Makromolekulák 2015 12 02 Simon István.

Az előadások a következő témára: "Makromolekulák 2015 12 02 Simon István."— Előadás másolata:

1 Makromolekulák Simon István

2 Bound IUP structures Tcf3 p27Kip1 IA3 FnBP

3 Rendezetlen fehérje komplexek
Jellemzően más a kötési felszín geometriája a két esetben: tripszin – BPTI MDM2 – p53

4 Tipikus energia-felszínek
globuláris fehérje rendezetlen fehérje

5 Globuláris fehérjék kötési módjai
kulcs-zár indukált illeszkedés konformációs szelekció

6 Rendezetlen fehérjék kötési módjai
rendezett partner B rendezett partner A rendezetlen fehérje meghatározott szerkezetű komplex ‘fuzzy’ komplex

7 IUPs – preformed elements

8 A rendezetlenség jóslása - IUPred
Alapötlet: Ha egy aminosav szekvenciális környezetében olyan aminosavak vannak, amelyekkel nem tud elég sok kedvező kölcsönhatást kialakítani, akkor nem vesz fel határozott szerkezetet rendezetlen lesz Az algoritmus: …..QSDPSVEPPLSQETFSDL WKLLPENNVLSPLPSQAMDDLMLSP D DIEQWFTEDPGPDEAPRMPEAAPRVA PAPAAPTPAAPAPA….. A környezet aminosav összetétele: A – 10% C – 0% D – 12 % E – 10 % F – 2 % stb… Az aminosav és a környezete közötti kölcsön-hatási energia becslése Ez alapján a rendezetlenség valószínűsége (magas energia rendezetlen lesz)

9 A rendezetlenség jóslása - IUPred
Példa: humán p53 Rendezetlen C-terminális domén Rendezett DNS kötő domén (DBD) Rendezetlen N-terminális domén

10 A p53 fehérje kölcsönhatásai

11 A mediátor komplex A magas rendezetlenségű fehérjéket sötét tónussal jelöltük

12 Kötőhelyek jóslása Kölcsönhatás globuláris fehérjékkel
Nem az aminosav saját környezetében nézzük az összetételt, hanem egy globuláris adatbázisból vesszük: A – 10% C – 0% D – 12 % E – 10 % F – 2 % stb… A – 7.67% C – 2.43% D – 4.92 % E – 5.43 % F – 3.19 % stb… Egy nagy globuláris halmazon számolt összetétel Az így nyert energiát nevezzük Enyereség-nek

13 Kötőhelyek jóslása Ott várunk kötőhelyet, ahol:
A környezet rendezetlen (Sátlag magas) A saját környezetével vett energia kedvezőtlen (Esaját nagy) Energetikailag jobb globuláris fehérjével kölcsönhatni (Enyereség nagy)

14 Kötőhelyek jóslása Példa: p53 N-terminális Három kötőhelyet tartalmaz:
MDM2: 17-27 RPA70N: 33-56 RNAPII: 45-58 A három mennyiség optimális lineáris kombinációját keressük. Ezt átalakítjuk egy p valószínűségi értékké (annak a valószínűsége, hogy az aminosav része egy rendezetlen kötőhelynek). P = p1*Sátlag + p2*Esaját + p3*Enyereség

15 LM – average disorder profiles
local drop in disorder

16 Valódi kötő motívumok kiszűrése ANCHOR-ral
Igazolt kötőhelyek 826 Átfedés ANCHOR-ral 545 Véletlen + valódi kötőhelyek 7,2x106 Átfedés ANCHOR-ral ,3x106 66% 17,6%

17 IUPs: high frequency in proteomes
yeast coli

18 Alkalmazás: Teljes proteom vizsgálatok
736 teljes proteom van a UniProt-ban: 53 archaea 639 baktérium 44 eukarióta A rendezetlen fehérjék aránya növekszik A rendezetlen kötőhelyek száma növekszik A kötésben használt rendezetlen részek aránya nő Az új rendezetlen régiók megjelenése elsősorban az új kötőhelyek kialakítását szolgálja Mycobacterium tuberculosis