Makromolekulák 2014 12 02 Simon István. p27 Kip1 IA 3 FnBP Tcf3 Bound IUP structures.

Az előadások a következő témára: "Makromolekulák 2014 12 02 Simon István. p27 Kip1 IA 3 FnBP Tcf3 Bound IUP structures."— Előadás másolata:

1 Makromolekulák 2014 12 02 Simon István

2 p27 Kip1 IA 3 FnBP Tcf3 Bound IUP structures

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

4 Tipikus energia-felszínek globuláris fehérjerendezetlen fehérje

5 Globuláris fehérjék kötési módjai kulcs-zárindukált illeszkedéskonformációs szelekció

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

7 DNS-fehérje flexibilis kölcsönhatása

8

9 IUPs – preformed elements

10 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 …..QSDPSVEPPLSQETFSDLWKLLPENNVLSPLPSQAMDDLMLSPDDIEQWFTEDPGPDEAPRMPEAAPRVAPAPAAPTPAAPAPA….. 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) Az algoritmus:

11 A rendezetlenség jóslása - IUPred Példa: humán p53 Rendezett DNS kötő domén (DBD) Rendezetlen C-terminális domén Rendezetlen N-terminális domén http://iupred.enzim.hu

12 A p53 fehérje kölcsönhatásai

13 A mediátor komplex A magas rendezetlenségű fehérjéket sötét tónussal jelöltük

14 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 E nyereség -nek

15 Kötőhelyek jóslása Ott várunk kötőhelyet, ahol: – A környezet rendezetlen (S átlag magas) – A saját környezetével vett energia kedvezőtlen (E saját nagy) – Energetikailag jobb globuláris fehérjével kölcsönhatni (E nyereség nagy)

16 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*S átlag + p2*E saját + p3*E nyereség

17 LM – average disorder profiles local drop in disorder

18 Valódi kötő motívumok kiszűrése ANCHOR-ral Igazolt kötőhelyek826 Átfedés ANCHOR-ral545 Véletlen + valódi kötőhelyek 7,2x10 6 Átfedés ANCHOR-ral 1,3x10 6 66% 17,6%

19 IUPs: high frequency in proteomes coli yeast

20 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