Suvi Karhu AUTO3070 Geneettiset algoritmit GA ja proteiinit Suvi Karhu AUTO3070 Geneettiset algoritmit

Proteiinit Aminohapoista koostuvia orgaanisia yhdisteitä, jotka toimivat mm. Kudosten rakennusaineina, esim. kollageeni Entsyymeinä, esim. laktaasi Aineiden kuljettajina: esim. hemoglobiini Vasta-aineina, esim. immunoglobuliinit Reseptoreina Myrkkyinä, esim. botuliini Hormoneina, esim. insuliini Geenien säätelijöinä

Proteiinisynteesi Proteiinisynteesissä solu valmistaa proteiineja DNA:ssa olevan informaation perusteella Vaiheet: Transkriptiossa DNA:n nukleotidijärjestys kopioidaan lähetti-RNA:han Lähetti-RNA siirtyy ribosomiin, missä nukleotidien järjestys käännetään polypeptidiketjun aminohappojärjestykseksi. (=Translaatio) Proteiini laskostuu 3-ulotteiseen muotoonsa

GA ja proteiinit Seuraavaksi muutama esimerkki proteiineihin liittyvistä GA:n sovelluksista…

Aminohappoaakkoston yksinkertaistaminen

Aminohappoaakkoston yksinkertaistaminen Proteiinit muodostuvat 20 eri aminohaposta -> proteiinin aminohapposekvenssi voidaan kuvata käyttämällä 20 kirjainta…

Alaniini (Ala / A) Arginiini (Arg / R) Asparagiini (Asn / N) Asparagiinihappo (Asp / D) Kysteiini (Cys / C) Glutamiinihappo (Glu / E) Glutamiini (Gln / Q) Glysiini (Gly / G) Histidiini (His / H) Isoleusiini (Ile / I) Leusiini (Leu / L) Lysiini (Lys / K) Metioniini (Met / M) Fenyylialaniini (Phe / F) Proliini (Pro / P) Seriini (Ser / S) Treoniini (Thr / T) Tryptofaani (Trp / W) Tyrosiini (Tyr / Y) Valiini (Val / V)

…mutta Erilaisia aminohapposekvenssejä on enemmän kuin erilaisia proteiinirakenteita Kaksi eri sekvenssiä saattaa tuottaa samanlaisen proteiinin Esim. …SKA… (seriini, lysiini, alaniini) …TKA… (treoniini, lysiini, alaniini) Seriinillä ja treoniinilla on samantapaiset kemialliset ominaisuudet -> ei välttämättä ole väliä kumpi niistä esiintyy sekvenssissä Aminohappojen ominaisuuksia: http://fi.wikipedia.org/wiki/Aminohappo#Aminohappojen_ryhmittely

…joten Proteiinin rakenne voidaan kuvata vähemmällä kuin 20 kirjaimella Miksi tarvitaan? Proteiinin rakenteen kuvaamisen yksinkertaistamiseksi ->Helpompi vertailla, miten eri aminohapot vaikuttavat proteiinin toimintaan

Ratkaisu? Samankaltaisten aminohappojen ryhmittely (klusterointi, clustering) Esim. yhdistetään seriini ja treoniini: merkitään X:llä {S tai T} Ongelma: Mikä on optimaalinen ryhmittely? ~ Lukujen ositusongelma. NP-täydellinen eli laskennallisesti erittäin vaativa ongelma. GA:ta on kokeiltu ongelman ratkaisemiseen…

GA Aloituspopulaatio: Luodaan satunnainen joukko ryhmittelyjä Cross-over: Valitaan satunnainen aminohappo, esim. a Etsitään vanhemmilta ne klusterit, joissa äsken valittu aminohappo esiintyy esim. {almrq}, {aps} Yhdistetään nämä klusterit uudeksi klusteriksi ->{almpqs}

GA Ei mutaatiota, koska satunnaisuus haitallista Tulokset: Lähde Suunnilleen yhtä hyviä kuin muilla menetelmillä saadut GA nopeampi Lähde Palensky, M.; Ali, H.; , "A genetic algorithm for simplifying the amino acid alphabet," Bioinformatics Conference, 2003. CSB 2003. Proceedings of the 2003 IEEE , vol., no., pp. 598- 599, 11-14 Aug. 2003 doi: 10.1109/CSB.2003.1227418 URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1227418&isnumber=27543

