DECODIFICANDO RELACIONES ENTRE FENOTIPOS Y SECUENCIAS PROTEICAS

HERNÁNDEZ BERTHET, AYELÉN S.; APTEKMANN, ARIEL A.; SANCHEZ, IGANCIO E.; NOGUERA, MARTÍN E.; ROMAN, ERNESTO A.

Jornada; Explorando la Interfase Química Biológica-Orgánica (I QBO 2023); 2023

En la naturaleza existen organismos que crecen en nichos biológicos diversos. Lasproteínas, moléculas esenciales para el funcionamiento de estos organismos, debenpoder funcionar en las condiciones de esos nichos, por lo cual deben existiradaptaciones moleculares que les permitan funcionar correctamente. Uno de losejemplos más claros es el de las diferencias en las temperaturas óptimas defuncionamiento: proteínas en vías metabólicas esenciales deben funcionar en todoslos organismos a la temperatura donde el organismo vive. Esto sugiere que latemperatura es un condicionante que selecciona secuencias proteicas cuya funciónsea adaptativamente positiva para la supervivencia del organismo (fitness).Profundizar en el entendimiento de cómo los cambios en secuencia puedentraducirse en cambios fenotípicos no solo es importante desde el punto de vista delas ciencias básicas, sino también a nivel tecnológico. En este trabajo estudiamos larelación entre secuencias proteicas y propiedades asociadas a las mismas(fenotipos). El modelo que utilizamos es el de la proteína adenilato quinasa de Arqueas y la temperatura óptima de crecimiento (TOC) de organismos en las que seencuentra. Disponemos de una base de datos de Arqueas de 265 organismos con sugenoma secuenciado y su TOC reportada. Obtuvimos y alineamos sus secuencias ehicimos comparaciones de a pares para cada posición del alineamiento. Así,formamos una coordenada cartesiana (x,y) donde el valor de “x” es 1 si elaminoácido en esa posición difiere entre las dos secuencias, y 0 en caso contrario.Por otro lado, el valor de “y” es la diferencia de TOC (∆ TOC) entre losorganismos correspondientes. Una vez hechas todas las comparaciones,calculamos el coeficiente de correlación de Spearman (rho) para cadaposición. Encontramos posiciones con valores de correlación por encima de lamedia, que al mapearlas en una estructura de referencia se encuentran en regionesafectadas a cambios conformacionales asociados a la unión al sustrato. Dichasposiciones están además reportadas en bibliografía, en trabajos tantoexperimentales como computacionales, como regiones relacionadas con laestabilidad y la flexibilidad de la proteína. Finalmente, planteamos una estrategiapara encontrar grupos de residuos que aumentan la correlación con la TOC respectoa los residuos individuales. Utilizando este grupo de posiciones, separamos nuestroconjunto de datos en dos: un conjunto se utilizó para obtener parámetros globalesdel algoritmo y el otro para evaluar el poder predictivo del método. Las TOCpredichas tienen un R igual a 0.86 cuando comparamos con las temperaturasreportadas. En conclusión, nuestro algoritmo permitió identificar residuosasociados con la adaptación a la temperatura, lo que es una información importantepara entender la base estructural de tal adaptación y para potenciales aplicacionestecnológicas. Además, se mostró como una metodología sencilla para predecir latemperatura de crecimiento de los organismos.