A Física e a Biologia: A Física e a Biologia: Exemplos de InterdisciplinaridadeExemplos de Interdisciplinaridade

Paulo M. BischLaboratório de Física Biológica

Instituto de Biofísica Carlos Chagas FilhoUFRJ ­ Rio de Janeiro

   

Genomics and Bioinformatics

Introduction

   

Genômica

Projetos Genoma

mais  de  165  genomas  já  foram publicados,  mais  de  270  estão  em processo de seqüenciamento 

NCBI  2004

Para 40% a 60% das seqüencias não é possível identificar as funções celulares e/ou as funções moleculares  a  partir  de  análises  baseadas  em comparações de seqüências.

ANO

EMBL

Haemophilus influenzae Rd (1995)

Bioinformática

   

  Post­GenomicsPost­Genomics

Functional Functional GenomicsGenomics

ProteomicsProteomics

Structural Structural GenomicsGenomics

DNA­MicroarrayDNA­Microarray2D Gel Electrophoresis 2D Gel Electrophoresis 

Mass Spectrometry  Mass Spectrometry  Protein SequencingProtein Sequencing

X RayX RayCrystallography Crystallography 

NMRNMR

Sequence ­ Form ­ FunctionSequence ­ Form ­ Function

   

Genômica Funcional

Projetos Genoma

Projetos Proteoma

Projetos Transcriptoma

Projetos Genoma 

Estrutural

Bioinformática

   

Systems biologyModel-driven research takes the approach that sets up a biological model by combining the knowledge of the system with related data and simulates the behavior of the system in order to understand the biological mechanism of the system. It is simply called, ‘ ‘ Systems Biology’ ’ .

Merits of systems biologyThere are some important features and merits of this approach. One of the aims is to take important knowledge in the form of qualitative biological theories and try to express this as explicitly and quantitatively as possible. Thus implicit knowledge can be transferred to become explicit knowledge and disparate human knowledge can accumulate in an integrated way.

Ultimate goal of systems biologyThe ultimate goal of this approach is to develop a ‘ ‘ Life Simulator’ ’ , which will be attained, step by step, hierarchically from subsystem simulators of subcellular mechanisms, whole cell simulators, cell development simulators, organ simulators, physiological simulators, pathological simulators to body simulators.

T. Yao / Progress in Biophysics & Molecular Biology 80 (2002) 23– 42

   

Molecular Modeling

Structural Genomics

   

StructuralStructural  Biology:Biology:MethodsMethods

BiochemistryBiochemistryMolecular BiologyMolecular Biology

Cell BiologyCell BiologyMicroscopyMicroscopy 

CrystallographyCrystallographyNMRNMR

SpectroscopySpectroscopyNucleic

acid

Carbohydrates

Lipids

Proteins

Vectors Parasites

VirusPrions

Amyloid

Immune SystemDefense

Macromolecular Assemblies

Drug DesignVaccines

BioinformaticsBioinformaticsMolecular Molecular ModelingModeling

   

Structural Genomics

   

Molecular ModelingMolecular Modeling

­ 3D Graphical Representation

­ Structural Homology

­ Folding Prediction

­ Molecular Dynamics Simulations

­ Quantum Mechanics Calculations

   

   

   DPPC bilayer simulation

   

Applications

Studying catalytic mechanism

Designing and improving ligands

Docking of macromolecules, prediction of protein partners

Virtual screening and docking of small ligands

Defining antibody epitopes

Supporting site­directed mutagenesis

Functional relationships from structural similarity

Identifying patches of conserved surface residues

Finding functional sites by 3D motif searching

David Baker and Andrej Sali, Science 2001

   

CONSTRUCTING  MODELSBY HOMOLOGY

   

TCR/ SUPERANTIGEN/MHC classe II ­ COMPLEX

TCR Cw3/1.1 α­Chain 

TCR Cw3/1.1  β Chain 

Superantigen SEC2

MHC classe II complexed with a peptide

   

❒  Refining

Geometry Optimizationε = 80Cutoff; 20 ÅConvergence;  0,05 Kcal/mol

❒  Validation

PROCHECK program Ramachandran maps

Final Model for βTCR Cw3/1.1/SEC2 Complex

βTCR Cw3/1.1

SEC2

Mutational analysis and molecular modeling of the binding of s. Aureus enterotoxin c2 to a Murine t cell receptor vß10 chain. Shaila C. Rössle, Paulo M. Bisch, Yu­Chun Lone, Jean­Pierre Abastado,Philippe Kourilsky  and Maria BellioEuropean Journal of Immunology,32(8):2172­8. (2002 Aug)

   

   

Características do MHOLline

MHOLdb

Ambiente Computacional 

MHOL3D

MHOLbrowser

     MHOLline

 MHOLdb

• acesso via Internet

• projetos individualizados

• projetos em larga escala (projetos genoma)

• possibilidade de acrescentar outros programas e outros bancos de dados

Interfaces gráficas

Construção do MHOLdb

   

