PRESENTASI HASIL ANALISIS PEMBENTUKAN STRUKTUR SEKUNDER DAN TERSIER PADA PROTEIN
Seperti yang terlihat pada gambar di atas, struktur
protein sekunder dan trsier adalah seperti itu,
Protein adalah rantai asam amino yang disatukan oleh
ikatan peptida. Banyak konformasi rantai ini dimungkinkan karena rotasi rantai
tentang setiap atom Cα. Perubahan konformasi inilah yang bertanggung jawab atas
perbedaan struktur tiga dimensi protein. Setiap asam amino dalam rantai adalah
polar, yaitu telah memisahkan daerah muatan positif dan negatif dengan kelompok
C = O bebas, yang dapat bertindak sebagai akseptor ikatan hidrogen dan kelompok
NH, yang dapat bertindak sebagai donor ikatan hidrogen. Oleh karena itu
kelompok-kelompok ini dapat berinteraksi dalam struktur protein. 20 asam amino
dapat diklasifikasikan menurut kimia dari rantai samping yang juga memainkan
peran struktural penting. Glycine mengambil posisi khusus, karena memiliki
rantai samping terkecil, hanya satu atom Hidrogen, dan karena itu dapat
meningkatkan fleksibilitas lokal dalam struktur protein. Sistein di sisi lain
dapat bereaksi dengan residu sistein yang lain dan dengan demikian membentuk
ikatan silang yang menstabilkan seluruh struktur.
Struktur protein dapat dianggap sebagai urutan elemen
struktur sekunder, seperti heliks α dan lembaran β, yang bersama-sama merupakan
keseluruhan konfigurasi tiga dimensi dari rantai protein. Dalam struktur
sekunder ini pola teratur ikatan H terbentuk antara asam amino tetangga, dan
asam amino memiliki sudut Φ dan Ψ yang sama.
Pembentukan struktur ini menetralisir gugus polar pada
setiap asam amino. Struktur sekunder sangat padat dalam inti protein dalam
lingkungan hidrofobik. Setiap kelompok sisi asam amino memiliki volume terbatas
untuk menempati dan sejumlah terbatas kemungkinan interaksi dengan rantai
samping di dekatnya, situasi yang harus diperhitungkan dalam pemodelan dan
keberpihakan molekuler.
α Helix
Heliks α adalah jenis struktur sekunder yang paling
melimpah dalam protein. Heliks α memiliki 3,6 asam amino per giliran dengan
ikatan H terbentuk antara setiap residu keempat; panjang rata-rata adalah 10
asam amino (3 putaran) atau 10 Ã… tetapi bervariasi dari 5 hingga 40 (1,5 hingga
11 putaran). Penyelarasan ikatan H menciptakan momen dipol untuk heliks dengan
muatan positif parsial yang dihasilkan pada ujung amino heliks. Karena wilayah
ini memiliki kelompok NH2 gratis, ia akan berinteraksi dengan kelompok
bermuatan negatif seperti fosfat. Lokasi paling umum dari heliks α adalah pada
permukaan inti protein, di mana mereka menyediakan antarmuka dengan lingkungan
berair. Bagian dalam menghadap helix cenderung memiliki asam amino hidrofobik
dan asam amino hidrofilik sisi luar yang menghadap ke luar. Dengan demikian,
setiap tiga dari empat asam amino sepanjang rantai akan cenderung hidrofobik,
pola yang dapat dengan mudah dideteksi. Dalam motif ritsleting leusin, pola
mengulangi leusin di sisi yang berhadapan dari dua heliks yang berdekatan
sangat memprediksi motifnya. Plot roda heliks dapat digunakan untuk menunjukkan
pola berulang ini. Helai α lain yang terkubur di dalam inti protein atau dalam
membran sel memiliki distribusi asam amino hidrofobik yang lebih tinggi dan
lebih teratur, dan sangat dapat memprediksi struktur tersebut. Heliks yang
terpapar di permukaan memiliki proporsi asam amino hidrofobik yang lebih
rendah. Kandungan asam amino dapat memprediksi wilayah α -helical. Daerah kaya
alanin (A), asam glutamat (E), leusin (L), dan metionin (M) dan miskin dalam
prolin (P), glisin (G), tirosin (Y), dan serin (S) cenderung membentuk sebuah
heliks α. Proline mendestabilisasi atau merusak heliks α tetapi dapat hadir
dalam heliks yang lebih panjang, membentuk tikungan.
