Key-residue-annotate: refocusing on putative key residues to estimate protein function

Abstract

O dilúvio de dados de sequências de proteínas, alimentado pelos avanços no sequenciamento de alto rendimento e espectrometria de massas, há muito ultrapassou a capacidade científica de caracterização da função de proteínas através de experimentos tradicionais. Para preencher essa lacuna, métodos computacionais frequentemente aproveitam-se de sistemas de classificação funcional como o Gene Ontology (GO) para transferir conhecimento de proteínas bem- caracterizadas para a grande maioria com pouca ou nenhuma anotação. Todavia, as hierarquias GO podem levar à perda de informação pela sobrerrepresentação de termos gerais. Além disso, os termos não se relacionam diretamente com posições específicas nas sequências de proteínas. Enquanto isso, modelos de famílias de proteínas (PFMs) sustentam muitos algoritmos e bancos de dados bem-estabelecidos, como o pacote HMMER e o Pfam, fornecendo aos usuários uma função geral predita, mas não apontando resíduos funcionais. Contudo, é possível aumentar a resolução pela exploração dos Alinhamentos Múltiplos de Sequências (MSA) implicados nos PFMs, não só trazendo maior confiança às predições, mas também enriquecendo o entendimento da evolução de famílias de proteínas e conservação funcional. Também seria possível classificar proteínas inéditas quanto a ganho ou perda de função. Portanto, desenvolvemos uma pipeline Python, Key-Residue-Annotate (KRA), para analisar lotes de sequências proteicas em escala genômica, predizendo a função e ressaltando resíduos, visando seu emprego na anotação e deposição manual de proteínas inéditas. Para tanto, empregamos o pacote PyHMMER, uma interface Python com o HMMER3, para classificar as proteínas em famílias e obter alinhamentos destas com as sequências do alinhamento seed da respectiva família. Seguimos com uma rodada customizável do InterProScan, etapa comum na anotação manual, aproveitada para assinalar termos GO às sequências de entrada. Finalmente, exploramos o alinhamento na transferência de anotações das sequências seed para as inéditas. As anotações são oriundas dos bancos de dados UniProtKB e do BioLiP2, este último um banco de dados de interações proteína-ligante biologicamente relevantes. Para validação, os proteomas de referência para Zika, SARS-CoV-2, Chlorovirus heliozoae, E. coli e H. sapiens foram analisados, comparando as anotações posicionais KRA com as presentes no UniProt para cada sequência. Observamos que pelo menos 50% das sequências dos proteomas que não o de C. heliozoae tiveram alguma concordância entre as anotações. Este último, contudo, revelou 2952 resíduos de possível interesse não presentes no UniProt, com mais de 2000 se relacionando com interações com ligantes. Também foram investigadas 400 estruturas proteína-

ligante depositadas após a data de aquisição das anotações para avaliar se concordariam com predições KRA para sítios ativos ou de ligação. Constatamos que cerca de 25% dos resíduos que interagem com ligantes foram preditos corretamente, com aproximadamente 20% dos ligantes tendo pelo menos um resíduo predito. Finalmente, por volta de 6% das estruturas tiveram pelo menos um resíduo predito para cada um dos ligantes. Em suma, evidencia-se a utilidade da pipeline para a exploração inicial de proteomas inéditos, apontando resíduos funcionais mesmo para organismos pouco estudados como C. heliozoae. Além disso, a correspondência com resíduos funcionais em estruturas não presentes nos bancos de dados demonstra o potencial da abordagem.