PRESENTASI HASIL ANALISIS PEMBENTUKAN STRUKTUR SEKUNDER DAN TERSIER PADA PROTEIN

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 Å 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 !