Таблица по биологии белки: Таблица “Функции белков” (биология, 10 класс)

авторов Википедии. (2019, 13 июля). Альфа-кератин. В Википедия, Бесплатная энциклопедия . Получено 18:17, 19 июля 2019 г., с https://en.wikipedia.org/w/index.php? title = Альфа-кератин & oldid = 7410

Инициатива открытого обучения. (2019) Покровные уровни организации. Университет Карнеги Меллон. В анатомии и физиологии. Доступно по адресу: https://oli.cmu.edu/jcourse/webui/syllabus/module.do?context=43480020ca6010f804da8baf7ba.

авторов Википедии. (2019, 16 июля). Коллаген. В Википедия, Бесплатная энциклопедия . Получено в 03:42, 20 июля 2019 г., с https://en.wikipedia.org/w/index.php?title=Collagen&oldid=

авторов Википедии. (2019, 16 июля). Сворачивание белков. В Википедия, Бесплатная энциклопедия .Получено 18:30, 20 июля 2019 г., с https://en.wikipedia.org/w/index.php?title=Protein_folding&oldid=4145

авторов Википедии. (2019, 11 июня). Глобулярный белок. В Википедия, Бесплатная энциклопедия . Получено в 18:49, 20 июля 2019 г., с https://en.wikipedia.org/w/index.php?title=Globular_protein&oldid=0467

авторов Википедии. (2019, 11 июля). Внутренне неупорядоченные белки. В Википедия, Бесплатная энциклопедия . Получено 19:52, 20 июля 2019 г., с https: // en.wikipedia.org/w/index.php?title=Intrinsically_disordered_proteins&oldid=2287

2.3: Структура и функции — Белки I

Синтез белков происходит в рибосомах и происходит путем присоединения карбоксильного конца первой аминокислоты к аминоконцу следующей (рис. 2.19). Конец белка, который имеет свободную α-аминогруппу, называют аминоконцом или N-концом. Другой конец называется карбоксильным концом или С-концом, поскольку он содержит единственную свободную α-карбоксильную группу.Все другие α-аминогруппы и α-карбоксильные группы связаны с образованием пептида. Рис. 2.19. Связывание аминокислот посредством связей образования пептидных связей, которые соединяют соседние аминокислоты вместе. Белки синтезируются, начиная с аминоконца и заканчивая карбоксильным концом.

Схематично на рисунке 2.18 мы можем видеть, как последовательные R-группы белка расположены в чередующейся ориентации по обе стороны от полипептидной цепи. Подобная организация R-групп не случайна.Стерические затруднения могут возникать, когда последовательные R-группы ориентированы на одной стороне пептидного остова (рис. 2.20)

Первичная структура

Первичная структура является решающим фактором общей конформации белка. Первичная структура любого белка достигла своего текущего состояния в результате мутации и отбора в течение эволюционного времени. Первичная структура белков определяется последовательностью кодирующей ее ДНК в геноме. Области ДНК-специфических белков известны как кодирующие области (или гены).

Последовательности оснований этих областей непосредственно определяют последовательность аминокислот в белках с однозначным соответствием между кодонами (группами из трех последовательных оснований) в ДНК и аминокислотами в кодируемом белке. Последовательность кодонов в ДНК, скопированная в информационную РНК, определяет последовательность аминокислот в белке. (Рисунок 2.21).

Порядок, в котором аминокислоты соединяются вместе при синтезе белка, начинает определять набор взаимодействий между аминокислотами, даже когда синтез происходит.То есть полипептид может сворачиваться даже в процессе производства. Порядок структур R-группы и результирующие взаимодействия очень важны, потому что ранние взаимодействия влияют на более поздние взаимодействия. Это потому, что взаимодействия начинают создавать структуры — вторичные и третичные. Если спиральная структура (вторичная структура), например, начинает формироваться, возможности взаимодействия конкретной аминокислоты R-группы могут быть другими, чем если бы спираль не образовалась (рис. 2.22). Взаимодействия R-группы также могут вызывать изгибы в полипептидной последовательности (третичной структуре), и эти изгибы могут создавать (в некоторых случаях) возможности для взаимодействий, которые были бы невозможны без изгиба, или предотвращать (в других случаях) аналогичные возможности взаимодействия.

Вторичная структура

По мере того, как синтез белка прогрессирует, взаимодействия между аминокислотами, близкими друг к другу, начинают происходить, что приводит к возникновению локальных паттернов, называемых вторичной структурой. Эти вторичные структуры включают хорошо известные α-спираль и β-тяжи. Оба были предсказаны Линусом Полингом, Робертом Кори и Германом Брэнсоном в 1951 году. Каждая структура имеет уникальные особенности.

α-спираль

α-Спираль имеет спиральную структуру с 3,6 аминокислотами на оборот спирали (5 витков спирали = 18 аминокислот). Спирали преимущественно правосторонние — только в редких случаях, например, в последовательностях с большим количеством глицинов, могут образовываться левые α-спирали. В α-спирали водородные связи образуются между группами C = O и группами N-H в основной цепи полипептида, которые находятся на расстоянии четырех аминокислот. Эти водородные связи являются основными силами, стабилизирующими α-спираль.

Мы используем термины «подъем», «повторение» и «шаг» для описания параметров любой спирали. Повторение — это количество остатков в спирали, прежде чем она начнет повторяться. Для α-спирали повторение составляет 3,6 аминокислоты на оборот спирали. Подъем — это расстояние, на которое спираль поднимается с добавлением каждого остатка. Для α-спирали это 0,15 нм на аминокислоту. Шаг — это расстояние между полными витками спирали.Для α-спирали это 0,54 нм. Стабильность α-спирали повышается за счет присутствия аминокислоты аспартата.

β-прядь / лист

Спираль — это, конечно, трехмерный объект. Уплощенная форма спирали в двух измерениях — обычное описание β-нити. У β-прядей есть изгибы, а не витки, которые иногда называют складками, как складки на занавеске. β-нити могут быть организованы для образования тщательно организованных структур, таких как листы, бочки и другие конструкции.