lembar β
Lembaran β dibentuk oleh ikatan H antara rata-rata
5–10 asam amino berturut-turut dalam satu bagian rantai dengan 5–10 lebih jauh
ke bawah rantai. Daerah yang berinteraksi mungkin berdekatan, dengan loop
pendek di antara, atau berjauhan, dengan struktur lain di antaranya. Setiap
rantai dapat berjalan dalam arah yang sama untuk membentuk lembaran paralel,
setiap rantai lainnya dapat berjalan dalam arah kimia terbalik untuk membentuk
lembaran anti paralel, atau rantai mungkin sejajar dan anti sejajar untuk
membentuk lembaran campuran. Pola ikatan H berbeda dalam konfigurasi paralel
dan anti paralel. Setiap asam amino dalam helai interior lembaran membentuk dua
ikatan H dengan asam amino tetangga, sedangkan setiap asam amino pada untaian
luar hanya membentuk satu ikatan dengan untai interior. Melihat ke seberang
lembaran pada sudut kanan ke helai, helai yang lebih jauh diputar sedikit
berlawanan untuk membentuk twist kidal. Atom-atom Ca bergantian di atas dan di
bawah lembaran dalam struktur lipit, dan gugus samping R dari asam amino
bergantian di atas dan di bawah lipatannya. Sudut of dan of dari asam amino
dalam lembaran bervariasi di satu wilayah plot Ramachandran. Lebih sulit
memprediksi lokasi β sheet daripada heliks α. Situasi membaik agak ketika
variasi asam amino dalam keselarasan urutan berganda diperhitungkan.
Loop
Loop adalah daerah dari rantai protein yang (1) antara
heliks α dan lembaran β, (2) dari berbagai panjang dan konfigurasi tiga
dimensi, dan (3) pada permukaan struktur. Loop hairpin yang mewakili pergantian
lengkap dalam rantai polipeptida yang bergabung dengan dua untai β antiparalel
mungkin sesingkat dua asam amino panjangnya. Loop berinteraksi dengan
lingkungan berair sekitarnya dan protein lainnya. Karena asam amino dalam loop
tidak dibatasi oleh ruang dan lingkungan seperti asam amino di wilayah inti,
dan tidak memiliki efek pada pengaturan struktur sekunder di inti, lebih banyak
substitusi, insersi, dan penghapusan dapat terjadi. Dengan demikian, dalam
kesejajaran berurutan, kehadiran fitur-fitur ini dapat menjadi indikasi loop.
Posisi intron dalam DNA genom kadang-kadang sesuai dengan lokasi loop dalam
protein yang dikodekan. Loop juga cenderung mengandung asam amino polar dan
sering menjadi komponen dari situs aktif. Pemeriksaan terperinci atas struktur
loop telah menunjukkan bahwa mereka jatuh ke dalam keluarga yang berbeda.
Prediksi struktur sekunder
adalah
seperangkat teknik dalam bioinformatika yang bertujuan untuk memprediksi
struktur sekunder lokal protein hanya berdasarkan pengetahuan tentang urutan
asam amino mereka. Untuk protein, prediksi terdiri dari menetapkan daerah dari
urutan asam amino sebagai kemungkinan heliks alfa, untai beta (sering dicatat
sebagai konformasi "diperpanjang"), atau bergantian. Keberhasilan
prediksi ditentukan dengan membandingkannya dengan hasil algoritma DSSP (atau
serupa misalnya STRIDE) diterapkan pada struktur kristal protein. Algoritma
khusus telah dikembangkan untuk mendeteksi pola spesifik yang terdefinisi
dengan baik seperti transmembran helices dan gulungan melingkar dalam protein.
Metode modern terbaik dari prediksi struktur sekunder pada
protein mencapai sekitar 80% akurasi; Akurasi tinggi ini memungkinkan
penggunaan prediksi sebagai fitur yang meningkatkan pengakuan lipat dan
prediksi struktur protein initio, klasifikasi motif struktural, dan
penyempurnaan perataan urutan. Keakuratan metode prediksi struktur sekunder
protein saat ini dinilai dalam tolok ukur mingguan seperti LiveBench dan EVA.