Motiivien etsintä

Motiivien etsintä Motiivit ovat lyhyehköjä nukleotidijaksoja tai aminohappojaksoja, jotka toistuvat usein DNA-sekvenssissä tai aminohapposekvenssissä Motiiveilla on jokin tärkeä biologinen merkitys, esim. DNA-motiivit määrittelevät proteiinisynteesin aloittamisessa tarvittavien transkriptiofaktoreiden kiinnittymiskohdan DNA-kierteessä

Esimerkki (koskee DNA:ta) sekvenssi1 CTAGCGGACTAGG Motiivien ei ole pakko toistua aina täysin samanlaisina, vaan ne voivat erota muutaman nukleotidin/aminohapon osalta Esimerkki (koskee DNA:ta) sekvenssi1 CTAGCGGACTAGG sekvenssi2 TAGCTGGACTACT sekvenssi3 CATCAGGAATAAG ->motiivi on GGAMTA, missä M tarkoittaa ”C tai A” IUPAC ambiguity codes

Motiivien löytämiseksi on kehitetty erilaisia algoritmeja Myös GA:ta voidaan käyttää

GA ja motiivien etsintä Generoidaan satunnaisia motiiveja, lasketaan mitkä niistä parhaiten kuvaavat sekvenssissä toistuvia jaksoja, ja risteytetään parhaita yritteitä Mutaatiossa vältetään muuttamasta motiivin ”parhaita kohtia” Lähde: Liu, F.F.M.; Tsai, J.J.P.; Chen, R.M.; Chen, S.N.; Shih, S.H.; , "FMGA: finding motifs by genetic algorithm," Bioinformatics and Bioengineering, 2004. BIBE 2004. Proceedings. Fourth IEEE Symposium on , vol., no., pp. 459- 466, 19-21 May 2004 doi: 10.1109/BIBE.2004.1317378 URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1317378&isnumber=29175

Proteiinin rakenteen ennustaminen

Proteiinin rakenteen ennustaminen Proteiinin rakenteet: Primäärirakenne = aminohappojärjestys Sekundäärirakenne muodostuu, kun aminohappoketjuun tulee paikallisia rakenteita, kuten α-heliksi ja β-laskos.

Proteiinin rakenteen ennustaminen Tertiäärirakenne on proteiinin lopullinen 3-ulotteinen muoto, joka muodostuu mm. α-heliksien ja β-laskosten välisestä vuorovaikutuksesta. Proteiinin 3-ulotteinen rakenne määrää proteiinin toiminnan.

Proteiinin rakenteen ennustaminen Laskostumisesta ollaan kiinnostuneita mm. siksi, että monet sairaudet johtuvat virheistä proteiinin laskostumisessa, esim. Alzheimer, Parkinson, hullun lehmän tauti, allergioita

Proteiinin rakenteen ennustaminen Lääkkeiden teho perustuu yleensä jonkin proteiinin aktiivisuuden muuttamiseen elimistössä Tietoa proteiinin 3-ulotteisesta rakenteesta voidaan hyödyntää lääkkeiden suunnittelussa

Proteiinin rakenteen ennustaminen 3-ulotteinen rakenne voidaan selvittää kokeellisin menetelmin, mutta se on työlästä. Röntgensädekristallografia Ydinmagneettinen resonanssi (NMR) Olisi helpompaa jos tertiäärirakenne voitaisiin ennustaa suoraan primäärirakenteesta.

Proteiinin rakenteen ennustaminen Tertiäärirakenteen ennustaminen aminohapposekvenssistä on vaikeaa. N aminohappoa -> 10N eri konformaatiota

Proteiinin rakenteen ennustaminen Ennustamisessa voidaan käyttää tietoa, että tertiäärirakenteessa proteiinin potentiaalienergia on minimissään GA:ta voidaan käyttää minimoimaan energiaa Yritteet ovat geometrisia esityksiä mahdollisista proteiinin rakenteista Hyvyysfunktio on rakenteen potentiaalienergia Yritteitä, joilla on pienin energia, risteytetään ja mutatoidaan, kunnes saadaan mahdollisimman pienienergiainen yrite