Alineación estructural

La comparación más básica posible entre estructuras proteicas no intenta alinear las estructuras de entrada y requiere una alineación precalculada como entrada para determinar qué residuos de la secuencia se considerarán en el cálculo de RMSD. La superposición estructural se usa comúnmente para comparar múltiples conformaciones de la misma proteína (en cuyo caso no es necesaria la alineación, ya que las secuencias son las mismas) y para evaluar la calidad de las alineaciones producidas utilizando solo información de secuencia entre dos o más secuencias cuyas estructuras se conocen. Este método tradicionalmente utiliza un algoritmo simple de ajuste por mínimos cuadrados, en el que las rotaciones y traslaciones óptimas se encuentran minimizando la suma de las distancias al cuadrado entre todas las estructuras en la superposición. ^{[ 7 ]} Más recientemente, los métodos de máxima verosimilitud y bayesianos han aumentado considerablemente la precisión de las rotaciones, traslaciones y matrices de covarianza estimadas para la superposición. ^{[ 8 ] [ 9 ]}

Se han desarrollado algoritmos basados ​​en rotaciones multidimensionales y cuaterniones modificados para identificar relaciones topológicas entre estructuras proteicas sin necesidad de una alineación predeterminada. Dichos algoritmos han identificado con éxito plegamientos canónicos como el haz de cuatro hélices . ^{[ 10 ]} El método SuperPose ( archivado el 31/10/2015 en Wayback Machine) es suficientemente extensible como para corregir rotaciones de dominio relativas y otros problemas estructurales. ^{[ 11 ]}

A menudo, el propósito de buscar una superposición estructural no es tanto la superposición en sí, sino una evaluación de la similitud de dos estructuras o una confianza en una alineación remota. ^{[ 1 ] [ 2 ] [ 3 ]} Una distinción sutil pero importante de la superposición estructural máxima es la conversión de una alineación en una puntuación de similitud significativa. ^{[ 12 ] [ 13 ]} La mayoría de los métodos producen algún tipo de "puntuación" que indica la calidad de la superposición. ^{[ 5 ] [ 14 ] [ 15 ] [ 12 ] [ 13 ]} Sin embargo, lo que realmente se desea no es simplemente una "puntuación Z" estimada o un valor E estimado de ver la superposición observada por casualidad, sino que se desea que el valor E estimado esté estrechamente correlacionado con el verdadero valor E. Es fundamental destacar que, incluso si el valor E estimado de un método es preciso en promedio , si carece de una desviación estándar baja en su proceso de generación de valores estimados, entonces el orden de clasificación de las similitudes relativas de una proteína de consulta con un conjunto de comparación rara vez coincidirá con el orden "verdadero". ^{[ 12 ] [ 13 ]}

Los distintos métodos superpondrán diferentes cantidades de residuos porque utilizan diferentes garantías de calidad y diferentes definiciones de "superposición"; algunos solo incluyen residuos que cumplen múltiples criterios de superposición locales y globales, y otros son más voraces, flexibles y promiscuos. Una mayor cantidad de átomos superpuestos puede significar una mayor similitud, pero no siempre produce el mejor valor E que cuantifica la improbabilidad de la superposición y, por lo tanto, no es tan útil para evaluar la similitud, especialmente en homólogos distantes. ^{[ 1 ] [ 2 ] [ 3 ] [ 4 ]}

Se ha demostrado que el " enhebrado " óptimo de una secuencia de proteína en una estructura conocida y la producción de una alineación múltiple de secuencias óptima es NP-completo . ^{[ 16 ] [ 17 ]} Sin embargo, esto no implica que el problema de alineación estructural sea NP-completo. Estrictamente hablando, una solución óptima al problema de alineación de la estructura de proteínas solo se conoce para ciertas medidas de similitud de la estructura de proteínas, como las medidas utilizadas en experimentos de predicción de la estructura de proteínas, GDT_TS ^{[ 5 ]} y MaxSub. ^{[ 14 ]} Estas medidas pueden optimizarse rigurosamente utilizando un algoritmo capaz de maximizar el número de átomos en dos proteínas que pueden superponerse bajo un umbral de distancia predefinido. ^{[ 15 ]} Desafortunadamente, el algoritmo para la solución óptima no es práctico, ya que su tiempo de ejecución depende no solo de las longitudes sino también de la geometría intrínseca de las proteínas de entrada.

