La topología de una proteína transmembrana se refiere a las ubicaciones de los extremos N y C de la cadena polipeptídica que abarca la membrana con respecto a los lados interno o externo de la membrana biológica ocupada por la proteína. [1]
Las proteínas transmembrana de los grupos I y II tienen topologías finales opuestas. Las proteínas del grupo I tienen el extremo N en el lado opuesto y el extremo C en el lado citosólico. Las proteínas del grupo II tienen el extremo C en el lado opuesto y el extremo N en el citosol. Sin embargo, la topología final no es el único criterio para definir los grupos de proteínas transmembrana, sino que la ubicación de los determinantes topogénicos y el mecanismo de ensamblaje se consideran en la clasificación [2].
Varias bases de datos proporcionan topologías determinadas experimentalmente de proteínas de membrana. Entre ellas se incluyen Uniprot , TOPDB, [3] [4] [5] OPM y ExTopoDB. [6] [7] También existe una base de datos de dominios ubicados de forma conservadora en un lado determinado de las membranas, TOPDOM. [8]
Se desarrollaron varios métodos computacionales, con un éxito limitado, para predecir las hélices alfa transmembrana y su topología. Los métodos pioneros utilizaron el hecho de que las regiones que atraviesan la membrana contienen más residuos hidrófobos que otras partes de la proteína, sin embargo, la aplicación de diferentes escalas hidrófobas alteró los resultados de la predicción. Más tarde, se desarrollaron varios métodos estadísticos para mejorar la predicción de la topografía y se introdujo un método de alineación especial. [9] De acuerdo con la regla positiva dentro, [10] los bucles citosólicos cerca de la bicapa lipídica contienen más aminoácidos con carga positiva. La aplicación de esta regla dio como resultado los primeros métodos de predicción de topología. También existe una regla negativa fuera en las hélices alfa transmembrana de las proteínas de un solo paso, aunque los residuos con carga negativa son más raros que los residuos con carga positiva en los segmentos transmembrana de las proteínas. [11] A medida que se determinaron más estructuras, aparecieron algoritmos de aprendizaje automático. Los métodos de aprendizaje supervisado se entrenan en un conjunto de estructuras determinadas experimentalmente, sin embargo, estos métodos dependen en gran medida del conjunto de entrenamiento. [12] [13] [14] [15] Los métodos de aprendizaje no supervisado se basan en el principio de que la topología depende de la divergencia máxima de las distribuciones de aminoácidos en diferentes partes estructurales. [16] [17] También se demostró que bloquear la ubicación de un segmento basándose en el conocimiento previo sobre la estructura mejora la precisión de la predicción. [18] Esta característica se ha agregado a algunos de los métodos de predicción existentes. [17] [14] Los métodos más recientes utilizan la predicción de consenso (es decir, utilizan varios algoritmos para determinar la topología final) [19] e incorporan automáticamente información experimental determinada previamente. [20] La base de datos HTP [21] [22] proporciona una colección de topologías que se predicen computacionalmente para las proteínas transmembrana humanas.
La discriminación de péptidos señal y segmentos transmembrana es un problema adicional en la predicción de topología tratado con un éxito limitado por diferentes métodos. [23] Tanto los péptidos señal como los segmentos transmembrana contienen regiones hidrofóbicas que forman hélices α. Esto provoca la predicción cruzada entre ellos, lo que es una debilidad de muchos predictores de topología transmembrana. Al predecir péptidos señal y hélices transmembrana simultáneamente (Phobius [14] ), los errores causados por la predicción cruzada se reducen y el rendimiento aumenta sustancialmente. Otra característica utilizada para aumentar la precisión de la predicción es la homología (PolyPhobius)”.
También es posible predecir la topología de las proteínas de membrana de barril beta. [24] [25]
^ von Heijne, Gunnar (diciembre de 2006). "Topología de membrana-proteína". Nature Reviews Molecular Cell Biology . 7 (12): 909–918. doi :10.1038/nrm2063. PMID 17139331. S2CID 22218266.
^ Goder, Veit; Spiess, Martin (31 de agosto de 2001). "Topogénesis de proteínas de membrana: determinantes y dinámica". FEBS Letters . 504 (3): 87–93. doi :10.1016/S0014-5793(01)02712-0. PMID 11532438.
^ Tusnády, Gábor E.; Kalmar, Lajos; Simon, István (1 de enero de 2008). "TOPDB: banco de datos de topología de proteínas transmembrana". Investigación de ácidos nucleicos . 36 (suplemento_1): D234–D239. doi : 10.1093/nar/gkm751 . PMC 2238857 . PMID 17921502.
