Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Энергетические характеристики ?-спиральных конформаций в глобулярных и фибриллярных белках

Диссертация: Энергетические характеристики ?-спиральных конформаций в глобулярных и фибриллярных белках
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Согласно общепринятому принципу иерархичности строения белковых молекул, их структурная организация отвечает нескольким уровням, детально описанным Шульцем и Ширмером. В нативной структуре можно выявить регулярные элементы вторичной структуры, такие как а-спирали, (3-структура, левая спираль типа поли-L-пролин II и повороты. Эти элементы часто формируют мотивы (супервторичную структуру… Читать ещё >

Содержание

  • 1. Обзор литературы
  • Методы предсказания вторичных структур
  • Оценка точности предсказания
  • Метод молекулярной механики

Энергетические характеристики ?-спиральных конформаций в глобулярных и фибриллярных белках (реферат, курсовая, диплом, контрольная)

Актуальность темы

.

Белок является уникальным объектом исследования, требующим, как правило, отказа от традиционных подходов и представлений. Все выдающиеся достижения в решении фундаментальных задач проблемы белка были получены лишь на основе оригинальных концепций, качественно новых теорий и экспериментальных методов. Одновременно такого уровня исследования всегда оказывались новыми достижениями физики, химии или биологии.

Информация о строении белков оказывает огромное влияние на развитие подавляющего большинства направлений молекулярной биологии. Без знания пространственной структуры белков нельзя понять природу и специфичность их взаимодействий, представить и количественно описать механизмы процессов жизнедеятельности.

Структурная биология направлена на поиск решений таких проблем молекулярной биологии, какими являются проблемы структурной и структурно-функциональной организации белковых молекул. Первая из них заключается в установлении связи между аминокислотной последовательностью и ее пространственной физиологически активной формой. Вторая касается выяснения зависимости между биологическими свойствами белковых молекул и их строением [1].

Конечная цель исследований структурной организации белков состоит в априорном предсказании нативной конформации и динамических свойств белковых молекул по известной аминокислотной последовательности. Основой решения этой задачи служат, главным образом, данные рентгеноструктурного анализа белков. А общая для всех подходов идея опирается на три представления: а-спиральную концепцию Полинга и Кори [2], классификацию белковых структур на первичную, вторичную и третичную, предложенную Линдерстрем-Лангом [3], и гидрофобную концепцию Козмана [4].

Согласно общепринятому принципу иерархичности строения белковых молекул, их структурная организация отвечает нескольким уровням, детально описанным Шульцем и Ширмером [5]. В нативной структуре можно выявить регулярные элементы вторичной структуры, такие как а-спирали, (3-структура, левая спираль типа поли-L-пролин II и повороты. Эти элементы часто формируют мотивы (супервторичную структуру), из которых затем строятся домены. Функциональная же форма белка часто является олигомерной структурой, состоящей из нескольких полипептидных цепей. В большинстве методов предсказания укладки белка придерживаются такого определения иерархии их организации [6]. Таким образом, для решения глобальной задачи белкового фолдинга необходимо уметь получать информацию о низшей ступени такой иерархии — вторичной структуре белковых цепей.

Цели и задачи исследования.

Цель данной работы заключалась в исследовании энергетических и конформационных характеристик а-спиральных элементов белка и разработке метода предсказания данного типа вторичной структуры полипептидных цепей с использованием полученных характеристик. В основе работы лежит построение и изучение белковых моделей а-спиральной конформации средствами молекулярной механики. Основной задачей моделирования было найти конформацию полипептидной цепи, отвечающую минимуму энергии молекулы в гипотетическом состоянии: «весь белок — а-спираль» с оптимальной для а-спирали конформацией боковых цепей аминокислотных остатков. Идея метода заключается в том, что для участков полипептидной цепи, которые в реальном белке действительно свернуты в а-спираль, конформация боковых групп является самой оптимальной из возможных, что диктуется соответствующей аминокислотной последовательностью. С другой стороны, для участков, не являющихся а-спиралями в реальном белке ((3-структуры, петли и другое), конформация боковых цепей, отвечающая а-спиральному состоянию основной цепи, в реальных глобулярных белках не является оптимальной среди допустимого набора конформаций для данных аминокислотных остатков. Таким образом, локальная энергия на участках модельной структуры, соответствующая участкам отдельно а-спиралей и не а-спиральных структур, будет либо отвечать возможному минимуму энергии на данном участке (для а-спиралей), либо нет (для не а-спиралей). Разница в энергиях участков позволит выявить а-спиральные области.