Latar Belakang
Metode awal prediksi struktur sekunder, diperkenalkan
pada 1960-an dan awal 1970-an, difokuskan pada identifikasi kemungkinan heliks
alfa dan terutama didasarkan pada model transisi helix-coil. Prediksi yang jauh
lebih akurat yang mencakup lembar beta diperkenalkan pada tahun 1970 dan
bergantung pada penilaian statistik berdasarkan parameter probabilitas yang
berasal dari struktur yang diketahui terpecahkan. Metode-metode ini, diterapkan
pada urutan tunggal, biasanya paling banyak sekitar 60-65% akurat, dan sering
kali di bawah beta lembar beta. Konservasi evolusioner dari struktur sekunder
dapat dieksploitasi dengan secara simultan menilai banyak sekuens homolog dalam
suatu pensejajaran berurutan berganda, dengan mengkalkulasi kecenderungan
struktur sekunder net dari suatu kolom asam amino yang selaras. Dalam konser
dengan database yang lebih besar dari struktur protein yang dikenal dan metode
pembelajaran mesin modern seperti jaring syaraf dan mesin pendukung vektor,
metode ini dapat mencapai akurasi keseluruhan 80% dalam protein globular. Batas
atas teoritis akurasi adalah sekitar 90%, sebagian karena idiosyncrasies dalam
penugasan DSSP dekat ujung struktur sekunder, di mana konformasi lokal
bervariasi di bawah kondisi asli tetapi mungkin dipaksa untuk menganggap
konformasi tunggal dalam kristal karena kendala kemasan. Keterbatasan juga
dikenakan oleh ketidakmampuan prediksi struktur sekunder untuk memperhitungkan
struktur tersier; misalnya, urutan yang diprediksikan sebagai kemungkinan helix
mungkin masih dapat mengadopsi konformasi untai beta jika terletak di dalam
wilayah beta-sheet dari protein dan rantai sampingnya dikemas dengan baik
dengan tetangganya. Perubahan konformasi yang dramatis yang terkait dengan
fungsi atau lingkungan protein juga dapat mengubah struktur sekunder lokal.
Perspektif sejarah
Sampai saat ini, lebih dari 20 metode prediksi
struktur sekunder yang berbeda telah dikembangkan. Salah satu algoritma pertama
adalah metode Chou-Fasman, yang sangat bergantung pada parameter probabilitas
yang ditentukan dari frekuensi relatif dari setiap penampilan asam amino di
setiap jenis struktur sekunder. Parameter Chou-Fasman asli, ditentukan dari
sampel kecil struktur yang diselesaikan pada pertengahan 1970-an, menghasilkan
hasil yang buruk dibandingkan dengan metode modern, meskipun parameterisasi
telah diperbarui sejak pertama kali diterbitkan. Metode Chou-Fasman kira-kira 50-60%
akurat dalam memprediksi struktur sekunder.
Program penting berikutnya adalah metode GOR, dinamai
untuk tiga ilmuwan yang mengembangkannya - Garnier, Osguthorpe, dan Robson,
adalah metode berbasis teori informasi. Ini menggunakan teknik probabilistik yang
lebih kuat dari inferensi Bayesian. Metode GOR memperhitungkan tidak hanya
probabilitas masing-masing asam amino memiliki struktur sekunder tertentu,
tetapi juga probabilitas kondisional dari asam amino dengan asumsi
masing-masing struktur diberikan kontribusi tetangganya (itu tidak menganggap
bahwa tetangga memiliki struktur yang sama ). Pendekatan ini lebih sensitif dan
lebih akurat daripada Chou dan Fasman karena kecenderungan struktural asam
amino hanya kuat untuk sejumlah kecil asam amino seperti prolin dan glisin.
Kontribusi yang lemah dari masing-masing tetangga dapat menambah efek yang kuat
secara keseluruhan. Metode GOR asli kira-kira 65% akurat dan secara dramatis
lebih berhasil dalam memprediksi heliks alfa daripada lembar beta, yang sering
salah diartikan sebagai loop atau daerah yang tidak terorganisir.
