировки.
Белки содержат тысячи атомов и невозможно постоянно выполнять ручные
корректировки.
Это – источник неправильных структур и «слабых мест» в глобьально верных
структурах.
163. Оценка качества стереохимии
«Исходя исключительно из координат атомов, есть ли методы, дающие
оценку общему стереохимическому качеству структуры? Такие методы могут
оказаться полезными для идентификации неправильно построенных структур
во время циклов уточнения, или после завершения моделирования.
Большинство PDB файлов содержат некоторую авторскую информацию о
параметрах кристаллографии. В то же время эта информация обычно короткая,
количественная не готовая к machine-reading и не предоставляет качественных
оценок надёжности предоставленной структуры».
Morris et al (PROTEINS: Structure, Function, and Genetics 12:345-364, 1992)
Очень полезная информация для верификации посылаемой структуры белка
Introduction to structure verification
http://www.cmbi.kun.nl/gv/pdbreport/checkhelp/
164. Мы можем использовать эту PDB структуру?
Год публикации
Разрешение X-ray структуры
Проблемные остатки (отсутствующие
аминокислоты/атомы/боковые цепи)
Растворитель/вода
Какая цель?
165. Важные параметры
Judging the Quality of Macromolecular Models
http://www.cmbi.kun.nl/gv/pdbreport/checkhelp/
R-factor: величина, показывающая согласие между кристаллографической
моделью и полученными данными X-ray. Оценивая построенную модель
кристаллографер рассчитывает ожидаемую интенсивность рефлексов в образце
дифракции и затем сравнивает его с экспериментальными данными, содержащими
измеренные позиции и интенсивности.
-R-factor используется для проверки прогресса в уточнении структуры. Финальный
R-factor – единая мера качества модели. Чем меньше, тем лучше.
Разрешение: В X-ray кристаллографии "2-Å model" означает, что модель учитывает
дифракцию в группе одинаковых, параллельных плоскостей с атомами с промежутком
в 2 Å.
Точность атомных позиций: В кристаллографии, в отличии от световой микроскопии,
термин «разрешение» означает количество данных, в конечном счете используемое для
определения структуры. Напротив, точность атомной позиции частично зависит от
разрешения, но в большей степени зависит от качества данных – R-factor.
- Хорошие данные могут приносить атомные полиции с точностью 0.2–0.1 от
заявленного разрешения.
166. WHAT IF
WHAT IF – CMBI (Centre for Molecular and Biomolecular Informatics)
CHECK - качество структуры/модели белка
FULCHK – наиболее подробный отчёт о проверке.
Производимые проверки – от простых проверок длин связей, торзионных
углов и проверок поверхности до глубокого анализа контактов и сети
водородных связей.
Stand alone versions: Unix, Windows
Server: WHAT_CHECK http://www.cmbi.kun.nl/gv/whatcheck/
Может посчитать и некоторые свойства:
Атомарные дистанции, столкновения, окружения, контакты с водой,
«внутренняя» вода, водородные связи…..
167. WHAT_IF Validation Parameters
1. Доступность боковых цепей
2. Длины связей – данные экспериментов
3. Углы связей – данные экспериментов
4. Торзионные (трёхгранные) углы, Phi/Psi (ramachandran plot) – данные
экспериментов
5. Планарность боковых цепей у His, Phe, Tyr – данные экспериментов
6. Хиральность (D or L) – данные экспериментов
7. Ротамеры (χ-1 and χ-2 комбинации) - моделирование
8. Столкновения атомов – данные экспериментов
9. Абсолютное внутреннее/внешнее распределение аминокислот
10. Погруженные доноры водородов – данные экспериментов
11. Упаковка (сравнение с базами данных)
http://www.cmbi.kun.nl/~richardn/intromodelValidation.html
168. The PDBREPORT Database
The PDBREPORT Database http://www.cmbi.kun.nl/gv/pdbreport/
Index of all diagnostic messages
http://www.cmbi.kun.nl/gv/pdbreport/pdbreport/revindex.html
169. WHAT_CHECK Criteria
Peptide-Pl: RMS distance of the backbone oxygen from the oxygen in similar backbone
conformations found in the database, distances in the range [3..1] are mapped to [0..9]
Rotamer: Probability that the sidechain rotamer (chi-1 only) is correct, probabilities in the range
[0.1 .. 0.9] are mapped to [0..9]
Chi-1/Chi-2: Z-score for the sidechain chi-1/chi-2 combination,
Z-scores in the range probabilities in the range [-4..+4] are mapped to [0..9]
Bumps: Sum of bumps per residue, distances in the range [0.1 .. 0] are mapped to [0..9].
Packing 1: First packing quality Z-score, Z-scores in the range [-5..+5] are mapped to [0..9].
Packing 2: Second packing quality Z-score, Z-scores in the range [-3..+3] are mapped to [0..9].
