Base de datos CATH

La base de datos CATH de clasificación de la estructura de proteínas es un recurso en línea gratuito y de acceso público que proporciona información sobre las relaciones evolutivas de los dominios proteicos . Fue creada a mediados de la década de 1990 por la profesora Christine Orengo y sus colegas, entre ellos Janet Thornton y David Jones , ^{[ 2 ]} y continúa siendo desarrollada por el grupo de Orengo en el University College London . CATH comparte muchas características generales con el recurso SCOP ; sin embargo, también existen muchas áreas en las que la clasificación detallada difiere considerablemente. ^{[ 3 ] [ 4 ] [ 5 ] [ 6 ]}

Las estructuras tridimensionales de proteínas determinadas experimentalmente se obtienen del Protein Data Bank (PDB) y se dividen en sus cadenas polipeptídicas consecutivas , cuando corresponde. Los dominios proteicos se identifican ("seccionan") dentro de estas cadenas mediante una combinación de métodos automáticos y curación manual. ^{[ 7 ]}

Los dominios se clasifican luego dentro de la jerarquía estructural CATH: en el nivel de Clase (C), los dominios se asignan según su contenido de estructura secundaria , es decir, todo alfa , todo beta , una mezcla de alfa y beta, o poca estructura secundaria; en el nivel de Arquitectura (A), se utiliza información sobre la disposición de la estructura secundaria en el espacio tridimensional para la asignación; en el nivel de Topología/pliegue (T), se utiliza información sobre cómo están conectados y dispuestos los elementos de la estructura secundaria; las asignaciones se hacen al nivel de superfamilia homóloga (H) si hay buena evidencia de que los dominios están relacionados por evolución ^{[ 2 ]} es decir, son homólogos.

Cada superfamilia homóloga (H) se divide en grupos estructurales (SC), que a su vez se dividen en familias funcionales (FunFam). Dentro de cada FunFam hay varios dominios obtenidos mediante la segmentación de estructuras PDB.

La clasificación CATH se amplía a dominios sin estructura determinada experimentalmente mediante recursos similares:

• Para cada SC y cada FunFam, Gene3D produce un modelo oculto de Markov utilizando la secuencia de los dominios. Esto permite identificar dominios con homología de secuencia a partir de las secuencias. ^{[ 8 ]}
• La Enciclopedia de Dominios (TED) aplica la metodología automatizada CATH a 188 millones de estructuras únicas de la base de datos de estructuras de proteínas AlphaFold , identificando casi 365 millones de dominios, 100 millones más que los que Gene3D pudo identificar. Mediante comparación estructural, se compararon 194 millones de dominios con la base de datos CATH a nivel de superfamilia (H), y otros 46 millones con nivel de topología (T). Los dominios restantes tienen estructuras totalmente nuevas para CATH. ^{[ 9 ]}

El equipo de CATH publica nuevos datos tanto como instantáneas diarias como publicaciones oficiales aproximadamente una vez al año. La última versión de CATH-Gene3D (v4.3) se publicó en diciembre de 2020 y consta de: ^{[ 10 ]}

• 500.238 entradas de dominios de proteínas estructurales
• 151 millones de entradas de dominios de proteínas no estructurales
• 5.481 entradas de superfamilia homólogas
• 212.872 entradas de familias funcionales

CATH es un proyecto de software de código abierto , con desarrolladores que desarrollan y mantienen una serie de herramientas de código abierto, ^{[ 11 ]} que están disponibles públicamente en GitHub . ^{[ 12 ]}