β-цепочечные структуры более высокого порядка иногда называют супервторичными структурами), поскольку они включают взаимодействия между аминокислотами, не близкими по первичной последовательности.Эти структуры также стабилизируются водородными связями между карбонильными атомами кислорода и атомами водорода аминогрупп в основной цепи полипептида (рис. 2.28). В структуре более высокого порядка нити могут быть расположены параллельно (ориентации от амино к карбоксилу одинаковы) или антипараллельно (ориентации от амино к карбоксилу противоположны друг другу (на рисунке 2.27 направление нити показано стрелкой на ленте). диаграммы).

Обороты

Повороты (иногда называемые обратными поворотами) — это тип вторичной структуры, которая, как следует из названия, вызывает поворот в структуре полипептидной цепи.Повороты в конечном итоге приводят к возникновению третичной структуры, вызывая прерывания во вторичных структурах (α-спирали и β-цепи) и часто служат связующими областями между двумя областями вторичной структуры в белке. Пролин и глицин по очереди играют общие роли, обеспечивая меньшую гибкость (начало поворота) и большую гибкость (облегчение поворота) соответственно.

Существует по крайней мере пять типов поворотов, из которых множество вариаций приводит к множеству разных поворотов.Пять типов поворотов:

• δ-витки — концевые аминокислоты разделены одной пептидной связью

• γ-витки — разделение двумя пептидными связями

• β-витки — разделение тремя пептидными связями

• α-витки — разделение четырьмя пептидными связями

• π-витки — разделение пятью связями

Из них β-витки являются наиболее распространенной формой, а δ-витки являются теоретическими, но маловероятными из-за стерических ограничений. На рисунке 2.29 изображен β-разворот.

3 ₁₀ спирали

Помимо α-спирали, β-цепей и различных поворотов, в белках видны и другие регулярные, повторяющиеся структуры, но встречаются гораздо реже. Спираль 3 ₁₀ является четвертой по распространенности вторичной структурой в белках, составляя около 10-15% всех спиралей.Спираль получила свое название от того факта, что она содержит 10 аминокислот в 3-х витках. Это правша. Водородные связи образуются между аминокислотами, разнесенными на три остатка. Чаще всего спираль 3 ₁₀ появляется на аминовом или карбоксильном конце α-спирали. Как и α-спираль, спираль 3 ₁₀ стабилизируется присутствием аспартата в ее последовательности.

π-спирали

π-спираль можно рассматривать как особый тип α-спирали. Некоторые источники описывают это как α-спираль с дополнительной аминокислотой, застрявшей в ней (рис. 2.32). π-спирали не совсем редки, они встречаются по крайней мере один раз в 15% всех белков. Как и α-спираль, π-спираль правосторонняя, но если α-спираль содержит 18 аминокислот в 5 витках, то π-спираль имеет 22 аминокислоты в 5 витках.π-спирали обычно не растягиваются на очень большие расстояния. Большинство из них имеют длину всего около 7 аминокислот, и последовательность почти всегда находится в середине α-спиральной области.

Участки в Рамачандране

В 1963 году Г. Рамачандран, Ч. Рамакришнан и В. Сасисекхаран описали новый способ описания структуры белка. Если рассматривать основу полипептидной цепи, она состоит из повторяющегося набора из трех связей.Последовательно (в направлении от амино к карбоксилу) они представляют собой 1) вращающуюся связь (ψ) между α-углеродом и α-карбоксилом, предшествующую пептидной связи (см. ЗДЕСЬ), 2) невращающуюся пептидную связь (ω) между α -карбоксильная и α-аминная группы), и 3) вращающаяся связь (φ) между α-амином и α-углеродом, следующая за пептидной связью (см. ЗДЕСЬ). Обратите внимание на рисунки 2.33 и 2.34, что направление от амино к карбоксилу справа налево.

Присутствие карбонильного кислорода в α-карбоксильной группе позволяет пептидной связи существовать в виде резонансной структуры, что означает, что она некоторое время ведет себя как двойная связь.Двойные связи, конечно, не могут вращаться, но связи по обе стороны от них имеют некоторую свободу вращения. Углы φ и ψ ограничены определенными значениями, потому что некоторые углы приведут к стерическим затруднениям. Кроме того, каждый тип вторичной структуры имеет характерный диапазон значений φ и ψ.

Рамачандран и его коллеги выполнили теоретические расчеты энергетической стабильности всех возможных углов от 0 ° до 360 ° для каждого из углов φ и ψ и нанесли результаты на график Рамачандрана (также называемый график φ-ψ), очерчивая области углов, которые теоретически были наиболее стабильными (Рисунок 2.35).

Были идентифицированы три основные области стабильности, соответствующие углам φ-ψ β-тяжей (вверху слева), правым α-спиралям (внизу слева) и левым α-спиралям (вверху справа). Графики предсказанной стабильности удивительно точны по сравнению с углами φ-ψ реальных белков.

Прогноз вторичной структуры

Таблица 2.3 — Относительные тенденции каждой аминокислоты находиться во вторичной структуре. Более высокие значения указывают на большую тенденцию. Изображение Пенелопы Ирвинг

Сравнивая первичную структуру (аминокислотные последовательности) с известными трехмерными белковыми структурами, можно подсчитать каждый раз, когда аминокислота обнаруживается в α-спирали, β-цепи / листе или витке.Компьютерный анализ тысяч этих последовательностей позволяет определить вероятность появления любой данной аминокислоты в каждой из этих структур. Используя эти тенденции, можно с точностью до 80% предсказать области вторичной структуры в белке, основываясь исключительно на аминокислотной последовательности.

Это видно в таблице 2.3. Наличие в первичной последовательности трех последовательных аминокислот с относительной тенденцией выше единицы является индикатором того, что эта область полипептида находится в соответствующей вторичной структуре.Онлайн-ресурс для предсказания вторичных структур под названием PSIPRED доступен ЗДЕСЬ.

Гидрофобность

Таблица 2.4 — Оценка гидропатии

Химический состав аминокислотных R-групп влияет на структуры, в которых они чаще всего встречаются. Подмножества их химических свойств могут дать ключ к разгадке структуры, а иногда и клеточного местоположения. Ярким примером является гидрофобность (склонность к предотвращению образования воды) некоторых R-групп. Учитывая водную среду клетки, такие R-группы вряд ли находятся на внешней поверхности свернутого белка.