Se han desarrollado algoritmos aproximados de tiempo polinomial para el alineamiento estructural que producen una familia de soluciones "óptimas" dentro de un parámetro de aproximación para una función de puntuación dada. ^{[ 15 ] [ 18 ]} Aunque estos algoritmos clasifican teóricamente el problema del alineamiento aproximado de la estructura de proteínas como "tratable", siguen siendo computacionalmente demasiado costosos para el análisis de estructuras de proteínas a gran escala. En consecuencia, no existen algoritmos prácticos que converjan a las soluciones globales del alineamiento, dada una función de puntuación. Por lo tanto, la mayoría de los algoritmos son heurísticos, pero se han desarrollado algoritmos que garantizan la convergencia al menos a maximizadores locales de las funciones de puntuación y que son prácticos. ^{[ 19 ]}

Un método común y popular de alineación estructural es el método DALI, o método de alineación de matriz de distancias, que divide las estructuras de entrada en fragmentos de hexapéptidos y calcula una matriz de distancias evaluando los patrones de contacto entre fragmentos sucesivos. ^{[ 21 ]} Las características de la estructura secundaria que involucran residuos contiguos en la secuencia aparecen en la diagonal principal de la matriz ; las demás diagonales de la matriz reflejan contactos espaciales entre residuos que no están cerca entre sí en la secuencia. Cuando estas diagonales son paralelas a la diagonal principal, las características que representan son paralelas; cuando son perpendiculares, sus características son antiparalelas. Esta representación requiere mucha memoria porque las características en la matriz cuadrada son simétricas (y por lo tanto redundantes) con respecto a la diagonal principal.

Cuando las matrices de distancias de dos proteínas comparten características iguales o similares en posiciones aproximadamente iguales, se puede decir que tienen plegamientos similares con bucles de longitud similar que conectan sus elementos de estructura secundaria. El proceso de alineación real de DALI requiere una búsqueda de similitud después de que se construyen las matrices de distancias de las dos proteínas; esto normalmente se lleva a cabo a través de una serie de submatrices superpuestas de tamaño 6x6. Las coincidencias de submatrices se reensamblan luego en una alineación final a través de un algoritmo estándar de maximización de puntuación  : la versión original de DALI usaba una simulación de Monte Carlo para maximizar una puntuación de similitud estructural que es una función de las distancias entre átomos putativos correspondientes. En particular, los átomos más distantes dentro de las características correspondientes se ponderan exponencialmente a la baja para reducir los efectos del ruido introducido por la movilidad de bucles, torsiones de hélice y otras variaciones estructurales menores. ^{[ 20 ]} Debido a que DALI se basa en una matriz de distancias de todos a todos, puede tener en cuenta la posibilidad de que las características alineadas estructuralmente puedan aparecer en diferentes órdenes dentro de las dos secuencias que se están comparando.

El método DALI también se ha utilizado para construir una base de datos conocida como FSSP (Clasificación de plegamiento basada en la alineación estructura-estructura de proteínas o familias de proteínas estructuralmente similares), en la que todas las estructuras proteicas conocidas se alinean entre sí para determinar sus vecinos estructurales y su clasificación de plegamiento. Existe una base de datos consultable basada en DALI, así como un programa descargable y una búsqueda web basados ​​en una versión independiente conocida como DaliLite.

El método de extensión combinatoria (CE) es similar a DALI en que también divide cada estructura del conjunto de consulta en una serie de fragmentos que luego intenta reensamblar para formar una alineación completa. Se utiliza una serie de combinaciones de fragmentos por pares, denominadas pares de fragmentos alineados (AFP), para definir una matriz de similitud a través de la cual se genera una ruta óptima para identificar la alineación final. Solo se incluyen en la matriz los AFP que cumplen con los criterios de similitud local dados, con el fin de reducir el espacio de búsqueda necesario y, por lo tanto, aumentar la eficiencia. ^{[ 22 ]} Es posible utilizar varias métricas de similitud; la definición original del método CE incluía solo superposiciones estructurales y distancias entre residuos, pero desde entonces se ha ampliado para incluir propiedades ambientales locales como la estructura secundaria, la exposición al disolvente, los patrones de enlaces de hidrógeno y los ángulos diedros . ^{[ 22 ]}

Una ruta de alineación se calcula como la ruta óptima a través de la matriz de similitud progresando linealmente a través de las secuencias y extendiendo la alineación con el siguiente par AFP de puntuación alta posible. El par AFP inicial que nuclea la alineación puede ocurrir en cualquier punto de la matriz de secuencias. Las extensiones luego proceden con el siguiente AFP que cumple con los criterios de distancia dados restringiendo la alineación a tamaños de brecha pequeños. El tamaño de cada AFP y el tamaño máximo de brecha son parámetros de entrada requeridos, pero generalmente se establecen en valores determinados empíricamente de 8 y 30 respectivamente. ^{[ 22 ]} Al igual que DALI y SSAP, CE se ha utilizado para construir una base de datos de clasificación de pliegues de todos a todos Archivado el 03-12-1998 en Wayback Machine a partir de las estructuras de proteínas conocidas en el PDB.