 Fold Recognition – Threader3

 Secondary Structure – Predator

 Transmembrane Regions – HMMTOP

 Multiple sequence alignment – T­Coffee

 3D structure prediction using Comparative Modelling

MHOLbrowser      MHOLline

 MHOLdb

 Web interface – MHOLbrowser

 Program – MHOLline

 Database – MHOLdb

 MHOL3D project

 Structural information about protein sequences

   

MHOLline

Processador Pentium IV / 1GHzProcessador Pentium IV / 1GHz10 minutos p/sequencia10 minutos p/sequenciaThreader 1HThreader 1H

File de entrada contém milhares File de entrada contém milhares de sequências.genomicas: de sequências.genomicas: Bacteria 5.0000Bacteria 5.0000Protozoario 20.000,Protozoario 20.000,Humano >> 30.000)Humano >> 30.000)

Trabalho pode ser distribuidoTrabalho pode ser distribuidop/programa e/ou p/sequênciap/programa e/ou p/sequência

Cada sequencia gera > 300 MbCada sequencia gera > 300 MbAramzenamento x TransmissãoAramzenamento x Transmissão

   

Related Projects

• Structural Genomic Workflows supported by Web Services– Maria Cláudia Cavalcanti, Fernanda Baião, Shaila C. Rössle, Paulo M. Bisch,  

Rafael Targino, Paulo F. Pires, Maria Luiza Campos e Marta Mattoso

• Parallelism in Bioinformatics Workflows– Luiz A.V.C. Meyer, Shaila C. Rössle, Paulo M. Bisch, e Marta Mattoso

• Data Management via Web Services in Bioinformatics Workflows– Fabricio Teixeira, Fernanda Baião, Maria Cláudia Cavalcanti, Luiz A.V.C. Meyer, 

Shaila C. Rössle, Paulo M. Bisch, e Marta Mattoso

COPPE – Sistemas

   

Molecular Modeling

Molecular Dynamics

   

Molecular ModelingMolecular ModelingThor Program: Molecular Mechanics Force Field

Molecular Geometry Optimization:      ­ Step Descendent and Conjugated Gradients      ­ Stochastic Simulated Annealing

Molecular Dynamics:        ­ Effective Medium

­ Interfaces and Membranes

    MD Explicit Solvent Simulations ­ (N,V,T) and (N,P,V) Ensembles­ Periodic Boundary Conditions­ Stochastic Boundaries

   

Force FieldForce Field

V({ri}) = V(r1,r2,...,rNat) =  

     Kb (b ­ b0)2 + Kθ(θ ­ θ0)2 + Kξ(ξ ­ ξ0)2 

+ Kϕ [1 + cos(nϕ ­ δ)] + 4 ∈ IJ [(σIJ/r IJ)12 ­ (σIJ /rIJ )6] 

+      qiqj/(4πε0εrIJ)

Hydrogen bonds

   

Molecular Dynamics Simulations miai = FI = ­ ∂V({ri})/∂ri

ai  = dvi/dtvi  = dri/dt

i = 1, Nat

Summed Verlet (leapfrog) Algorithm :

ri(t + δt)    =     ri(t)   +  vi(t + δt/2) δt

vi(t + δt/2)   =  vi(t ­ δt/2)   +   ai (t) δt

δt << 1

Temperature:   T0

3Nat KBT= <∑i = 1, Nat{mi(vi)2}>Nsteps

vi(t + δt/2)   =  vi(t ­ δt/2)[(T0/T)1/2]

Total energy :

  Etot = Ekin({vi}) + V({ri}) Ekin({vi})=∑i = 1, Nat{(1/2)mi(vi)2}

   

Molecular Dynamics

  Etot = Ecin({vi}) + V({ri}) Ecin({vi})=∑i = 1, Nat{(1/2)mi(vi)2}

Temperature:   T0

3Nat KBT= <∑i = 1, Nat{mi(vi)2}>

vi(t + δt/2)=vi(t ­ δt/2)[(T0/T)1/2]

   

Explicit Representation of the Solvent

Periodic Boundary Conditions

   

S o necess rios o QuickTime e ﾋ ﾇum descompressor Cinepak para ver

esta figura.

Simulação de Dinâmica Molecular daInteração do Peptídeo de Fusão doVirus VSV com uma MembranaLipídica:

Sistema Simulado:126 moléculas de DMPS 1 trímero (60 aminoácidos)131 Na+, 5.0000 moléculas de água.Ao todo, 28988 átomos30.0000 passos (passo de tempo de 0,5 fs) = 250 ps

Athlon XP 1500 MHz  / 512 MbDuração de processamento = 24 horas

Pedro LoureiroPedro LoureiroPedro G. PascuttiPedro G. PascuttiFabiana A. CarneiroFabiana A. Carneiro  Andrea da PoainAndrea da Poain

   

CISTEINO PROTEINASES

Papain         ­ cisteino­proteinase from Carica Papaya latex

Cruzain and cruzipain 2 ­ cisteino proteinase (isoforms) from Tripanosoma cruzi

Falcipain    ­ cisteino­proteinase from Plasmodium falciparum  (Malaria)

Papain:  ­ complex papain­leupeptine (PDB: 1POP ­ 2.1 Å resolution)

 ­ Cys25 Oxidize (PDB: 9PAP ­ 1.65 Å resolution)

Cruzain:­ with inhibitors

      (1AIM e 2AIM ­ 2.0 Å e 2.2 Å resolution)

Cruzipain 2 and falcipain: homology models

Structures

   

PAPAIN

Catalytic Triad : Cys25, His159 e Asn175. 