Однако это правило не выполняется для областей белка, которые могут быть встроены в липидные бислои мембран клеток / органелл. Это связано с тем, что области таких белков, которые образуют трансмембранные домены, находятся в гидрофобной среде в середине липидного бислоя.

Не удивительно, что сканирование первичных последовательностей на предмет определенных размеров / разнесенных участков гидрофобных аминокислот может помочь идентифицировать белки, обнаруженные в мембранах. В таблице 2.4 показаны значения гидрофобности для R-групп аминокислот.В этом наборе шкала изменяется от положительных значений (гидрофобные) до отрицательных (гидрофильные). График гидропатии KyteDoolittle для мембранного белка протоонкогена RET показан на рисунке 2.36. Две области белка очень гидрофобны, что видно из пиков около аминокислот 5-10 и 630-640. Можно разумно ожидать, что такие области будут располагаться либо внутри свернутого белка, либо быть частью трансмембранных доменов.

Случайные катушки

Некоторые участки белка не предполагают регулярной, различимой структуры и, как иногда говорят, не имеют вторичной структуры, хотя могут иметь водородные связи. Такие сегменты описываются как находящиеся в случайных спиралях и могут иметь текучесть в своей структуре, что приводит к тому, что они имеют несколько стабильных форм. Случайные катушки можно идентифицировать с помощью спектроскопических методов, таких как круговой дихроизм Wikipedia и ядерный магнитный резонанс (ЯМР), при котором наблюдаются отличительные сигналы.См. Также метаморфические белки (ЗДЕСЬ) и белки с внутренней неупорядоченностью (ЗДЕСЬ).

Надвторичная структура

Другой элемент структуры белка сложнее классифицировать, поскольку он включает элементы вторичной и третичной структуры. Названные супервторичной структурой (или структурными мотивами), эти структуры содержат множество соседних компонентов вторичной структуры, расположенных определенным образом и проявляющихся во множестве белков.Поскольку существует множество способов создания вторичных структур из разных первичных структур, аналогичные мотивы могут возникать из разных первичных последовательностей. Пример структурного мотива показан на рис. 2.37.

Третичная структура

Белки отличаются друг от друга последовательностью составляющих их аминокислот. Последовательность аминокислот белка определяет форму белка, поскольку химические свойства каждой аминокислоты являются силами, которые вызывают межмолекулярные взаимодействия, чтобы начать создавать вторичные структуры, такие как α-спирали и β-цепи.Последовательность также определяет повороты и случайные спирали, которые играют важную роль в процессе сворачивания белка.

Поскольку форма важна для функции белка, последовательность аминокислот определяет все свойства, которыми обладает белок. По мере того как синтез белка продолжается, отдельные компоненты вторичной структуры начинают взаимодействовать друг с другом, создавая складки, сближающие аминокислоты, которые не находятся рядом друг с другом в первичной структуре (рис. 2.38). На третичном уровне структуры взаимодействия между R-группами аминокислот в белке, а также между основной цепью полипептида и боковыми группами аминокислот играют роль в укладке.

Глобулярные белки

Сворачивание приводит к появлению различных трехмерных форм в неволокнистых белках. Эти белки называют глобулярными. Глобулярный белок стабилизируется теми же силами, которые управляют его образованием. К ним относятся ионные взаимодействия, водородные связи, гидрофобные силы, ионные связи, дисульфидные связи и металлические связи. Обработка, такая как нагревание, изменение pH, моющие средства, мочевина и меркаптоэтанол, подавляют стабилизирующие силы и заставляют белок разворачиваться, теряя свою структуру и (обычно) свою функцию (Рисунок 2.39). Благодаря способности тепла и моющих средств денатурировать белки, мы готовим пищу и моем руки перед едой — такая обработка денатурирует белки в микроорганизмах на наших руках. У организмов, которые живут в среде с высокой температурой (более 50 ° C), есть белки с изменениями стабилизирующих сил — дополнительные водородные связи, дополнительные солевые мостики (ионные взаимодействия) и компактность могут играть роль в предотвращении развертывания этих белков.

Силы стабилизации белка

Прежде чем рассматривать процесс сворачивания, давайте рассмотрим некоторые силы, которые помогают стабилизировать белки.

Водородные связи

Водородные связи возникают в результате частично заряженных атомов водорода, находящихся в ковалентных связях. Это происходит, когда атом, с которым связан водород, имеет большую электроотрицательность, чем сам водород, в результате чего водород имеет частичный положительный заряд, потому что он не может удерживать электроны близко к себе (рис. 2.40).

Частично заряженный таким образом водород притягивается к атомам, таким как кислород и азот, которые имеют частичный отрицательный заряд из-за большей электроотрицательности и, таким образом, удерживают электроны ближе к себе.Частично положительно заряженные атомы водорода называются донорами, а частично отрицательные атомы, к которым они притягиваются, называются акцепторами. (См. Рисунок 1.30).

Отдельные водородные связи намного слабее ковалентных, но в совокупности они могут оказывать сильное воздействие. Рассмотрим жидкую воду, которая содержит огромное количество водородных связей (рис. 2.41). Эти силы помогают воде оставаться жидкой при комнатной температуре. Другие молекулы, не имеющие водородных связей с молекулярной массой, равной или большей, чем вода, например, метан или диоксид углерода, являются газами при той же температуре.Таким образом, межмолекулярные взаимодействия между молекулами воды помогают «удерживать» воду вместе и оставаться жидкостью. Примечательно, что только повышение температуры воды до кипения преодолевает силы водородных связей, позволяя воде стать полностью газообразной.

Водородные связи являются важными силами в биополимерах, которые включают ДНК, белки и целлюлозу. Все эти полимеры при кипячении теряют свою естественную структуру. Водородные связи между аминокислотами, которые близки друг к другу по первичной структуре, могут давать регулярные повторяющиеся структуры, такие как спирали или складки, в белках (вторичная структура).