^ Dobson, László; Langó, Tamás; Reményi, István; Tusnády, Gábor E. (28 de enero de 2015). "Acelerar la recopilación de datos de topología para la base de datos TOPDB". Investigación de ácidos nucleicos . 43 (D1): D283–D289. doi : 10.1093/nar/gku1119 . PMC 4383934 . PMID 25392424.
^ ".:TOPDB:". topdb.enzim.hu .
^ Tsaousis, Georgios N.; Tsirigos, Konstantinos D.; Andrianou, Xanthi D.; Liakopoulos, Theodore D.; Bagos, Pantelis G.; Hamodrakas, Stavros J. (1 de octubre de 2010). "ExTopoDB: una base de datos de modelos topológicos derivados experimentalmente de proteínas transmembrana". Bioinformática . 26 (19): 2490–2492. doi : 10.1093/bioinformatics/btq362 . PMID 20601677.
^ von Heijne, Gunnar (noviembre de 1986). "La distribución de residuos cargados positivamente en las proteínas de la membrana interna bacteriana se correlaciona con la topología transmembrana". The EMBO Journal . 5 (11): 3021–3027. doi :10.1002/j.1460-2075.1986.tb04601.x. PMC 1167256 . PMID 16453726.
^ Baker, James Alexander; Wong, Wing-Cheong; Eisenhaber, Birgit; Warwicker, Jim; Eisenhaber, Frank (2017). "Revisión de los residuos cargados junto a las regiones transmembrana: la "regla positiva interna" se complementa con la "regla negativa de agotamiento interno/enriquecimiento externo"". BMC Biology . 15 (1): 66. doi : 10.1186/s12915-017-0404-4 . PMC 5525207 . PMID 28738801.
^ Krogh, Anders; Larsson, Björn; von Heijne, Gunnar; Sonnhammer, Erik LL (enero de 2001). "Predicción de la topología de proteínas transmembrana con un modelo oculto de Markov: aplicación a genomas completos11Editado por F. Cohen" (PDF) . Journal of Molecular Biology . 305 (3): 567–580. doi :10.1006/jmbi.2000.4315. PMID 11152613. S2CID 15769874. Archivado desde el original (PDF) el 2020-08-04.
^ "TMHMM-2.0 - redirección". www.cbs.dtu.dk .
^ abc "Fobio". phobius.sbc.su.se .
^ "Servidor OCTOPUS".
^ Tusnády, Gábor E.; Simon, István (octubre de 1998). "Principios que rigen la composición de aminoácidos de las proteínas integrales de membrana: aplicación a la predicción de topología 1 1Editado por J. Thornton" (PDF) . Journal of Molecular Biology . 283 (2): 489–506. doi :10.1006/jmbi.1998.2107. PMID 9769220. S2CID 15027232. Archivado desde el original (PDF) el 2020-02-08.
^ desde "HMMTOP". www.enzim.hu .
^ Tusnady, GE; Simon, I. (1 de septiembre de 2001). "El servidor de predicción de topología transmembrana HMMTOP". Bioinformática . 17 (9): 849–850. doi :10.1093/bioinformatics/17.9.849. PMID 11590105.
^ "TOPCONS: Predicción de consenso de la topología de proteínas de membrana y péptidos señal". topcons.net .
^ "CCTOP". cctop.ttk.hu .
^ Dobson, László; Reményi, István; Tusnády, Gábor E. (28 de mayo de 2015). "El proteoma transmembrana humano". Biología Directa . 10 (1): 31. doi : 10.1186/s13062-015-0061-x . PMC 4445273 . PMID 26018427.
^ La base de datos del proteoma transmembrana humano
^ E. Tusnady, Gabor; Simon, Istvan (1 de noviembre de 2010). "Predicción topológica de proteínas transmembrana helicoidales: ¿hasta dónde llegamos?" (PDF) . Current Protein & Peptide Science . 11 (7): 550–561. doi :10.2174/138920310794109184. PMID 20887261. S2CID 6431228. Archivado desde el original (PDF) el 7 de marzo de 2019.
^ Tsirigos, Konstantinos D.; Elofsson, Arne; Bagos, Pantelis G. (1 de septiembre de 2016). "PRED-TMBB2: predicción de topología mejorada y detección de proteínas de membrana externa de barril beta". Bioinformática . 32 (17): i665–i671. doi : 10.1093/bioinformatics/btw444 . PMID 27587687.
^ Savojardo, Castrense; Fariselli, Piero; Casadio, Rita (15 de febrero de 2013). "BETAWARE: una herramienta de aprendizaje automático para detectar y predecir proteínas transmembrana de barril beta en procariotas". Bioinformática . 29 (4): 504–505. doi : 10.1093/bioinformatics/bts728 . PMID 23297037.