In/Out: Absolute inside/outside distribution Z-score per residue, Z-scores in the range [4..2] are
mapped to [0..9].
H-Bonds: 9 minus number of unsatisfied hydrogen bonds, 2 is subtracted for buried backbone
nitrogen, 5 for buried sidechain.
Flips: Indicates flipped Asn/Gln/His sidechain, 9=OK, 0=needs flipping.
170. WHAT_CHECK Criteria
Access: Relative side chain accessibility, 0=buried, 9=exposed.
Quality: Several quality estimators from the PDBREPORTs.0=is oh no, 9=perfect.
B-Factors: Crystallographic B-factors, the range [10..60] is mapped to [9..0]
Bonds: Absolute Z-score of the largest bond deviation per residue, absolute Z-Scores in the
range [5..2] are mapped to [0..9].
Angles: Absolute Z-score of the largest angle deviation per residue, absolute Z-Scores in the
range [5..2] are mapped to [0..9].
Torsions: Average Z-score of the torsion angles per residue, Z-Scores in the range [-3..+3] are
mapped to [0..9].
Phi/Psi: Ramachandran Z-score per residue, Z-Scores in the range [-4..+4] are mapped to [0..9].
Planarity: Z-score for the planarity of the residue sidechain, Z-Scores in the range [6..2] are
mapped to [0..9].
Chirality: Average absolute Z-score of the chirality deviations per residue, average absolute Z-
Scores in the range [4..2] are mapped to [0..9].
Backbone: Number of similar backbone conformations found in the database, numbers in the
range [0..10] are mapped to [0..9]
171. Procheck
http://www.biochem.ucl.ac.uk/~roman/procheck/procheck.html
Procheck – программа и сервер для проверки геометрии структуры белка.
1. Геометрия ковалентных связей
2. Планарность
3. Торзионные углы
4. Хиральность
5. Нековалентные взаимодействия
6. Водородные связи основной цепи
7. Дисульфидные мостики
8. Сравнение параметров
9. Поаминокислотный анализ
173. PDB Validation Tools
Ad it! http://pdb.rutgers.edu/validate/
The PDB Validation Suite - набор инструментов,
используемый в PDB для обработки и проверки
структурных данных
http://pdb.rutgers.edu/mmcif/VAL/index.html
174. ERRAT
•ERRAT - алгоритм верификации белковых структур, который особенно
подходит для оценки процесса построения и улучшения моделей в
кристаллографии.
• Программа анализирует статистики нековалентных взаимодействий между
атомами различных типов.
• Общая диаграмма даёт значения функции ошибки (скоринг) vs позиция
9-residue окна. Путём сравнения с статистиками из очень качественных
структур функция ошибки калибруется.
http://www.doe-mbi.ucla.edu/Services/Errat.html
175. PROVE
• PROVE: PROtein Volume Evaluation, a validation package
• PROVE - ПО для проверки качества атомарной модели
макромолекулярной структуры
• Базируется на расчете атомных объемов. PROVE считает объемы
атомов в макромолекуле, используя алгоритм SURVOL (SURVOL
обрабатывает атомы как твёрдые сферы с определенными радиусами,
зависящими от типа атома)
• Использовались высококачественные структуры для выяснения
ожидаемых (средних) объемов погруженных атомов.
• Отклонения в атомных объемах оценивается в Z-score (how many
standard deviations their volume is away from the mean for that atom type).
Ожидаемое Z-score – 0.
http://www.ucmb.ulb.ac.be/UCMB/PROVE/
177. SAV
SAV- Structure Analysis and Verification Server
http://www.doe-mbi.ucla.edu/Services/SV/
Information about the server – Before you start
http://www.doe-mbi.ucla.edu/Services/SV/Info.php
184. Chime
• Plugin для Netscape Communicator и других браузеров
• Основное предназначение – позволяет визуализировать
биомолекулы на компьютерах, лишённых каких-либо других
инструментов для структурной биологии, работает как
надстройка в браузере.
• Подобен RasMol, но не поддерживает командной строки
• Дополнительная информация доступна по
http://www.umass.edu/microbio/chime/chimehow/chimehow.htm
• Не включает дополнений и усовершенствований RasMol
185. Protein Explorer
•Улучшенная версия RasMol
•Графический интерфейс похож на Chime, но с
более развитой системой помощи и
автоматизации
•Доступен для работы новичкам, нет нужды
изучать команды
•Обеспечивает углублённое изучение молекул и
их свойств для профессионалов
189. SwissPdbViewer - Deep view
• Инструмент, обладающий огромными возможностями
• Позволяет анализировать множественные структуры
• Позволяет изменять углы химических связей и производить
перенос атомов или групп атомов
• Моделирование мутаций
• Моделирование с использованием гомологов (при
подключении к удалённому серверу)
• Базовые минимизации энергии
• Карты электронных полей
190. YASARA
• Yet Another Scientific Artificial Application
• Молекулярная графика на очень хорошем уровне
• Моделирование и симуляции (not free!)