Ионные взаимодействия

Ионные взаимодействия являются важными силами, стабилизирующими структуру белка, которые возникают в результате ионизации R-групп в аминокислотах, составляющих белок. К ним относятся карбоксиламинокислоты (ЗДЕСЬ), амино-аминокислоты, а также сульфгидрил цистеина и иногда гидроксил тирозина.

Гидрофобные силы

Гидрофобные силы стабилизируют структуру белка в результате взаимодействий, которые способствуют исключению воды.Неполярные аминокислоты (обычно находящиеся внутри белков) способствуют связыванию друг с другом, и это имеет эффект исключения воды. Исключенная вода имеет более высокую энтропию, чем вода, взаимодействующая с гидрофобными боковыми цепями. Это связано с тем, что вода выравнивается очень регулярно и определенным образом при взаимодействии с гидрофобными молекулами.

Когда вода не может вступать в подобные взаимодействия, она становится гораздо более неупорядоченной, чем если бы она могла ассоциироваться с гидрофобными областями.Частично по этой причине гидрофобные аминокислоты находятся во внутренней части белка — поэтому они могут исключать воду и увеличивать энтропию.

Дисульфидные связи

Дисульфидные связи, которые образуются, когда две сульфгидрильные боковые цепи цистеина сближаются, ковалентно соединяют вместе различные участки белка и могут придать большую прочность всей структуре (рисунки 2.42 и 2.43) . Ода структуре белка от Кевина Ахерна Двадцать крошечных аминокислот A определяют белок разными способами Их порядок в пептидной цепи определяет формы, которые приобретают белки И когда они скручиваются, это оставляет меня веселым, потому что это делает структуры вторичными. Это третично, мне сказали, что происходит, когда белок сворачивается. Но сложенные цепи просто страшны. Собранные вместе четвертичные. Они — чудеса природы, это точно. Создание проблем, лечение. Дурак может сочинять пептидные стихи. Но белки происходят из рибоземов. Эти соединенные остатки цистеина иногда называют цистин.Дисульфидные связи — самая сильная из сил, стабилизирующих структуру белка.

силы Ван-дер-Ваальса

силы Ван-дер-Ваальса — это термин, используемый для описания различных слабых взаимодействий, в том числе вызванных притяжением между полярной молекулой и переходным диполем или между двумя временными диполями. Силы Ван-дер-Ваальса динамичны из-за флуктуирующего характера притяжения и, как правило, слабы по сравнению с ковалентными связями, но могут быть значительными на очень коротких расстояниях.

Посттрансляционные модификации

Посттрансляционные модификации могут также приводить к образованию ковалентных связей, стабилизирующих белки. Гидроксилирование лизина и пролина в нитях коллагена может привести к сшиванию этих групп, и полученные ковалентные связи помогают укрепить и стабилизировать коллаген.

Складные модели

Две популярные модели сворачивания белков в настоящее время исследуются. В первой (модель диффузионного столкновения) процесс начинается с момента зародышеобразования, за которым следует образование вторичной структуры.Столкновения между вторичными структурами (как в β-шпильке на рис. 2.37) позволяют начать складывание. Напротив, в модели нуклеации-конденсации вторичные и третичные структуры образуются вместе.

Сворачивание белков происходит довольно быстро (от 0,1 до 1000 секунд) и может происходить во время синтеза — аминный конец белка может начать складываться еще до того, как образуется карбоксильный конец, хотя это не всегда так.

Процесс складывания

Предполагается, что сворачивание белка происходит в энергетическом ландшафте «сворачивающейся воронки», в котором нативное состояние свернутого протеина соответствует минимально возможной свободной энергии в условиях среды (обычно водного растворителя), в которой белок растворяется. Как видно на диаграмме (рис. 2.44), энергетическая воронка имеет множество локальных минимумов (провалов), в которых сворачивающийся белок может попасть в ловушку при движении вниз по энергетическому графику. Вероятно, играют роль другие факторы, такие как температура, электрические / магнитные поля и пространственные особенности.

Если внешние силы влияют на локальные минимумы энергии во время складывания, это может повлиять на процесс и конечный продукт. Как скорость автомобиля, едущего по дороге, влияет на безопасность поездки, так и энергетические соображения влияют на процесс складывания и направляют его, что в некоторых случаях приводит к появлению полностью функциональных, правильно сложенных белков и ошибочно сложенных «ошибок» в других.

Застрял

По мере того, как процесс складывания приближается к минимуму энергии (нижняя часть воронки на Рисунке 2.44), белок может «застрять» в любом из локальных минимумов и не достичь конечного свернутого состояния. Хотя свернутое состояние, как правило, более организовано и, следовательно, имеет меньшую энтропию, чем развернутое состояние, существуют две силы, которые преодолевают уменьшение энтропии и продвигают процесс вперед.

Первый — это величина уменьшения энергии, как показано на графике. Поскольку ΔG = ΔH -TΔS, уменьшение ΔH может преодолеть отрицательное значение ΔS, чтобы сделать ΔG отрицательным и подтолкнуть процесс складывания вперед.Благоприятные (пониженные) энергетические условия возникают с образованием ионных связей, водородных связей, дисульфидных связей и металлических связей во время процесса сворачивания. Кроме того, гидрофобный эффект увеличивает энтропию, позволяя гидрофобным аминокислотам внутри свернутого белка исключать воду, тем самым противодействуя влиянию упорядочения структуры белка, делая ΔS менее отрицательным.

Прогноз структуры

Компьютерные программы очень хорошо предсказывают вторичную структуру исключительно на основе аминокислотной последовательности, но с трудом определяют третичную структуру с использованием той же информации.Частично это связано с тем, что вторичные структуры имеют повторяющиеся точки стабилизации на основе геометрии, и любая регулярная вторичная структура (например, α-спираль) очень мало меняется от одной к другой. Однако складчатые структуры имеют огромное количество возможных структур, как показывает парадокс Левинталя.