El RCSB PDB ha publicado recientemente una versión actualizada de CE, Mammoth y FATCAT como parte de la herramienta de comparación de proteínas del RCSB PDB . Proporciona una nueva variante de CE que puede detectar permutaciones circulares en estructuras proteicas. ^{[ 23 ]}

MAMMOTH ^{[ 12 ]} aborda el problema de alineación desde un objetivo diferente al de casi todos los demás métodos. En lugar de intentar encontrar una alineación que superponga al máximo el mayor número de residuos, busca el subconjunto de la alineación estructural con menor probabilidad de ocurrir por azar. Para ello, marca una alineación de motivos locales con indicadores que señalan qué residuos satisfacen simultáneamente criterios más estrictos: 1) Solapamiento de estructura local, 2) Estructura secundaria regular, 3) Superposición 3D, 4) Mismo orden en la secuencia primaria. Convierte las estadísticas del número de residuos con coincidencias de alta confianza y el tamaño de la proteína para calcular un valor esperado para el resultado por azar. Destaca en la coincidencia de homólogos remotos, en particular estructuras generadas por predicción de estructura ab initio a familias de estructuras como SCOP, porque enfatiza la extracción de una subalineación estadísticamente fiable y no en lograr la alineación de secuencia máxima o la superposición 3D máxima. ^{[ 2 ] [ 3 ]}

Para cada ventana superpuesta de 7 residuos consecutivos, calcula el conjunto de vectores unitarios de dirección de desplazamiento entre residuos C-alfa adyacentes. Los motivos locales de todos contra todos se comparan en función de la puntuación URMS. Estos valores se convierten en las entradas de puntuación de alineación de pares para la programación dinámica, que produce una alineación de residuos por pares semilla. La segunda fase utiliza un algoritmo MaxSub modificado: se utiliza un único par alineado de 7 residuos en cada proteína para orientar las dos estructuras proteicas completas para superponer al máximo estos 7 C-alfa, luego, en esta orientación, busca cualquier par alineado adicional que esté cerca en 3D. Reorienta las estructuras para superponer este conjunto expandido e itera hasta que no haya más pares que coincidan en 3D. Este proceso se reinicia para cada ventana de 7 residuos en la alineación semilla. La salida es el número máximo de átomos encontrados a partir de cualquiera de estas semillas iniciales. Esta estadística se convierte en un valor E calibrado para la similitud de las proteínas.

Mammoth no intenta reiterar la alineación inicial ni extender el subconjunto de alta calidad. Por lo tanto, la alineación semilla que muestra no se puede comparar de manera justa con DALI o TM-align, ya que se formó simplemente como una heurística para podar el espacio de búsqueda. (Se puede usar si se desea una alineación basada únicamente en la similitud de estructura-motivo local, independientemente de la alineación atómica de cuerpo rígido de largo alcance). Debido a esa misma parsimonia, es más de diez veces más rápido que DALI, CE y TM-align. ^{[ 24 ]} A menudo se usa junto con estas herramientas más lentas para preseleccionar grandes bases de datos y extraer solo las mejores estructuras relacionadas con el valor E para una superposición más exhaustiva o cálculos costosos. ^{[ 25 ] [ 26 ]}

Ha tenido un éxito particular en el análisis de estructuras "señuelo" de la predicción de estructura ab initio. ^{[ 1 ] [ 2 ] [ 3 ]} Estos señuelos son conocidos por obtener correctamente la estructura del motivo del fragmento local y formar algunos núcleos de la estructura terciaria 3D correcta, pero obtener incorrectamente la estructura terciaria de longitud completa. En este régimen crepuscular de homología remota, se ha demostrado que los valores E de Mammoth para la evaluación de predicción de estructura de proteínas CASP ^{[ 1 ] están significativamente más correlacionados con la clasificación humana que SSAP o DALI. [ 12 ]} La capacidad de Mammoth para extraer las superposiciones parciales multicriterio con proteínas de estructura conocida y clasificarlas con valores E apropiados, combinada con su velocidad, facilita el escaneo de grandes cantidades de modelos señuelo contra la base de datos PDB para identificar los señuelos correctos más probables en función de su homología remota con proteínas conocidas. ^{[ 2 ]}

