Protein 3D Yapı Oluşturma ve Modelleme

Protein 3D Yapı Oluşturma ve Modelleme

• Proteinlerin üç boyutlu yapılarının oluşturulması ve modellenmesi konusunu ele alır.

İçindekiler

• Sunum üç bölümden oluşmaktadır.
• İlk bölüm protein yapılarına genel bir giriş sunar ve neden protein yapısının tahmin edilebileceğini tartışır.
• İkinci bölüm modelleme yöntemlerini ele alır.
• Üçüncü bölüm ise kullanılan program ve web araçlarını tanıtır.

Protein Yapıları

• Protein yapıları, protein dizisi, yapısı ve fonksiyonu arasındaki ilişkiyi vurgular.
• Miyoglobin örneği kullanılarak proteinlerin amino asit dizisi, üç boyutlu yapısı ve oksijen depolama görevi arasındaki bağlantı gösterilir.
• Proteinlerin farklı yapı seviyeleri (birincil, ikincil, üçüncül, dördüncül) hakkında bilgi verilir.

Protein Yapılarının Tahmini

• Proteinlerin amino asit dizisi bilindiğinde üç boyutlu şeklinin belirlenmesi sorunu ele alınır.

Protein Yapı Tayini

• Protein yapılarını belirlemek için kullanılan yöntemlere değinilir: X-ışını kristalografisi, NMR (nükleer manyetik rezonans) ve Cryo-EM (kriyojenik elektron mikroskopisi).
• X-ışını kristalografisi en doğru yöntem olmakla birlikte kristal proteinlere ihtiyaç duyar ve pahalıdır.
• NMR, in vivo koşullarda yapılabilir ve sıvılar için uygundur ancak küçük proteinlerle sınırlıdır.
• Cryo-EM, büyük yapılar için kullanılabilir ve düşük çözünürlüklüdür.
• Aşağıdaki tabloda in vitro ortamda protein yapısının belirlenmesi için kullanılan temel yöntemler karşılaştırmalı olarak verilmiştir.
• X-Işını Kristalografisi, NMR ve Cryo-EM, proteinlerin atom seviyesinde yapısını belirlemede en yaygın kullanılan tekniklerdir
• HDX-MS gibi yöntemler ise protein dinamikleri ve etkileşimleri hakkında bilgi sağlamak için kullanılır
• Yöntem seçimi, proteinin büyüklüğüne, kristalizasyon durumuna ve çalışmanın hedeflerine bağlı olarak değişir.

Protein Büyüklüğüne Göre Yapı Belirleme Yöntemlerinin Sınırlamaları

• Proteinlerin büyüklüğüne göre yapı belirleme yöntemlerinin sınırlamaları hakkında bilgi verilir;
• X-ışını kristalografisi, NMR ve Cryo-EM yöntemlerinin farklı büyüklükteki proteinler için uygunluğu değerlendirilir.

Neden Protein Yapısını Tahmin Etmeliyiz?

• Protein yapılarının önemine ve yapıyı tahmin etmenin faydalarına değinilir;
• Fonksiyonel mekanizmaların anlaşılması, mutagenez deneylerinin tasarlanması ve rasyonel ilaç tasarımı olanaklarından bahsedilir.
• Deneysel yöntemlerin zaman alıcı ve pahalı olduğu vurgulanır.
• Protein dizilerinin sayısı ile protein yapılarının sayısı arasındaki büyük boşluğa dikkat çekilir ve yapısal modellemenin gerekliliği vurgulanır.
• Yapısal modellemenin, bilgisayar algoritmaları kullanarak belirlenmiş bir amino asit dizilimi için en düşük serbest enerjili yapıyı aramak olduğu belirtilir.

Homolojiye Bağlı Olmayan Yapı Tahmin Yöntemleri

• Homolojiye bağlı olmayan yapı tahmin yöntemlerinin gerekliliği vurgulanır.
• Ab initio yöntemlerinin yoğun bilgisayar işlem gücü gerektirdiği ve nadiren uygulandığı belirtilir.
• Deneysel olarak çözülmüş birçok yapının analizinden, bir proteinin 2000'den daha az katlanabileceği sınırlı sayıda farklı yol olduğu önerilmiştir.
• Belirli protein dizilerinin aynı protein şekline sahip olabileceği hipotezi doğrulanmıştır.
• Mevcut yapı tahmin prosedürlerinin, hedef sekansın bilinen protein kıvrımlarına uydurulmasına ve enerjik ve stereokimyasal olarak en uygun görünen sekansın seçilmesine bağlı olduğu ifade edilir.

Yapısal Katlanma

• Doğada milyarlarca protein olmasına rağmen, benzersiz yapısal katlanma sayısının az olduğuna değinilir.
• Teorik çalışmalar, doğadaki proteinlerin büyük çoğunluğunun 1000'den fazla yapısal katlanmaya düştüğünü göstermektedir.
• Protein dizisinin yapı tahmini çok önemlidir, çünkü proteinin hangi yapısal katlanmaya sahip olacağını bulmak ve proteinlerin yapıları üzerinde yapısal düzeltmelerde bulunmak önemlidir.

Modelleme Nasıl Yapılır?