Спектроскопия

Из-за нашей неспособности точно предсказать третичную структуру на основе аминокислотной последовательности, структуры белков фактически определяются с использованием методов спектроскопии.В этих подходах белки подвергаются различным формам электромагнитного излучения, и способы их взаимодействия с излучением позволяют исследователям определять координаты атомов с разрешением Ангстрема по плотности электронов (см. Рентгеновскую кристаллографию) и тому, как взаимодействуют спины ядер (см. ЯМР).

Парадокс Левинталя

В конце 1960-х Сайрус Левинталь обрисовал масштабы сложности проблемы сворачивания белка. Он указал, что для белка из 100 аминокислот он будет иметь 99 пептидных связей и 198 соображений для углов φ и ψ.Если бы каждая из них имела только три конформации, это привело бы к 3198 различным возможным сверткам или 2,95×1094.

Даже если учесть разумное количество времени (одна наносекунда) для каждой возможной складки, потребуется больше времени, чем возраст Вселенной, чтобы выбрать все из них, что ясно означает, что процесс складывания не происходит путем последовательной случайной выборки. и что попытки определить структуру белка путем случайной выборки были обречены на провал. Левинталь, следовательно, предположил, что сворачивание происходит в результате последовательного процесса, который начинается с события зародышеобразования, которое быстро направляет процесс и мало чем отличается от воронкообразного процесса, изображенного на рисунке 2.44.

Болезни неправильного сворачивания белков

. Правильная укладка белков важна для их функции. Отсюда следует, что неправильная укладка белков (также называемая протеопатией) может иметь последствия. В некоторых случаях это может просто привести к неактивному белку. Неправильная упаковка белков также играет роль при многих заболеваниях, таких как коровье бешенство, болезнь Альцгеймера, болезнь Паркинсона и болезнь Крейтцфельда-Якоба.Многие, но не все заболевания неправильной укладки поражают ткани мозга.

Нерастворимые отложения

Неправильно свернутые белки обычно образуют агрегаты, называемые амилоидами, которые вредны для тканей, содержащих их, потому что они меняют свой цвет с растворимых на нерастворимые в воде и образуют отложения. Процесс неправильного свертывания (рис. 2.45) не совсем ясен, но во многих случаях было продемонстрировано, что «затравочный» белок, который неправильно свернут, может вызывать такое же неправильное свертывание в других копиях того же белка.Эти протеины семян известны как прионы, и они действуют как инфекционные агенты, приводя к распространению болезни. Список заболеваний человека, связанных с неправильной упаковкой белков, длинен и продолжает расти. Ссылка на Википедию ЗДЕСЬ.

Прионы

Прионы — это инфекционные белковые частицы, вызывающие трансмиссивные губчатые энцефалопатии (TSE), наиболее известной из которых является коровье бешенство. Другие проявления включают болезнь, скрепи, у овец и болезни человека, такие как болезнь Крейтцфельда-Якоба (CJD), фатальная семейная бессонница и куру.Белок, участвующий в этих заболеваниях, — это мембранный белок, называемый PrP. PrP закодирован в геноме многих организмов и содержится в большинстве клеток организма. PrPc — это название, данное структуре PrP, которая является нормальной и не связана с заболеванием. PrPSc — это название неправильно свернутой формы того же белка, которое связано с развитием симптомов заболевания (рис. 2.45).

Неправильно сложено

Неправильно свернутый PrPSc связан с заболеваниями TSE и действует как инфекционная частица.Третья форма PrP, называемая PrPres, может быть обнаружена в TSE, но не заразна. «Res» PrPres указывает на то, что он устойчив к протеазам. Стоит отметить, что все три формы PrP имеют одинаковую аминокислотную последовательность и отличаются друг от друга только способами складывания полипептидных цепей. Наиболее опасно неправильно свернутой формой PrP является PrPSc из-за его способности действовать как инфекционный агент — затравочный белок, который может вызывать неправильную укладку PrPc, тем самым превращая его в PrPSc.

Функция

Функция PrPc неизвестна. Мыши, лишенные гена PrP, не имеют серьезных отклонений. У них действительно проявляются проблемы с долговременной памятью, что указывает на функцию PrPc. Стэнли Прусинер, открывший прионы и придумавший этот термин, получил Нобелевскую премию по медицине в 1997 году за свою работу. Я думаю, что если бы я случайно оказался на протеине А, составляющем прион, я бы его скрутил и, ради бога, не дай ему делать ошибки складывания

Амилоиды

Амилоиды — это совокупность неправильно свернутых белковых агрегатов, обнаруженных в организме человека.Вследствие неправильной укладки они нерастворимы и вызывают около двадцати заболеваний человека, включая важные неврологические, связанные с прионами. Заболевания включают (пораженный белок в скобках) — болезнь Альцгеймера (амилоид β), болезнь Паркинсона (α-синуклеин), болезнь Хантингтона (хантингтин), ревматоидный артрит (сывороточный амилоид A), фатальную семейную бессонницу (PrPSc) и другие.

Аминокислотная последовательность играет роль в амилоидогенезе. Полипептиды, богатые глутамином, часто встречаются в прионах дрожжей и человека.Тринуклеотидные повторы важны при болезни Хантингтона. Если последовательность не является фактором, гидрофобная ассоциация между β-листами может играть роль.

Амилоид β

Amyloid β относится к совокупности небольших белков (36-43 аминокислоты), которые, по-видимому, играют роль в болезни Альцгеймера. (Другим фактором является тау-белок.) Фактически, они являются основными компонентами амилоидных бляшек, обнаруживаемых в головном мозге пациентов, страдающих этим заболеванием, и возникают в результате протеолитического расщепления более крупного гликопротеина-предшественника амилоида, называемого амилоидным предшественником белка, интегральной мембраны. белок нервных клеток, функция которых неизвестна.Эту функцию выполняют две протеазы, β-секретаза и γ-секретаза. Амилоидные β-белки неправильно свернуты и, по-видимому, вызывают неправильную укладку других белков и, таким образом, преципитируют и образуют амилоид, характерный для этого заболевания. Бляшки токсичны для нервных клеток и вызывают деменцию, характерную для этого заболевания.