При анализе расположения на полипептидной цепи участков вторичной структуры использовалась информация базы данных DSSP о границах структурных единиц объектов банка данных пространственных структур белков PDB. При этом достоверность точности разметки вторичных структур опиралась на использование в качестве объектов исследования белков, определенных рентгеноструктурным анализом с высоким разрешением.

Таким образом, из постановки цели работы вытекают следующие задачи исследования:

1) Анализ банков данных вторичных структур белков и создание выборки подлежащих исследованию объектов- 7.

2) Разработка метода построения модели вторичной структуры полипептидной цепи с использованием программы молекулярной механики;

3) Выбор поля сил и системы параметров, позволяющих дать однозначную энергетическую характеристику изучаемой модели;

4) Расчет и анализ энергетических профилей модельных структур;

5) Разработка метода предсказания а-спиральных конформаций полипептидной цепи на основе ее энергетических характеристик.

ВЫВОДЫ.

1. Показано, что для участков полипептидной цепи, которые в реальном белке действительно свернуты в а-спираль, конформация боковых групп является самой оптимальной из возможных, что диктуется соответствующей аминокислотной последовательностью. Для участков, не являющихся а-спиралями в реальном белке (p-структуры, петли и другое), конформации боковых цепей, отвечающие а-спиральному состоянию основной цепи, не являются оптимальными среди допустимого набора конформаций для данных аминокислотных остатков.

2. Продемонстрировано, что локальные взаимодействия вносят основной вклад в формирование а-спирали, при этом взаимодействия Ван-дер-Ваальса достаточны для ее стабилизации в белке.

3. Установлено, что неспиральные участки невыгодны энергетически в а-спиральной конформации.

4. Разработан метод предсказания, с помощью которого выявляются все а-спиральные типы вторичной структуры: а-спирали, 3/10-спирали и p-повороты I типа.

5. Достигнута высокая точность предсказания, поостаточный критерий которой составляет 79% совпадения.

6. Выявлен порог энергии (-18 ккал/моль), характерный для тетрапептидов, встречающихся в природе в а-спирали с вероятностью выше 80%.

7. Показано, что метод энергетической характеризации регулярной структуры, основанный на молекулярном моделировании, равно применим как к глобулярным, так и к фибриллярным белкам.

ЗАКЛЮЧЕНИЕ

.

Таким образом, моделирование стандартным методом молекулярной механики с использованием только информации о последовательности позволяет воспроизвести а-спиральные конформации белка. На участках модельной структуры, соответствующих а-спиралям реального белка, существует выигрыш в энергии при образовании а-спиральной конформации полипептидной цепи. С другой стороны, для не а-спиральных участков возможность принять а-спиральную конформацию значительно ограничена, что четко проявляется на энергетическом профиле. Поэтому примененный метод обладает предсказательной силой, и с его помощью можно в принципе выявлять а-спирали для полипептидных цепей с неизвестной пространственной структурой.

Метод позволяет выявлять те участки полипептидной цепи, у которых ход основной цепи в реальной третичной структуре устойчиво, на протяжении нескольких остатков, отвечает а-спиральной конформации и близким ей конформациям. Более четко эта закономерность обнаруживается на профиле энергий ван-дер-ваальсовых взаимодействий. Это означает, что важнейшим условием для формирования стандартных конформаций в белке является благоприятный характер локальных взаимодействий. Следует отметить, что энергия Ван-дер-Ваальса, является определяющей также для выбора правильного фолда для данной первичной структуры. То, что в практически фибриллярной структуре воспроизводятся реальные а-спиральные сегменты, означает, что третичная структура белка не оказывает определяющего влияния на энергетическую предпочтительность при формировании а-спиралей. В то же время, метод позволяет выявить протяженные участки.

92 последовательности, не склонные входить в а-спирали. Дополнительный анализ в дальнейшем позволит выявить их локальные конформации.