Langkah besar ke depan lainnya adalah menggunakan
metode pembelajaran mesin. Metode jaringan saraf tiruan pertama digunakan. Saat
pelatihan mereka menggunakan struktur yang terpecahkan untuk mengidentifikasi
motif urutan umum yang terkait dengan pengaturan struktur sekunder tertentu.
Metode ini lebih dari 70% akurat dalam prediksi mereka, meskipun untai beta
masih sering kurang diprediksi karena kurangnya informasi struktural tiga
dimensi yang akan memungkinkan penilaian pola ikatan hidrogen yang dapat
meningkatkan pembentukan konformasi yang diperpanjang yang diperlukan untuk
kehadiran lembar beta lengkap. PSIPRED dan JPRED adalah beberapa program yang
paling dikenal berdasarkan jaringan syaraf untuk prediksi struktur sekunder
protein. Selanjutnya, mesin vektor pendukung telah terbukti sangat berguna
untuk memprediksi lokasi belokan, yang sulit diidentifikasi dengan metode
statistik.
Pemodelan protein komparatif
Pemodelan protein komparatif menggunakan struktur yang
dipecahkan sebelumnya sebagai titik awal, atau template. Ini efektif karena
tampak bahwa meskipun jumlah protein yang sebenarnya sangat banyak, ada
serangkaian terbatas dari struktur tersier yang dimiliki oleh sebagian besar
protein. Telah disarankan bahwa hanya ada sekitar 2.000 lipatan protein yang
berbeda di alam, meskipun ada banyak jutaan protein yang berbeda.
Metode ini juga dapat dibagi menjadi dua grup:
Pemodelan homologi
didasarkan pada asumsi yang masuk akal bahwa dua
protein homolog akan berbagi struktur yang sangat mirip. Karena lipatan protein
lebih diawetkan secara evolusioner daripada urutan asam aminonya, urutan target
dapat dimodelkan dengan akurasi yang wajar pada templat yang sangat jauh,
asalkan hubungan antara sasaran dan templat dapat dilihat melalui perataan
urutan. Telah dikemukakan bahwa hambatan utama dalam pemodelan komparatif
muncul dari kesulitan dalam keselarasan daripada dari kesalahan dalam prediksi
struktur yang diberikan keselarasan yang dikenal-baik. [38] Tidak mengherankan,
pemodelan homologi paling akurat ketika target dan template memiliki urutan
yang sama.
Protein threading
memindai urutan asam amino dari struktur yang tidak
diketahui terhadap database struktur yang terpecahkan. Dalam setiap kasus,
fungsi penilaian digunakan untuk menilai kompatibilitas urutan ke struktur,
sehingga menghasilkan model tiga dimensi yang mungkin. Jenis metode ini juga
dikenal sebagai pengakuan lipatan 3D-1D karena analisis kompatibilitasnya
antara struktur tiga dimensi dan urutan protein linier. Metode ini juga telah
memunculkan metode-metode melakukan pencarian lipat terbalik dengan mengevaluasi
kompatibilitas struktur yang diberikan dengan basis data sekuens besar,
sehingga memprediksi urutan mana yang berpotensi menghasilkan lipatan tertentu.
Struktur tersier
Peran praktis dari prediksi struktur protein sekarang
lebih penting dari sebelumnya. Sejumlah besar data urutan protein dihasilkan
oleh upaya sekuensing skala besar modern seperti Human Genome Project. Meskipun
upaya masyarakat luas dalam genomik struktural, hasil dari struktur protein
yang ditentukan secara eksperimental — biasanya dengan kristalografi sinar-X
yang mahal dan relatif mahal atau spektroskopi NMR — tertinggal jauh di
belakang output sekuens protein.
Prediksi struktur protein tetap merupakan upaya yang
sangat sulit dan belum terselesaikan. Dua masalah utama adalah perhitungan energi
bebas protein dan menemukan minimum global energi ini. Metode prediksi struktur
protein harus mengeksplorasi ruang kemungkinan struktur protein yang sangat
besar. Masalah-masalah ini dapat dilewatkan sebagian dalam
"komparatif" atau pemodelan homologi dan metode pengenalan lipat, di
mana ruang pencarian dipangkas oleh asumsi bahwa protein tersebut mengadopsi
struktur yang dekat dengan struktur yang ditentukan secara eksperimen dari
protein homolog yang lain. Di sisi lain, metode prediksi struktur protein de
novo atau ab initio harus secara eksplisit menyelesaikan masalah ini. Kemajuan
dan tantangan dalam prediksi struktur protein telah ditinjau dalam Zhang 2008.