Считается, что агрегация белков амилоида β во время неправильной укладки приводит к генерации активных форм кислорода, и что это является средством, с помощью которого нейроны повреждаются.Неизвестно, какова реальная функция амилоида β. Аутосомно-доминантные мутации в белке приводят к раннему началу заболевания, но это происходит не более чем в 10% случаев. Стратегии лечения заболевания включают ингибирование секретаз, которые генерируют пептидные фрагменты из белка-предшественника амилоида.

Хантингтин

Хантингтин является центральным геном болезни Хантингтона. Белок, сделанный из него, богат глутамином, с 6-35 такими остатками в форме дикого типа.При болезни Хантингтона этот ген мутирует, увеличивая количество глутаминов в мутантном белке от 36 до 250. Размер белка зависит от количества глутаминов в мутантном белке, но белок дикого типа содержит более 3100 аминокислот. кислоты и молекулярный вес около 350 000 Да. Его точная функция неизвестна, но хантингтин содержится в нервных клетках, причем самый высокий уровень находится в мозге. Считается, что он, возможно, играет роль в транспорте, передаче сигналов и защите от апоптоза.Хантингтин также необходим для раннего эмбрионального развития. Внутри клетки хантингтин локализован в основном в микротрубочках и везикулах.

Тринуклеотидный повтор

Ген хантингтина содержит множество копий последовательности CAG (называемой тринуклеотидными повторами), которая кодирует множество глутаминов в белке. Болезнь Хантингтона возникает, когда при копировании ДНК гена образуются дополнительные копии последовательности CAG. Расширение повторяющихся последовательностей может происходить из-за скольжения полимеразы относительно матрицы ДНК во время репликации.В результате могут быть созданы несколько дополнительных копий тринуклеотидного повтора, в результате чего будут получены белки с различным числом остатков глутамина. Без проблем можно выдержать до 35 повторов. Однако количество повторов может увеличиваться в течение жизни человека по тому же механизму. Люди с 36-40 повторами начинают проявлять признаки болезни, а если их больше 40, болезнь будет присутствовать.

Молекулярные шапероны

Важность правильного сворачивания белков подчеркивается заболеваниями, связанными с неправильным сворачиванием белков, поэтому неудивительно, что клетки расходуют энергию для облегчения правильного сворачивания белков.Клетки используют два класса белков, известных как молекулярные шапероны, для облегчения такого складывания в клетках. Молекулярные шапероны бывают двух видов: шапероны и шаперонины. Примером первой категории является класс белков Hsp70. Hsp означает «белок теплового шока», исходя из того факта, что эти белки впервые были обнаружены в больших количествах в клетках, которые на короткое время подвергались воздействию высоких температур. Hsps помогает клеткам при стрессах, возникающих в результате теплового шока и воздействия окислительных условий или токсичных тяжелых металлов, таких как кадмий и ртуть.Однако они также играют важную роль в нормальных условиях, когда они способствуют правильной укладке полипептидов, предотвращая аберрантные взаимодействия, которые могут привести к неправильной укладке или агрегации. Белки Hsp70 обнаружены почти во всех клетках и используют гидролиз АТФ, чтобы стимулировать структурные изменения формы шаперона, чтобы приспособиться к связыванию белков-субстратов. Связывающий домен Hsp70s содержит структуру β-бочонка, которая обвивает полипептидную цепь субстрата и имеет сродство к гидрофобным боковым цепям аминокислот.Как показано на рисунке 2.50, Hsp70 связывается с полипептидами, когда они выходят из рибосом во время синтеза белка. Связывание субстрата стимулирует гидролиз АТФ, чему способствует другой белок теплового шока, известный как Hsp40. Гидролиз АТФ заставляет Hsp70 принимать закрытую конформацию, которая помогает экранировать открытые гидрофобные остатки и предотвращать агрегацию или локальную неправильную укладку.

После завершения синтеза белка АДФ высвобождается и заменяется АТФ, что приводит к высвобождению белка-субстрата, который затем позволяет полипептиду полной длины правильно складываться.

При тепловом шоке

Во время теплового шока или окислительного стресса белки Hsp70 связываются с развернутыми гидрофобными областями белков, аналогичным образом предотвращая их агрегацию и позволяя им правильно складываться. Когда белки повреждены, Hsp70 привлекает ферменты, которые убиквитинируют поврежденный белок, чтобы нацелить их на разрушение в протеасомах. Таким образом, белки Hsp70 играют важную роль не только в том, чтобы белки были правильно уложены, но и в том, что поврежденные или нефункциональные белки удаляются путем деградации в протеасоме.

шаперонины

Второй класс белков, участвующих в помощи другим белкам в правильной укладке, известен как шаперонины. Есть две основные категории шаперонинов — класс I (обнаруженный в бактериях, хлоропластах и ​​митохондриях) и класс II (обнаруженный в цитозоле эукариот и архебактерий). Наиболее изученными шаперонинами являются сложные белки GroEL / GroES, обнаруженные в бактериях (рис. 2.51).

GroEL / GroES, возможно, не в состоянии отменить агрегированные белки, но, облегчая правильную укладку, она обеспечивает конкуренцию за неправильную укладку как процесс и может уменьшить или устраните проблемы, возникающие из-за неправильного складывания.GroEL представляет собой 14-мерное кольцо с двойным кольцом с гидрофобной областью, которое может способствовать складыванию субстратов размером 15-60 кДа. GroES — это одиночный гептамер, который связывается с GroEL в присутствии АТФ и действует как прикрытие над GroEL. Гидролиз АТФ шаперонинами вызывает большие конформационные изменения, которые влияют на связывание субстратных белков и их укладку. Точно неизвестно, как шаперонины сворачивают белки. Пассивные модели постулируют, что шаперониновый комплекс функционирует инертно, предотвращая неблагоприятные межмолекулярные взаимодействия или накладывая ограничения на пространства, доступные для возникновения складок.Активные модели предполагают, что структурные изменения в комплексе шаперонина вызывают структурные изменения в белке-субстрате.