Gln19 and Asp158 represented in yellow and orange respectively.

Crystallographic structure by X­Ray. Resolution 1.65 Å (PDB: 9PAP).

   

SURFACE ACCESSIBLE to the SOLVENT (SAS)(dielectric constant inside the protein εp = 2  ; solvent dielectric constant εs = 80)

Surface generated according to the  Connolly algorithm (5 points/Å2; Spherical probe R = 1.4 Å)  Red: usual SAS; Green: modified SAS in the catalytic region.

   

13.4272.716  (SG)

­ 10.448 (ND1)­ 28.427

(εp = 2 ; εs = 80 ; I = 0.150 M)

PAPAIN Catalytic Region (9PAP)Electrostatic Potential

Kcal/mol

Laurent E. Dardenne, Araken S. Werneck, Marçal de Oliveira Neto and Paulo M. Bisch, Electrostatic Properties in the Catalytic Site of Papain: A Possible Regulatory Mechanism for the Reactivity of the Ion Pair, PROTEINS: Structure, Function and Genetics, 52 (2), 236­253 (2003)

   

Molecular Dynamics and High Throughput Docking

 of Bio­active Molecules (GIGA Application)

   

FunctionalExperiments

MHOLdbStructure ­

Function relation

Models for MolecularDynamics Simulations

Molecular Target 

Databank

Annotation of biological function by structural 

similarity

DOCKTHOR

Ligands Databank

THOR

Drug/VaccinePrototypes

Structural  information for protein “folding” studies

Using MHOLdb

   

A B C D E

F G H I J

KGluconacetobacter diazotrophicus proteins identified by mass spectrometry(Leticia Lery). GenBank sequences were blasted against PDB to look for structure similarity. Initial molecular models were built for : A) ModA  B) Nitrogenase Reductase  C) NifS D) FixA  E) GlnK1  F) Alpha Subunit Dinitrogenase G) Kinase E  H) Gluthamine Synthetase  I) ModC J) NifN  K) FdxN

   

Francisco J. P. Lopes

Orientadores

Paulo Mascarello Bisch

Fernando de M. C. Vieira

Redes Complexas de Reações Aplicadas ao ao Desenvolvimento Embrionário da 

Drosophila melanogaster

Instituto de Biofísica Carlos Chagas Filho ­ UFRJ

Colaboração Carlos E. V. Alonso

   John Reinitz, Eric Mjolsness and David H. Charp. 

Gradiente de Bicoid: Proteína que regula a expressão dos genes gap.

Início do desenvolvimento embrionário.

Padrão de Expressão

Padrão de expressão: Concentração das proteína dos genes gap: hb, kni, Kr e gt.

Concentração da proteína hunchback.

hbgt

gtKr

kni

hb

   

Modelo para Sistema de Dois Sítios

BB

h

B1

B2

B12

B11

B22

B112

B122

B2222

Estados Possíveis de Ocupação

Bicoid

DNA

S tios de liga o de Bicoidﾒ ﾍﾋna regi o regulat rio do  ﾋ ﾗ hb

S tio 1ﾒ S tio 2ﾒ

   

Ocupação Total.Azul: A1; Vermelho: X1

A1: Dímero; X1: Dímero

][h][B]B[][B][B  s tioﾒ do   totalocupa oﾍﾋ

0

122112111 +++=

Dinâmica de Ocupação

A1: Vazio;   X1: Dímero

   

Resultados da Literatura sobre aAuto­regulação do hunchback

(i) O hunchback se auto­ativa*(ii) A ativação de P1 é independente da 

ativação de P2.(iii) P1 e P2 são responsáveis pela faixa 

do centro.(iv) A  faixa  do  centro  é  formada  por 

auto­regulação.

Ausência de auto­regulação*

HipóteseExistem, no mínimo, 2 sítios independentes para a auto­

regulação.

P1P2

* Margolis et al, Development 121, 1995.

   

Modelo de Auto­regulação para o hunchback

Rede de Auto­regulaçãoHipóteseExistem, no mínimo, 2 sítios independentes para a auto­

regulação.

H: Molécula da proteína Hunchback h: Gene hunchbackB: Molécula da proteína Bicoid0: Espécie inerte

   

Análise do Modelo de Auto­regulação

B(t)B(t)

H(t)H(t)