• Proteinlerin 3D modellemesi için motivasyonlar sıralanır: İşlev ipuçları, önemli işlevsel bölgeler hakkında bilgi, daha dikkatli tasarlanabilen laboratuvar deneyleri, diğer proteinler ve moleküller ile etkileşimlerin anlaşılması (doklama).
• Mevcut veri tabanlarındaki her bilginin kullanılması ve problemle ilgili mevcut bilgilere göre modelleme yönteminin seçilmesi önerilir.
• Mevcut yapılara dayanan algoritmaların daha doğru olduğu belirtilir.
• Yapı düzeni (ikincil yapılar, döngüler, yan zincirler) dikkate alınmalıdır.
• Modelleme prosedürlerinin değerlendirilmesi için kullanılan yöntemler ve RMSDA gibi indeksler hakkında bilgi verilir.

Kalıp (template) Modelleme

• Kalıp (template) modelleme ve kalıpsız (template) modelleme yöntemleri tanıtılır.
• Kalıp modelleme homoloji modellemesi ve katlama tanıma yöntemlerini içerir.
• Kalıpsız modelleme ise ab initio yöntemini kullanır.

Homoloji Modellemesi

• Homoloji modellemesi, protein yapısının evrimsel olarak ilişkili bir proteine (şablon) eşleştirilmesiyle yapılır ve amino asit dizileri hizalanır.

Katlanma Tanıma (fold recognition)

• Hedef diziyi doğrudan kalıp proteinlerin çözülmüş 3D yapılarıyla eşleştirerek evrimsel ilişki yokluğunda bile benzer protein katlamalarını tanır.

Benzer Biyolojik İşleve Sahip ve Evrimsel Olarak İlişkili Proteinlerin Fonksiyonel Bölgeleri

• Benzer 3 boyutlu yapı ilkesine dayanır.
• 3-boyutlu yapısı bilinmeyen bir protein, veri bankaları aracılığıyla yapısı ve işlevi bilinen proteinlerle karşılaştırılarak modellenir.
• CATH ve SCOP veri bankaları bu yöntemde yaygın olarak kullanılır.

İzlenecek Yol...

• Hedef proteinin 3 boyutlu yapısı olup olmadığı, aminoasit uzunluğu, aktivitesinde rol oynayan bölgeler ve uygun modelleme yönteminin seçimi gibi adımlar sıralanır.

Ab initio Yöntemi

• Yapısal olarak ilişkili çözülmüş proteinleri olmayan hedefler için kullanılır ve modeller sıfırdan oluşturulur.

Homoloji Modellemesi Detayları

• Homoloji modellemesinde doğru hizalama önemlidir ve algoritmalar hizalayıcılara bağlıdır.
• ClustalW, T-Coffee, Muscle gibi çoklu hizalama algoritmaları kullanılabilir.
• Swissport veya PIR gibi sıralı veritabanlarının da taranması tavsiye edilir.
• Çalışma akışı, hedef dizi, şablon tanıma, hizalama, omurga oluşturma, döngü modelleme, yan zincir modelleme, model optimizasyonu ve model doğrulamayı içerir.
• Hedef sekans, bilinen bir yapının sekansı ile hizalanır ve genellikle %30 veya daha yüksek sekans özdeşliğini paylaşır.
• Hedef dizi şablonun üzerine yerleştirilir ve gerektiğinde yan zincir atomları değiştirilir.
• Bir enerji işlevini en aza indirerek model iyileştirilir.
• Modeller ve Swiss-Model gibi programlar kullanılabilir.

Katlanma Tanıma -fold recognition

• Doğru puanlama işlevlerini kullanarak, verilen her bir kata uyacak sekans için bir uyumluluk puanı alınır.
• İstatistiksel olarak anlamlı bir puan, sorgu proteininin o kata benzer bir yapı benimsediğini söyler.
• Önemli araçlar arasındaki Puanlama işlevleridir
• Öncül; Doğadaki benzersiz yapısal katlanmaların sayısı azdır.

Katlama Tanıma web-araçları

• 123D, 3D-PSSM ve PHYRE gibi araçların linkleri verilir.

Ab initio Yöntemleri

• Herhangi bir protein yapısı bilgisinden yararlanmadan, sadece amino asit sekansına dayalı olarak protein yapılarım üretir.
• Avantaj: Bilinen kıvrımlarla sınırlı kalınmamasıdır.

Protein Yapıları İçin Tahmin Yöntemleri

• Teorik ilgi alanı büyüktür ancak kullanımı azdır.
• Diğer modelleme yaklaşımları tarafından kullanılanlara benzer puanlama işlevleri uygulanır.
• Teorik olarak, tüm olası katlanmalar kontrol edilebilirse ve puanlama işlevi ideal olursa, küresel minimum tespit edilebilir.
• Ab initio algoritmaları, omurga dihedral açılarından etkilenen modeller vasıtasıyla değişen parametreler içerirler.

ab initio Yöntemlerinin Avantajları

• KATLAMA MEKANİZMALARI hakkında bilgi verebilir.
• Uygundur: Prionlar, Membran, Doğal Olarak Katlanmamış
• Homoloji gerektirmez
• Yeni katlama modellemenin tek yoludur
• De novo protein tasarımı için kullanışlıdır
• Dezavantajı: ZOR!