Расщепление белков

Другой белковый комплекс, который играет важную роль в динамике продолжительности жизни белков, — это протеасома (рис. 2.52). Протеасомы, обнаруженные у всех эукариот и архей, а также у некоторых бактерий, разрушают ненужные или поврежденные белки путем протеолитической деградации.Протеасомы помогают регулировать концентрацию некоторых белков и разрушать те, которые неправильно свернуты. Путь протеасомной деградации играет важную роль в клеточных процессах, которые включают прохождение клеточного цикла, модуляцию экспрессии генов и ответ на окислительный стресс.

Деградация в протеасоме дает короткие пептиды длиной от семи до восьми аминокислот. Важную роль играют треониновые протеазы. Распад этих пептидов дает отдельные аминокислоты, облегчая их рециклинг в клетках.Белки нацелены на деградацию в протеасомах эукариот путем присоединения к множеству копий небольшого белка, называемого убиквитином (8,5 кДа — 76 аминокислот). Фермент, катализирующий реакцию, известен как убиквитинлигаза. Образовавшаяся полиубиквитиновая цепь связывается протеасомой, и начинается деградация. Убиквитин получил свое название из-за того, что он повсеместно обнаруживается в эукариотических клетках.

Убиквитин

Убиквитин (Рисунок 2.53) представляет собой небольшой (8,5 кДа) многофункциональный белок, обнаруженный в эукариотических клетках. Обычно он добавляется к белкам-мишеням под действием ферментов убиквитинлигазы (E3 на рисунке 2.54). Могут быть добавлены одна (убиквитинирование) или несколько (полиубиквитинирование) молекул убиквитина. Присоединение убиквитина происходит через боковую цепь одного из семи различных остатков лизина в убиквитине.

Добавление убиквитина к белкам имеет множество эффектов, наиболее известным из которых является нацеливание белка на деградацию в протеасоме.Протеасомное нацеливание наблюдается, когда полиубиквитинирование происходит по лизинам №29 и 48. Полиубиквитинирование или моноубиквитинирование по другим лизинам может приводить к измененному клеточному расположению и измененным межбелковым взаимодействиям. Последние могут влиять на воспаление, перенос эндоцитов, трансляцию и репарацию ДНК.

Нарушение функции убиквитинлигазы

Паркин — это белок, связанный с болезнью Паркинсона, который при мутации связан с наследственной формой заболевания, называемой аутосомно-рецессивной ювенильной болезнью Паркинсона.Функция белка неизвестна, но он является компонентом системы убиквитинлигазы E3, ответственной за перенос убиквитина от белка E2 к боковой цепи лизина на белке-мишени. Считается, что мутации в паркине приводят к протеасомной дисфункции и, как следствие, неспособности расщеплять белки, вредные для дофаминергических нейронов. Это приводит к гибели или нарушению работы этих нейронов, что приводит к болезни Паркинсона.

Внутренне неупорядоченные белки

Фильм 2.1 — Динамическое движение цитохрома C в растворе Wikipedia

Как видно из множества примеров, описанных в другом месте книги, трехмерная структура белков важна для их функции. Но становится все более очевидным, что не все белки складываются в стабильную структуру. Исследования так называемых внутренне неупорядоченных белков (IDP) за последние несколько десятилетий показали, что многие белки являются биологически активными, даже если они не могут складываться в стабильные структуры.Тем не менее, другие белки демонстрируют области, которые остаются развернутыми (области IDP), даже когда остальная часть полипептида складывается в структурированную форму.

Внутренне неупорядоченные белки и неупорядоченные области внутри белков были известны уже много лет, но рассматривались как аномалия. Только недавно, с осознанием того, что IDP и IDP области широко распространены среди эукариотических белков, было признано, что наблюдаемое нарушение является «особенностью, а не ошибкой».

Фильм 2.2 SUMO-1, белок с внутренне неупорядоченными участками Wikipedia

Сравнение IDP показывает, что у них общие характеристики последовательности, которые, по-видимому, благоприятствуют их неупорядоченному состоянию. То есть, подобно тому, как некоторые аминокислотные последовательности могут способствовать сворачиванию полипептида в конкретную структуру, аминокислотные последовательности IDP способствуют тому, чтобы они оставались развернутыми. Видно, что области IDP содержат мало гидрофобных остатков и необычно богаты полярными остатками и пролином. Присутствие большого количества заряженных аминокислот в IDP может ингибировать фолдинг за счет отталкивания зарядов, в то время как отсутствие гидрофобных остатков затрудняет формирование стабильного гидрофобного ядра, а пролин препятствует образованию спиральных структур.Наблюдаемые различия между аминокислотными последовательностями в IDP и структурированных белках были использованы для разработки алгоритмов для прогнозирования того, будет ли данная аминокислотная последовательность неупорядоченной.

Какое значение имеют внутренне неупорядоченные белки или области? Тот факт, что это свойство закодировано в их аминокислотных последовательностях, предполагает, что их нарушение может быть связано с их функцией. Гибкая, мобильная природа некоторых IDP-регионов может играть решающую роль в их функции, позволяя переход к складчатой ​​структуре при связывании с белком-партнером или при посттрансляционной модификации.Некоторые ответы можно найти в исследованиях нескольких хорошо известных белков с участками IDP. Области IDP могут повышать способность белков, подобных lac-репрессору, перемещаться по ДНК для поиска специфических сайтов связывания. Гибкость IDP также может быть преимуществом во взаимодействиях белок-белок, особенно для белков, которые, как известно, взаимодействуют со многими различными белками-партнерами.

Например, р53 имеет области IDP, которые могут позволить белку взаимодействовать с множеством функциональных партнеров.Сравнение известных функций белков с предсказаниями нарушений в этих белках предполагает, что IDP и области IDP могут непропорционально функционировать в передаче сигналов и регуляции, в то время как более структурированные белки смещены в сторону катализа и транспорта. Интересно, что многие белки, обнаруженные как в рибосомах, так и в сплайсосомах, имеют IDP-области, которые могут играть роль в правильной сборке этих комплексов. Несмотря на то, что ВПЛ не изучались интенсивно в течение очень долгого времени, то немногое, что о них известно, предполагает, что они играют важную и недооцененную роль в клетках.