The classes are based on Levitt, M. & Chothia, C 1.Family: Clear evolutionarily relationship. Proteins clustered together into families are clearly evolutionarily related. Generally, this means that pairwise residue identities between the proteins are 30% and greater. However, in some cases similar functions and structures provide definitive evidence of common descent in the absense of high sequence identity; for example, many globins form a family though some members have sequence identities of only 15%. 2.Superfamily: Probable common evolutionary origin. Proteins that have low sequence identities, but whose structural and functional features suggest that a common evolutionary origin is probable are placed together in superfamilies. For example, actin, the ATPase domain of the heat shock protein, and hexakinase together form a superfamily. 3.Fold: Major structural similarity. Proteins are defined as having a common fold if they have the same major secondary structures in the same arrangement and with the same topological connections. Different proteins with the same fold often have peripheral elements of secondary structure and turn regions that differ in size and conformation. In some cases, these differing peripheral regions may comprise half the structure. Proteins placed together in the same fold category may not have a common evolutionary origin: the structural similarities could arise just from the physics and chemistry of proteins favoring certain packing arrangements and chain topologies.
Устное.
Domain – A poly peptide chain or fragment (100-200 aa) which fold into stable tertiary structure.
Pfam is a database of two parts, the first is the curated part of Pfam containing over 3,700 protein families. To give Pfam a more comprehensive coverage of known proteins we automatically generate a supplement called Pfam-B. This contains a large number of small families taken from the PRODOM database that do not overlap with Pfam-A. Although of lower quality Pfam-B families can be useful when no Pfam-A families are found.
HOMSTRAD (HOMologous STRucture Alignment Database) provides aligned three-dimensional structures of homologous proteins. The word homology is only used to mean having a common evolutionary origin, but we practically define homologous families as a group of proteins with sufficiently high sequence identities. We combine the classifications proposed by various databases including SCOP, Pfam, PROSITE and SMART and the results from sequence similarity searches by PSI-BLAST and FUGUE and make our own decisions to define the families. Our focus is to collect reasonable sets of protein sequences, where functionally and structurally important residues can be correctly aligned and highlighted. For example, even if a highly conserved local sequence motif is shared by a diverse group of proteins, it is sometimes difficult to align all the sequences on the basis of their structures. In such a case, we split the group into several smaller ones and call them families. On the other hand, some families defined in HOMSTRAD include protein pairs with fairly low overall sequence similarity but they still present convincing structure-based alignments. The central element of HOMSTRAD is a collection of carefully examined structure-based alignments organised at the level of homologous families. This requires substantial manual editing and is complementary to fully automated structure comparisons such as FSSP. One unique feature of HOMSTRAD is to display the alignments in a specially devised annotated form to help understand the conservation of various structural features. The analysis and annotation is carried out by the program JOY. See the software section for further details of this format. The combination of HOMSTRAD and JOY proved to be particularly useful in achieving accurate alignments for comparative modelling (Burk et al., 1999). This facility, again, contrasts some other database resources such as SCOP (Murzin et al., 1995) and CATH (Orengo et al., 1997), which provide a hierarchical classification of protein structures.
Устное объяснение
Устное объяснение
toms with non-zero accessible surface area could not be handled, because they are not completely surrounded by other atoms, and their Voronoi volume can therefore not be defined. A negative Z-score means that the atom has a smaller than average volume, whereas a positive score indicates that an atom has a larger than average volume.
Цитохром Rhodopseudomonas viridis. Note the symmetry of LM = 60% identity
1wqa, 1tx4, 1grn, 1tad and 1gfi. -> only 1tx4, 1grn, 1tad Note that some amino acids may appear in yellow once a molecule has been loaded. It signifies that their sidechain has been reconstructed during the loading process because some atoms were lacking. When all sidechain atoms are lacking, a rotamer library is searched until the rotamer that generate a maximum of H-bonds and a minimum of steric hindrances is found. If only some sidechain atoms are lacking, the rotamer that gives the lowest RMS when fitted to the partial sidechain is taken. In any case, you may try to find a better sidechain manually with the mutation tool. If you want to act on a complete column , simply hold down the shift key while clicking in a column Note: if a little earth icon is shown below the first tool, the rotation takes place in absolute coordinates. Otherwise (little protein icon) molecules are rotated around their centrotid. Hence the first option allows you to rotate the molecule around any atom, providing that this atom has previously been centered (translated to the (0,0,0) coordinate). Note: if "caps lock" is down, you can measure several distances or angles successively. To exit the "repeated" measurement mode, you can either depress "caps lock" or hit "esc".