Structure tertiaire

Question 1

Méthode Homologie : principe

Answer 1

• Identification d’une protéine de structure connue dont la séquence présente une homologie → construction d’un modèle par homologie

Structures mieux conservées que les séquences -> Existe une homologie de séq -> existe une homologie de struct => Prédiction d’une struct par homologie possible

Question 2

Degré d’homologie

Answer 2

Identité de séquence | Modélisation par homologie
• > 35% Possible
• 25 − 35% Possible sous conditions
• < 25% Difficile voire impossible

Plus le pourcentage d’identité / homologie est grand, plus la modélisation sera fiable

On estime que 28% des protéines ont au moins 25% d’identité de
séquence avec une protéine de structure connue

Question 3

Modélisation par homologie : les étapes

Answer 3

• Identification d’une ou plusieurs protéines de structure connue et de séquence(s) homologue(s)
• Alignement cible / support(s) (target / template(s))
• Construction du modèle 3D
• Optimisation du modèle 3D
• Validation du modèle 3D

Question 4

Identification d’une ou plusieurs protéines de structure

connue et de séquence(s) homologue(s)

Answer 4

• Recherche de séquence(s) homologue(s) dans les bases de données
• BLAST ( Basic Local Alignment Search Tool)
• Requête : séquence de la protéine cible
• Cible : séquences de la PDB uniquement
• But : trouver au moins une protéine de séquence homologue qui servira de support (template) pour la construction du modèle

Question 5

Niveau d’homologie

Answer 5

• Prise en compte de l’identité (mêmes acides aminés) et de la similarité
(acides aminés ayant les mêmes propriétés physico-chimiques)

Question 6

Que regarder dans BLAST ?

Answer 6

E-value : Expected value

• Comparaison au “bruit de fond˝
• Nombre de touches avec le même score que l’on peut s’attendre à avoir en cherchant au hasard dans une base de données
• Prend en compte la longueur de la séquence
• Plus la E-value est faible, plus le résultat est
significatif

Question 7

Alignement cible / support (target : template(s)

Answer 7

Alignement entre :
• 1 la séquence de la protéine dont on veut connaître la structure 3D (cible ou target)

• 2 la ou les séquences des protéines identifiées comme présentant une homologie de séquence suffisante (support(s) ou template(s))

Question 8

Avec quel algorithme aligner les séquences ?

Answer 8

• Algorithmes habituels d’alignement multiple : clustal, fasta, . . .
• Comparaisons et combinaisons possibles et même souhaitables
• Alignement structural si plusieurs templates

Question 9

Comment juger la pertinence des résultats ?

Answer 9

• Pourcentages d’identité et similarité, nombre de gaps, position des changements
• Attention particulière aux résidus importants (conservés, porteur de
l’activité, . . .)
• Alignement des structures secondaires
• Alignement des parties hydrophiles / hydrophobes (homologie HCA -Hydrophobic Cluster Analysis

Question 10

Améliorer l’alignement

Answer 10

• Jouer sur la matrice de substitution
• Alignement local vs. alignement global
• Intervention manuelle

Question 11

Construction du modèle 3D

Answer 11

À partir de :
1 Séquence cible
2 Structure(s) support(s)
3 Alignement des séquences cible et support(s)

Question 12

Modeller

Answer 12

Logiciel phare de la modélisation par homologie

• Utilise un jeu de contraintes pour  guider˝ la construction du modèle

Question 13

Contraintes spatiales

Answer 13

• Obtenues à partir de l’analyse statistique des similarités existantes
entre des nombreuses paires de structures homologues
• Prend en compte les effets d’interdépendance éventuelle entre les
contraintes :
• Dépendance ou indépendance des caractéristiques
• Quantification de l’association entre les caractéristiques

Question 14

Satisfaire les contraintes spatiales

Answer 14

• Contraintes spatiales + champ de forces → fonction objective
• 10 000 atomes → ~200 000 contraintes
• Le modèle est obtenu en optimisant la fonction objective en modifiant
de manière itérative la position des atomes

Question 15

Champ de forces

Answer 15

Ensemble de fonctions et de paramètres décrivant les interactions entre les atomes d’un système

Question 16

Variable target function

Answer 16

• Début = minimisation énergétique : contraintes locales puis introduction de contraintes longues distances
• Fin = optimisation par dynamique moléculaire

Question 17

Optimisation du modèle 3D

Answer 17

• Minimisation énergétique
• Dynamique moléculaire
• . . .