Энергия стабилизации 3/10 спиралей и р-изгибов соответствует энергии стабилизации а-спиралей, но несколько выше. Это позволяет предсказывать также 3/10-спирали и р-изгибы.

Дальнейшее развитие метода требует усовершенствования процедуры моделирования путем увеличения числа варьируемых параметров. Перспективен также анализ энергетических профилей для элементарных фрагментов разной длины и для разных компонент энергии.

Показать весь текст

Список литературы

  1. Проблема белка: Т.2. Пространственное строение белка / Ред. Т. И. Соркина. М.: Наука (1996).
  2. Pauling L., Corey R.B. Two hydrogen-bonded spiral configurations of the polypeptide chain. J. Am. Chem. Soc., 72, p. 5349, 1950.
  3. Linderstrom-Lang K.U. Proteins and enzymes. Stanford (Calif.), Stanford Univ. Press, pp. 93−112(1952).
  4. Kausmann W. Adv. Protein Chem., 14, pp. 1−63 (1959).
  5. Г., Ширмер P. Принципы структурной организации белков. М.: Мир (1982).
  6. Simon I., Fiser A., Tusnady G. Predicting protein conformation by statistical methods. Biochim. Biophys. Acta, 1549, pp. 123−136 (2001).
  7. Проблема белка: T.1. Химическое строение белка / Ред. В. Т. Иванов, Е. М. Попов. М.: Наука (1995).
  8. К.Г., Марк Г. Строение высокополимерных органических естественных соединений. П.: Госхимиздат (1932).
  9. Meyer К.Н. Biochem. Ztschr., Bd. 217, S. 433−442 (1930).
  10. Pauling L., Corey R.B., Branson H.R. The structure of proteins: Two hydrogen-bonded helical configurations of the polypeptide chain, Proc. Natl. Acad. Sci. USA, 37, pp. 205−234 (1951).
  11. Pauling L., Corey R.B. Configurations of polypeptide chains with favored orientations around single bonds: Two new pleated sheets, Proc. Natl. Acad. Sci. USA, 37, pp. 729−740 (1951).
  12. Scheraga H.A. Effect of side chain-backbone electrostatic interactions on the stability of alpha-helices. Proc. Natl. Acad. Sci. USA, 82, pp. 5585−5587 (1985).
  13. Lim V.I. Algorithms for prediction of alpha-helical and beta-structural regions in globular proteins J. Mol. Biol., 88, pp. 873−894 (1974).
  14. Ptitsyn O.B., Finkelstein A.V. Theory of protein secondary structure and algorithm of its prediction. Biopolymers, 22, pp. 15−25 (1983).
  15. Kuwajima K., Semisotnov G.V., Finkelstein A.V., Sugai S., Ptitsyn O.B. Secondary structure of globular proteins at the early and the final stages in protein folding. FEBS Lett, 334, pp. 265−268(1993).
  16. Lumry R., Eyring H. Conformation Changes of Proteins J. Phys. Chem. 58, pp. 110−120 (1954).
  17. Kotelchuck D., Scheraga H.A. The influence of short-range interactions on protein conformation. I. Side chain-backbone interactions within a single peptide unit. Proc. Natl. Acad. Sci. USA, 61, pp. 1163−1170 (1968).
  18. Finkelstein A.V., Ptitsyn O.B. A theory of protein molecule self-organization. IV. Helical and irregular local structures of unfolded protein chains. J. Mol. Biol., 103, pp. 15−24 (1976).
  19. Kabat E.A., Wu T.T. Further comparison of predicted and experimentally determined structure of adenylate kinase. Proc. Natl. Acad. Sci. USA, 71, pp. 4217−4220 (1974).
  20. Beghin F., Dirkx J. Proceedings: A simple statistical method to predict protein conformations Arch. Intern. Physiol. Biochim., 83, pp. 167−168 (1975).
  21. Lewis P.N., Scheraga H.A. Predictions of structural homologies in cytochrome с proteins. Arch. Biochem. Biophys. 1971, 144, pp. 576−583.
  22. Chou P.Y., Fasman G.D. Prediction of protein conformation. Biochemistry, 13, pp. 222−245(1974).
  23. Rost, В., Sander, С. Third generation prediction of secondary structure, in Webster, D. (Ed.), Protein Structure Prediction: Methods and Protocols, pp. 71−95, Humana Press, Clifton, NJ. (2000).
