1 The CATH Domain Structure Database Ana Gabriela Murguía Carlos Villa Soto

2 Introducción Mutaciones dieron lugar a familias de proteínas (DAYHOFF) Las relaciones usando Algoritmos de programación dinámica. Datos estructurales< Datos secuencia (Debido a cuestiones técnicas) Actualmente discrepancias mayores a 2 ordenes de magnitud entre recursos de secuencia y de estructura. PDB 16000 entradas----------NCBI 12 000 000 entradas 1er cristal (1970) 1ra Clasificación estructural 1990s (SCOP, DALI y CATH)

3 2do DDBASE, 3DEE, DaliDD (3D) Reciente comparación entre SCOP, DALI y CATH (+80% de correspondencia) Debido a que gran proporción de la estructura del CORE (+50%) esta conservada, el alineamiento estructural es mucho mas exacto que el secuencial. SCOP y CATH contienen actual/ entre 950 – 1400 superfamilias de proteínas. Estas superfamilias contienen casi 1/3 de las secuencias no redundantes del Gen Bank.

4 Desarrollo Histórico: 1993 con menos de 3 000 estructuras de proteínas Una década después +/- 13 000 entradas del PDB, comprende 33 000 dominios estructurales 200 000 dominios extraídos del GenBank Dominio: Importante unidad evolutiva  Debido a que los métodos de modelamiento por homología son más exitosos cuando se trabaja con dominios.

5 CATH inicialmente como una base de datos de dominios. CATH divide en clusters: Phonetically: Basado en Similaridad estructural Filogenéticamente: Basado en Aparente relación evolutiva Ambigüedades automáticas son validadas manualmente y el mayor cuello de botella en la clasificación corresponde a la detección de dominios limítrofes y la verificación de sus homólogos relacionados.

6 Niveles CATH Clase: estructura secundaria. Arquitectura: orientación de estructura secundaria en 3D. Topología: orientación estructural (folds) Homología: agrupadas según la evidencia (estructural, secuencia, similaridad funcional).

7 Sequence identity >= 35%, overlap >= 60% of larger structure equivalent to smaller. SSAP score >= 80.0, sequence identity >= 20%, 60% of larger structure equivalent to smaller. SSAP score >= 70.0, 60% of larger structure equivalent to smaller, and domains which have related functions, which is informed by the literature and Pfam protein family database, (Bateman et al., 2004).

8

9

10 Estrategia Método pairwise Perfil comparativo de secuencias y estructuras es usado para detectar mayores distancias. Examinación automática y manual para determinar dominios. Recomparación de dominios. Estructuras no clasificadas son manualmente asignadas.

11

12 SSAP Sequential Structure Aligment Program Adaptación de programación dinámica a 3D. Comparación de ambiente estructural de residuos entre proteínas. 2 niveles: –Superior: acumulación sobre pares equivalentes –Inferior: comparación entre ambiente estructural de residuos

13 GRATH Compara estructuras secundarias entre proteínas. Representación vectorial y son asociados con los “nudos” en un gráfico. Ángulos de inclinación y rotación para detectar motivos estructurales.

14 CORA Alineamiento progresivo estructura consenso alineamiento contra cada una. Se hace un template 3D. Reconoce homólogos distantes (estructural) Librería CORA. Más rápido, sensible y selectivo que el SSAP.

15 Identificación de Dominios Algunas proteínas no se pueden clasificar. No definición cuantitativa de dominio. Cualitativa: unidad plegada compacta semindependiente. Protocolo DBS (PUU, DOMAK, DETECTIVE). Ambigüedades: Manualmente validadas. 17 % discordancia entre SCOP y CATH

16 DHS Datos de: secuencia, estructura y función. Información sobre relación de pares de bases, E value, identidad de secuencias. PDB, Swiss prot, PROSITE, Gen ProtEC

17 GENE 3D Resource

18 Estadística en Poblaciones Actualmente existen: –36  28 Bien definidas  8 Irregulares, Complejas, Poco estables. –6 estructuras características: α bundles 2 capas β sandwich Barriles β 2 capas de αβ sandwich 3 capas de αβ sandwich αβ barriles

19 Estadística en Poblaciones Algunos grupos de plegamientos son particularmente “Gregarios”. Sin embargo 15% de los Folds son distintos Estructuras que comparten el mismo FOLD pero que descienden de ancestro común: –Análogos

20

21

22

23

24

25

26