Question 18

Validation du modèle 3D

Answer 18

• Comparaison :
- entre les modèles prédits entre eux (flexibilité, . . .)
- avec les templates
• Contrôle de la géométrie :
- Diagramme de Ramachandran
- Conflits stériques
- Distribution des distances, angles, . . .
• Confrontation aux données expérimentales
• Résidus enfouis mieux prédits que les résidus accessibles
• Zones de faible homologie moins bien prédites
• Boucles sont plus variables

Question 19

Méthodes de predictions struct tertiaires :

Answer 19

• Modélisation par homologie / comparative
• Modélisation ab initio / de novo : principes physiques
• Modélisation par reconnaissance de repliement (threading) : enfilage
d’une séquence sur un repliement

Question 20

Modélisation ab initio : principe

Answer 20

• Construction de modèles 3D sur la base de la séquence et uniquement de la séquence
• S’appuie sur des base de données structurales et / ou les principes physiques à l’origine du repliement des protéines → modèle construit à partir des propriétés structurales des protéines en général
• Généralement, recherche d’un assemblage optimal de fragments structuraux

Question 21

Fragments structuraux

Answer 21

• Structures canoniques très courantes

* 3 à 10 résidus de long

Question 22

rosetta : principe général

Answer 22

• À partir d’une banque de fragments → bibliothèque de fragments correspondants aux fragments obtenus en découpant la séquence
• Fragments de 3 ou 9 acides aminés
• Sélection selon la corrélation structure locale /séquence locale
• Classement des fragments en fonction :
- chevauchement stérique minimal
- angles de torsion favorables
- structure secondaire compatible avec les structures secondaires attribuées (DSSP)

Question 23

rosetta : principe général

Commence par la chaîne principale uniquement :

Answer 23

• Structure de départ : conformation étendue (c’est-à-dire non repliée) de la protéine
• Fragments assemblés
• Fragments de plus haut score sont plus souvent testés
• ~30000 insertions de fragments de 9 résidus puis ~10000 insertions de fragments de 3 résidus

Question 24

rosetta : principe général

Optimisation :

Answer 24

• Perturbations au hasard des angles de torsion φ et ψ
• Chaînes latérales ajustées en parcourant l’espace conformationnel des rotamères
• Minimisation énergétique finale sur tous les angles dièdres (chaîne principale et chaînes latérales)
→ 20 000 à 50 000 modèles générés
→ Besoin d’une fonction de score pour les classer

Question 25

Rosetta : fonction de score

Answer 25

Comprend différents termes :
• Énergie de solvatation
• Interactions par paires (disulfures, électrostatiques, . . .)
• Empilement brin - hélice
• Appariement des brins dans les feuillets (liaisons hydrogène)
• Rayon de gyration
• Forces de Van der Waals
• Énergie des rotamères
• Énergie de référence de l’état déplié

Question 26

prédiction par reconnaissance de repliement : threading : principe

Answer 26

• Certaines protéines ont des structures semblables mais des séquences
très divergentes
• Elles adoptent le même repliement (fold)
→ Prédiction d’un repliement de la protéine compatible avec la séquence
sans tenir compte de l’(absence d’)homologie de séquence
• Test de plusieurs repliements → la meilleure configuration repliement
/ séquence est conservée → projette la séquence sur le repliement
sélectionné pour produire le modèle final
• Presque plus de nouveau repliement (d’après CATH, dernier nouveau
repliement en 2012) → le repliement d’une séquence est
probablement déjà dans la PDB

Question 27

Reconnaissance de repliement

Answer 27

• Alignement séquence - structure
• Étape la plus délicate
• Un mauvais choix de repliement amènera forcément un mauvais
modèle
• Fonction objective mesure la compatibilité séquence / positions
correspondantes dans un repliement type (template)
• Prend en compte :
• préférence des acides aminés en termes d’accessibilité au solvent
• préférence des acides aminés pour les structures secondaires
• interactions avec les résidus voisins (contacts)
• présence de gaps
• . . .

Question 28

Reconnaissance de repliement à partir de

Answer 28

À partir du repliement sélectionné :
• alignement séquence / template sélectionné
• optimisation de l’alignement
• minimisation énergétique
• . . .

Question 29

Prédiction des contacts intra-protéiques

Answer 29

• Prédit des régions de la séquence susceptibles de se trouver en contact
• A permis d’améliorer significativement la qualité des modèles générés
• Spécifiquement, améliore la qualité de l’alignement séquence /
template

Question 30

Critical Assesment of protein structure prediction (CASP)

Answer 30

• Concours d’évaluation des méthodes de prédiction de structure
tertiaire
• Se déroule les années paires
• Plusieurs sous-concours : prédiction des contacts, utilisation de
données expérimentales, . . .
• Bon point de départ pour chercher la meilleure méthode
• En 2018, apparition de Google dans la compétition

Question 31

AlphaFold & AlphaFold 2

Answer 31

• Dans la lignée des travaux d’apprentissage profond sur le jeu de Go,
. . .
• S’appuie sur des concepts existants : prédictions des distances
inter-résidus et des angles φ et ψ
• Réelle avancée : capacité à utiliser de (très) gros volumes de données
par un algorithme d’apprentissage automatique
• A développé plusieurs réseaux de neurones (et fonctions de score
associés) :
• distances inter-résidus
• distance d’un modèle par rapport à la bonne réponse
• générer de nouveaux fragments pour améliorer le score
• Meilleurs résultats à CASP13 et CASP14 pour les protéines sans
templates