  24. Kabsch W., Sander Ch. On the use of sequence homologies to predict protein structure: identical pentapeptides can have completely different conformations. Proc. Natl. Acad. Sci. USA, 81, pp. 1075−1078 (1984).
  25. Gamier J., Osguthorpe D.J., Robson B. Analysis of the accuracy and implications of simple methods for predicting the secondary structure of globular proteins. J. Mol. Biol., 120, pp. 97−120 (1978).
  26. Garratt R.C., TaylorW.R., Thornton J.M.The influence of tertiary structure on secondary structure prediction — Accessibility versus predictability for p-structure. FEBS Lett., 188, pp. 59−62(1985).
  27. Deleage G., Roux B. An algorithm for protein secondary structure prediction based on class prediction. Protein Eng., 1, pp. 289−294 (1987).
  28. Gromiha M.M., Selvaraj S. Protein secondary structure prediction in different structural classes. Protein Eng., 11, pp. 249−251 (1998).
  29. Gromiha M.M., Ponnuswamy P.K. Prediction of protein secondary structures from their hydrophobic characteristics. Int. J. Pept. Protein Res., 45, pp. 225−240 (1995).
  30. Gibrat J.F., Gamier J., Robson B. Further developments of protein secondary structure prediction using information theory. New parameters and consideration of residue pairs. J. Mol. Biol., 198, pp. 425−443 (1987).
  31. Gamier J., Gibrat J.F., Robson B. GOR method for predicting protein secondary structure from amino acid sequence. Methods Enzymol., 266, pp. 540−553 (1996).
  32. Swindells M.B., MacArthur M. W, Thornton J.M. Intrinsic phi, psi propensities of amino acids, derived from the coil regions of known structures. Nat. Struct. Biol., 2, pp. 596−603 (1995).
  33. Dickerson R.E., Timkovich R., Almassy R.J. The cytochrome fold and the evolution of bacterial energy metabolism, J. Mol. Biol., 100, pp. 473−491 (1976).
  34. Zvelebil M.J., Barton G.J., Taylor W.R., Sternberg M.J.E. Prediction of protein secondary structure and active sites using alignment of homologous sequences, J. Mol. Biol., 195, pp. 957−961 (1987).
  35. Needleman S.B., Wunsch C.D. A general method applicable to the search for similarities in the amino acid sequence of two proteins. J. Mol. Biol., 48, pp. 443−453 (1970).
  36. Barton G.J., Sternberg M.J.E. Evaluation and improvements in the automatic alignment of protein sequences. Protein Eng., 1, pp. 89−94 (1987).
  37. Barton G.J., Sternberg M.J. A strategy for the rapid multiple alignment of protein sequences. Confidence levels from tertiary structure comparisons. J. Mol. Biol., 198, pp. 327−337 (1987).
  38. Levin J.M., Pascarella S., Argos P., Gamier J. Quantification of secondary structure prediction improvement using multiple alignments. Protein Eng., 6, pp. 849−854 (1993).
  39. Geourjon C., Deleage G. SOPMA: significant improvements in protein secondary structure prediction by consensus prediction from multiple alignments. Comput. Appl. Biosci., 11, pp. 681−684 (1995).
  40. Wako H., Blundell T.L. Use of amino acid environment-dependent substitution tables and conformational propensities in structure prediction from aligned sequences of homologous proteins. II. Secondary structures. J. Mol. Biol., 238, pp. 693−708 (1994).
  41. Rost В., Sander C. Improved prediction of protein secondary structure by use of sequence profiles and neural networks. Proc. Natl. Acad. Sci. U S A., 90, pp. 7558−7562 (1993).
  42. Rost В., Sander C. Combining evolutionary information and neural networks to predict protein secondary structure. Proteins., 19, pp. 55−72 (1994).
  43. Pollastri G., Przybylski D., Rost В., Baldi P. Improving the prediction of protein secondary structure in three and eight classes using recurrent neural networks and profiles. Proteins, 47, pp. 228−235 (2002).