El método SSAP (Programa de Alineamiento Estructural Secuencial) utiliza programación dinámica doble para generar un alineamiento estructural basado en vectores átomo a átomo en el espacio estructural. En lugar de los carbonos alfa que se utilizan habitualmente en el alineamiento estructural, SSAP construye sus vectores a partir de los carbonos beta de todos los residuos, excepto la glicina. Este método tiene en cuenta el estado rotamérico de cada residuo, así como su ubicación a lo largo de la cadena principal. SSAP funciona construyendo primero una serie de vectores de distancia entre residuos, entre cada residuo y sus vecinos no contiguos más cercanos en cada proteína. A continuación, se construye una serie de matrices que contienen las diferencias vectoriales entre vecinos para cada par de residuos para los que se construyeron vectores. La programación dinámica aplicada a cada matriz resultante determina una serie de alineamientos locales óptimos, que luego se suman en una matriz "resumen" a la que se aplica de nuevo programación dinámica para determinar el alineamiento estructural global.

SSAP originalmente solo producía alineamientos por pares, pero desde entonces se ha extendido también a alineamientos múltiples. ^{[ 27 ]} Se ha aplicado de forma integral para producir un esquema de clasificación de plegamiento jerárquico conocido como CATH (Clase, Arquitectura, Topología, Homología), ^{[ 28 ]} que se ha utilizado para construir la base de datos de clasificación de estructura de proteínas CATH .

Un tipo especial de programas de alineación estructural de proteínas convierte la estructura de entrada en una secuencia de letras que la describe. Esto permite aplicar métodos de alineación de secuencias a este campo para lograr búsquedas más eficientes y, en algunas implementaciones, también para alinear y superponer en un espacio 3D real.

• El método más simple solo considera la posición del esqueleto. La entrada se divide en grupos de cuatro residuos y cada grupo se describe mediante el descriptor de una letra más cercano. Para reutilizar aún más las herramientas basadas en proteínas, se eligen 20 letras. ^{[ 29 ]}
• Foldseek utiliza el alfabeto de interacción 3D (3Di), que clasifica la relación entre el átomo Cα de un residuo y su residuo espacialmente más cercano en 20 letras. Cada residuo de la estructura de entrada recibe una letra. Las similitudes entre las letras se definen mediante una matriz de sustitución . Foldseek ofrece una alta sensibilidad similar a la del alineamiento estructural típico, pero es cientos de veces más rápido. Es capaz de buscar, alinear y superponer. ^{[ 30 ]}
• Reseek representa cada residuo y su contexto estructural en un vector de características discreto, creando efectivamente un alfabeto de 10¹¹ ^letras . La similitud entre cada vector de características se define componente a componente utilizando datos recopilados previamente. Este método también permite la alineación de múltiples estructuras (MUSCLE-3D). ^{[ 31 ]}

• Bourne PE, Shindyalov IN. (2003): Comparación y alineación de estructuras . En: Bourne, PE, Weissig, H. (Eds): Bioinformática estructural . Hoboken NJ: Wiley-Liss. ISBN 0-471-20200-2
• Yuan X, Bystroff C. (2004) "Alineaciones no secuenciales basadas en la estructura revelan arreglos de empaquetamiento central independientes de la topología en proteínas", Bioinformatics . 5 de noviembre de 2004
• Jung J, Lee B (2000). "Alineación de la estructura de proteínas mediante perfiles ambientales" . Protein Eng . 13 (8): 535– 543. doi : 10.1093/protein/13.8.535 . PMID 10964982 . 
• Ye Y, Godzik A (2005). "Alineación de estructuras flexibles múltiples mediante grafos de orden parcial" . Bioinformatics . 21 (10): 2362– 2369. doi : 10.1093/bioinformatics/bti353 . PMID 15746292 . 
• Sippl M, Wiederstein M (2008). "Una nota sobre problemas difíciles de alineación de estructuras" . Bioinformatics . 24 (3): 426– 427. doi : 10.1093/bioinformatics/btm622 . PMID 18174182 .