La topología de una proteína transmembrana se refiere a las ubicaciones de los extremos N y C de la cadena polipeptídica que atraviesa la membrana con respecto a los lados internos o externos 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 en la clasificación se considera la ubicación de los determinantes topógenos y el mecanismo de ensamblaje [2].
Varias bases de datos proporcionan topologías de proteínas de membrana determinadas experimentalmente. 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 determinado lado de las membranas, TOPDOM. [8]
Se desarrollaron varios métodos computacionales, con un éxito limitado, para predecir hélices alfa transmembrana y su topología. Los métodos pioneros utilizaron el hecho de que las regiones que atraviesan la membrana contienen más residuos hidrofóbicos que otras partes de la proteína; sin embargo, la aplicación de diferentes escalas hidrofóbicas alteró los resultados de la predicción. Posteriormente, se desarrollaron varios métodos estadísticos para mejorar la predicción topográfica y se introdujo un método de alineación especial. [9] Según la regla del interior positivo, [10] los bucles citosólicos cerca de la bicapa lipídica contienen más aminoácidos cargados positivamente. La aplicación de esta regla dio como resultado los primeros métodos de predicción de topología. También existe una regla exterior negativa en las hélices alfa transmembrana de proteínas de paso único, aunque los residuos cargados negativamente son más raros que los residuos cargados positivamente en segmentos transmembrana de 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 supervisados 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 predicción por consenso (es decir, utilizan varios algoritmos para determinar la topología final) [19] e incorporan automáticamente información experimental previamente determinada. [20] La base de datos HTP [21] [22] proporciona una colección de topologías que se predicen computacionalmente para proteínas transmembrana humanas.
La discriminación de péptidos señal y segmentos transmembrana es un problema adicional en la predicción topológica 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, que es una debilidad de muchos predictores de topología transmembrana. Al predecir péptidos señal y hélices transmembrana simultáneamente (Phobius [14] ), se reducen los errores causados por la predicción cruzada 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 del barril beta. [24] [25]
^ von Heijne, Gunnar (diciembre de 2006). "Topología de proteína de membrana". Reseñas de la naturaleza Biología celular molecular . 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". Cartas FEBS . 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 de proteínas transmembrana derivados experimentalmente". Bioinformática . 26 (19): 2490–2492. doi : 10.1093/bioinformática/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". La Revista EMBO . 5 (11): 3021–3027. doi :10.1002/j.1460-2075.1986.tb04601.x. PMC 1167256 . PMID 16453726.
^ Panadero, James Alexander; Wong, Wing-Cheong; Eisenhaber, Birgit; Warwicker, Jim; Eisenhaber, Frank (2017). "Residuos cargados junto a las regiones transmembrana revisadas: la" regla interna positiva "se complementa con la" regla interna negativa de agotamiento / enriquecimiento externo"". Biología BMC . 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 de Markov oculto: aplicación para completar genomas11 Editado por F. Cohen" (PDF) . Revista de biología molecular . 305 (3): 567–580. doi :10.1006/jmbi.2000.4315. PMID 11152613. S2CID 15769874. Archivado desde el original (PDF) el 4 de agosto de 2020.
^ 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 topológica 1 1 Editado por J. Thornton" (PDF) . Revista de biología molecular . 283 (2): 489–506. doi :10.1006/jmbi.1998.2107. PMID 9769220. S2CID 15027232. Archivado desde el original (PDF) el 8 de febrero de 2020.
^ ab "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/bioinformática/17.9.849. PMID 11590105.
^ "TOPCONS: predicción consensuada de 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 de la topología de proteínas transmembrana helicoidales: ¿hasta dónde hemos llegado?" (PDF) . Ciencia actual de proteínas y péptidos . 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 la membrana externa del barril beta". Bioinformática . 32 (17): i665-i671. doi : 10.1093/bioinformática/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 del barril beta en procariotas". Bioinformática . 29 (4): 504–505. doi : 10.1093/bioinformática/bts728 . PMID 23297037.