  44. Rost B. Twilight zone of protein sequence alignments. Protein Eng. 1999, 12, pp. 85−94.
  45. Rost B. Review: Protein Secondary Structure Prediction Continues to Rise. J. Struct. Biol., 134, pp. 204−218 (2001).
  46. Rost В., Sander C. Prediction of protein secondary structure at better than 70% accuracy. J. Mol. Biol., 232, pp. 584−599 (1993).
  47. Lacroix E., Viguera A.R., Serrano L. Elucidating the folding problem of alpha-helices: local motifs, long-range electrostatics, ionic-strength dependence and prediction of NMR parameters. J. Mol. Biol., 284, pp. 173−191 (1998).
  48. Cuff J.A., Clamp M.E., Siddiqui A.S., Finlay M., Barton G.J. JPred: a consensus secondary structure prediction server. Bioinformatics, 14, pp. 892−893 (1998).
  49. Wolf E., Kim P. S., Berger В. MultiCoil: a program for predicting two- and three-stranded coiled coils. Protein Sci., 6, pp. 1179- 1189 (1997).
  50. Rost B. PHD: predicting one-dimensional protein structure by profile-based neural networks. Methods Enzymol., 266, pp. 525−539 (1996).
  51. Frishman D., Argos P. Seventy-five percent accuracy in protein secondary structure prediction. Proteins, 27, pp. 329−335 (1997).
  52. Jones D.T. Protein secondary structure prediction based on position-specific scoring matrices. J. Mol. Biol., 292, pp. 195−202 (1999).
  53. Baldi P., Brunak S., Chauvin Y., Andersen C.A.F., Nielsen H. Assessing the accuracy of prediction algorithms for classification: an overview. Bioinformatics, 16, pp. 412−424 (2000).
  54. Wang Z.X. Assessing the accuracy of protein secondary structure. Nat. Struct. Biol., 1, pp. 145−146 (1994).
  55. Matthews B.W. Comparison of the predicted and observed secondary structure of T4 phage lysozyme. Biochim Biophys. Acta, 405, pp. 442−451 (1975).
  56. Zhang C-T., Zhang R. A refined accuracy index to evaluate algorithms of protein secondary structure prediction. Proteins, 43, pp. 520−522 (2001).
  57. Salamov A.A., Soloveyev V.V. Prediction of protein secondary structure by combining nearest-neighbor algorithms and multiple sequence alignments. J. Mol. Biol., 247, pp. 11−151 995).
  58. King R.D., Sternberg M.J.E. Identification and application of the concepts important for accurate and reliable protein secondary structure prediction. Protein Sci., 5, pp. 2298−23 101 996).
  59. Rost В., Sander C., Schneider R. Redefining the goals of protein secondary structure prediction. J. Mol. Biol., 235, pp. 13−26 (1994).
  60. Kabsch W., Sander Ch. Dictionary of protein secondary structure: pattern recognition of hydrogen-bonded and geometrical features. Biopolymers, 22, pp. 2577−2637 (1983).
  61. Cuff J.A., Barton G. Evaluation and improvement of multiple sequence methods for protein secondary structure prediction. Proteins, 34, pp. 508−519 (1999).
  62. King R.D., Ouali M., Strong A.T., Aly A., Elmaghraby A., Kantardzic M., Page D. Is it better to combine predictions? Protein Eng., 13, pp. 15−19 (2000).
  63. Honig B. Protein folding: from the Levinthal paradox to structure prediction. J. Mol. Biol., 293, pp. 283−293 (1999).
  64. Bonneau R., Baker D. Ab initio protein structure prediction: progress and prospects. Annu. Rev. Biophys. Biomol. Struct., 30, pp. 173−189 (2001).
  65. Lim, V.I. Algorithms for prediction of alpha-helical and beta-structural regions in globular proteins. J. Mol. Biol., 88, pp. 873−894 (1974).
  66. Ptitsyn, O.B., Finkelstein, A.V. Theory of protein secondary structure and algorithm of its prediction. Biopolymers, 22, pp. 15−25 (1983).