Metode berbasis energi dan fragmen
Metode pemodelan Ab Initio atau de novo-protein
berusaha untuk membangun model protein tiga dimensi "dari awal",
yaitu, berdasarkan pada prinsip-prinsip fisik daripada (langsung) pada struktur
yang dipecahkan sebelumnya. Ada banyak kemungkinan prosedur yang mencoba meniru
pelipatan protein atau menerapkan beberapa metode stokastik untuk mencari
solusi yang mungkin (yaitu, optimalisasi global dari fungsi energi yang
sesuai). Prosedur-prosedur ini cenderung membutuhkan sumber daya komputasi yang
luas, dan dengan demikian hanya dilakukan untuk protein kecil. Untuk memprediksi
struktur protein de novo untuk protein yang lebih besar akan memerlukan
algoritma yang lebih baik dan sumber daya komputasi yang lebih besar seperti
yang diberikan oleh superkomputer kuat (seperti Blue Gene atau MDGRAPE-3) atau
komputasi terdistribusi (seperti Folding @ home, Human Proteome Folding Project
dan Rosetta @ Home). Meskipun penghalang komputasi ini sangat luas, manfaat
potensial dari genomik struktural (dengan metode prediksi atau eksperimental)
membuat prediksi struktur initio ab sebuah bidang penelitian aktif.
Pada 2009, protein 50-residu dapat disimulasikan
atom-demi-atom pada superkomputer selama 1 milidetik. Pada 2012, sampling
status stabil yang sebanding dapat dilakukan pada desktop standar dengan kartu
grafis baru dan algoritma yang lebih canggih. Skala waktu simulasi yang jauh
lebih besar dapat dicapai dengan menggunakan pemodelan kasar
Prediksi kelas struktural
Metode statistik telah dikembangkan untuk memprediksi
kelas struktural protein berdasarkan komposisi asam amino mereka, komposisi
asam amino pseudo dan komposisi domain fungsional.
Contoh protein sekunder dan tersier
Struktur
Sekunder Protein
- Linear,
struktur dilipat rantai polipeptida mengasumsikan bentuk heliks untuk
menghasilkan struktur sekunder.
- Struktur
sekunder mengacu pada pola lipat teratur tikungan dan kekusutan dari
rantai polipeptida.
- Pola
biasa karena pembentukan ikatan hidrogen antara tulang punggung atom asam
amino rantai polipeptida.
- Jenis
yang paling umum dari struktur sekunder adalah helix alpha dan lembar
lipit AY.
Struktur
Tersier Protein
- Struktur
tersier protein adalah struktur tiga dimensi yang dibentuk oleh lentur dan
memutar rantai polipeptida.
- Urutan
linear dari rantai polipeptida dilipat ke dalam struktur globular kompak.
- Lipat
dari rantai polipeptida distabilkan oleh interaksi nonkovalen lemah.
- Interaksi
ini ikatan hidrogen dan interaksi elektrostatik.
- Ikatan
hidrogen terbentuk ketika atom hidrogen bersama dengan dua atom lain.
- Interaksi
elektrostatik antara rantai asam amino yang dibebankan.
- Interaksi
elektrostatik adalah antara ion positif dan negatif dari makromolekul.
- Interaksi
hidrofobik, hubungan disulfida dan ikatan kovalen juga berkontribusi
terhadap struktur tersier.
SUMBER : Wikipedia
PERMASALAHAN
1. Mengapa ikatan disulfida pada protein tersier dapat mempertahankan struktur ikatannya !
2. Mengapa struktur sekunder dalam inti protein dalam
lingkungan hidrofobik sangat padat !
3. Bagaimana cara struktur sekunder protein terbentuk !
4. Apa saja yang dapat mempengaruhi struktur ikatan dalam struktur protein !