  67. Ptitsyn, O.B., Finkelstein, A.V. Prediction of protein secondary structure based on physical theory. Histones. Protein Eng., 2, pp. 443−447 (1989).
  68. Д.А. Молекулярное моделирование белков и их комплексов, ответственных за узнавание антигенов Т-лимфоцитами. Канд. дисс., М., ИМБ РАН (1997).
  69. Mazur А.К., Abagyan R.A. New methodology for computer-aided modelling of biomolecular structure and dynamics. 1. Non-cyclic structures. J. Biomol. Struct. Dyn., 6, pp. 815−832 (1989).
  70. Abagyan R.A., Mazur A.K. New methodology for computer-aided modelling of biomolecular structure and dynamics. 2. Local deformations and cycles. J. Biomol. Struct. Dyn., 6, pp. 833−845 (1989).
  71. Abagyan, R., Totrov, M. and Kuznetsov, D. ICM a new method for protein modeling and design: applications to docking and structure prediction from the distorted native conformation. J. Сотр. Chem., 15, pp. 488−506 (1994).
  72. Nemethy M.S., Pottle M.S., Scheraga H.A. Energy parameters in polypeptides. IX. Updating of geometric parameters, nonbonded interactions and hydrogen bond interactions for the naturally occurring amino acids. J. Phys. Chem., 87, pp. 1833−1851 (1983).
  73. McCammon J.A., Wolynes P.G., Karplus M. Picosecond dynamics of tyrosine side chains in proteins. Biochemistry, 18, pp. 927−942 (1979).
  74. Pickersgill R.W. A rapid method of calculating charge-charge interaction energies in proteins. Protein Eng., 2, pp. 247−248 (1988).
  75. Eisenberg D., McLachlan A.D. Solvation energy in protein folding and binding. Nature, 319, pp. 199−203(1986).
  76. Metropolis N.A., Rosenbluth A.W., Rosenbluth N.M., Teller A.H., Teller E. Introduction of the Metropolis algorithm for molecular-dynamics simulation J. Chem. Phys., 21, p. 1085−1092(1953).
  77. Li Z., Sheraga H.A. Monte Carlo-minimization approach to the multiple-minima problem in protein folding. Proc. Natl. Acad. Sci. USA, 84, pp. 6611- 6615 (1987).
  78. Orengo, C.A., Michie, A.D., Jones, S., Jones, D.T., Swindells, M.B., Thornton, J.M. CATH A Hierarchic Classification of Protein Domain Structures. Structure, 5, pp. 1093−1108 (1997).
  79. Laskowski R. A. PDBsum: summaries and analyses of PDB structures. Nucleic Acids Res., 29, pp. 221−222(2001).
  80. Weissig H., Bourne P.E. Protein structure resources. Acta Cryst., D 58, pp. 908−915 (2002).
  81. Abagyan R.A., Totrov M. Ab Initio Folding of Peptides by the Optimal-Bias Monte Carlo Minimization Procedure. J. Comp.Phys., 151, pp. 402−421 (1999).
  82. Ч., Шиммел П. Биофизическая химия. М.: Мир, т.1, с. 241 (1984).
  83. Pitera J.W., Kollman P.A. Exhaustive Mutagenesis in Silico: Multicoordinate Free Energy Calculations on Proteins and Peptides. Proteins, 41, pp. 385−397 (2000).103
  84. Baker E. N., Hubbard R. E. Hydrogen bonding in globular proteins Prog. Biophys. Mol. Biol., 44, pp. 97−179(1984).
  85. Wilmot C.M., Thornton J.M. Beta-turns and their distortions: a proposed new nomenclature. Protein Eng., 3, pp. 479−493 (1990).
  86. Kumar S., Bansal M. Dissecting alpha-helices: position-specific analysis of alpha-helices in globular proteins. Proteins, 31, pp. 460−476 (1998).
  87. Kumar S., Bansal M. Geometrical and sequence characteristics of alpha-helices in globular proteins. Biophys. J., 75, pp. 1935−1944 (1998).
  88. РисЭ., Стернберг M. От клеток к атомам. М.: «Мир», с.115−117 (1988).
  89. Branden C-l., Tooze J. Introduction to protein structure, Garland Publishing Inc., NY (1999).
  90. Hitchcock-DeGregori S. E., Song Y., Moraczewska J. Importance of Internal Regions and the Overall Length of Tropomyosin for Actin Binding and Regulatory Function Biochemistry, 40, pp. 2104−2112 (2001).
Заполнить форму текущей работой

На отлично!