Метаморфические белки

Другая группа белков, которая недавно изменила наше представление о структуре и функции белков, — это так называемые метаморфические белки. Эти белки способны образовывать более одного стабильного свернутого состояния, начиная с одной аминокислотной последовательности. Хотя это правда, что множественные свернутые конформации не исключаются законами физики и химии, метаморфические белки — относительно новое открытие. Конечно, было известно, что прионные белки способны складываться в альтернативные структуры, но метаморфические белки, по-видимому, могут переключаться между двумя стабильными структурами.Хотя в некоторых случаях метаморфный белок подвергается этому переключению в ответ на связывание другой молекулы, некоторые белки могут выполнять этот переход самостоятельно. Интересный пример — сигнальная молекула лимфотактин. Лимфотактин выполняет две биологические функции, которые выполняются двумя его конформерами — мономерной формой, связывающей рецептор лимфотактина, и димерной формой, связывающей гепарин. Возможно, такое переключение более распространено, чем предполагалось.

Рефолдинг денатурированных белков

Вся информация о фолдинге белка содержится в аминокислотной последовательности белка.Тогда может показаться любопытным, что большинство белков не сворачиваются в свою правильную, полностью активную форму после того, как они были денатурированы +++ и денатурант удален. На самом деле некоторые так и поступают. Хорошим примером является бычья рибонуклеаза (рис. 2.55). Его каталитическая активность очень устойчива к воздействию тепла и мочевины, и попытки денатурировать его не очень хорошо. Однако, если обработать фермент β-меркаптоэтанолом (который разрывает дисульфидные связи) перед обработкой мочевиной и / или нагреванием, активность теряется, что указывает на то, что ковалентные дисульфидные связи помогают стабилизировать общую структуру фермента, и когда они разрываются, денатурация может легко произойти.Когда смесь снова остывает до комнатной температуры, со временем некоторая активность ферментов снова появляется, указывая на то, что рибонуклеаза снова свернулась в новых условиях.

Интересно, что ренатурация произойдет максимально, если во время процесса в растворе останется небольшое количество β-меркаптоэтанола. Причина этого в том, что β-меркаптоэтанол позволяет восстанавливать (и разрушать) случайные неправильные дисульфидные связи во время процесса складывания. Без него эти дисульфидные связи будут препятствовать образованию правильных складок.

Необратимая денатурация

Однако большинство ферментов не ведут себя как бычья рибонуклеаза. После денатурирования их активность не может быть восстановлена ​​до какой-либо значительной степени. Существует не так много способов инактивации РНКазы. Она стабильна как в горячем, так и в холодном состоянии, потому что дисульфиды плотно удерживаются. Если вы хотите, чтобы она остановилась, используйте горячий меркаптоэтанол. Это может показаться противоречащим идее о том, что информация о сворачивании является неотъемлемой частью последовательности аминокислот в белке.Это не.

Большинство ферментов не восстанавливаются должным образом после денатурации по двум причинам. Во-первых, нормальное сворачивание может происходить по мере образования белков. Взаимодействия между аминокислотами на ранней стадии синтеза не «сбиваются с толку» взаимодействиями с аминокислотами на более поздних этапах синтеза, потому что эти аминокислоты не присутствуют в начале процесса.

Роль шаперонинов

В других случаях процесс сворачивания некоторых белков в клетке зависел от действия белков-шаперонинов (см. ЗДЕСЬ).В отсутствие шаперонинов происходят взаимодействия, которые могут приводить к неправильной укладке, что препятствует правильной укладке. Таким образом, раннее сворачивание и помощь шаперонинов устраняют некоторые потенциальные взаимодействия «неправильного сворачивания», которые могут происходить, если вся последовательность присутствует в момент начала сворачивания.

Четвертичная структура

Четвертый уровень структуры белка — это четвертичная структура. Это относится к структурам, которые возникают в результате взаимодействий между множеством полипептидов.Единицы могут быть идентичными множественными копиями или могут быть разными полипептидными цепями. Гемоглобин взрослого человека является хорошим примером белка с четвертичной структурой, состоящего из двух идентичных цепей, называемых α, и двух идентичных цепей, называемых β.

Хотя α-цепи очень похожи на β-цепи, они не идентичны. Как α-, так и β-цепи также связаны с одной полипептидной цепью в родственном белке, называемом миоглобином. И миоглобин, и гемоглобин имеют сходство в связывании кислорода, но их поведение по отношению к молекуле значительно различается.Примечательно, что множественные субъединицы гемоглобина (с четвертичной структурой) по сравнению с одиночной субъединицей миоглобина (без четвертичной структуры) вызывают эти различия.

Список литературы

1. https://en.wikipedia.org/wiki/Van_der_W aals_force 105

Что такое белки и для чего они нужны ?: MedlinePlus Genetics

Белки — это большие сложные молекулы, которые играют важную роль в организме. Они выполняют большую часть работы в клетках и необходимы для структуры, функции и регулирования тканей и органов тела.

Белки состоят из сотен или тысяч более мелких единиц, называемых аминокислотами, которые связаны друг с другом длинными цепями. Существует 20 различных типов аминокислот, которые можно комбинировать для получения белка. Последовательность аминокислот определяет уникальную трехмерную структуру каждого белка и его конкретную функцию. Аминокислоты кодируются комбинациями трех строительных блоков ДНК (нуклеотидов), определяемых последовательностью генов.

Белки можно описать в соответствии с их широким спектром функций в организме, перечисленных в алфавитном порядке:

Незаменимые аминокислоты: таблица, сокращения и структура

Аланин, обнаруженный в белке в 1875 году, составляет 30% остатков в шелке.Его низкая реакционная способность способствует простой, удлиненной структуре шелка с небольшим количеством поперечных связей, что придает волокнам прочность, сопротивление растяжению и гибкость. В биосинтезе белков участвует только l-стереоизомер.

В организме человека аргинин вырабатывается при переваривании белков. Затем он может быть преобразован человеческим организмом в оксид азота, химическое вещество, которое, как известно, расслабляет кровеносные сосуды.

Благодаря своему сосудорасширяющему действию аргинин был предложен для лечения людей с хронической сердечной недостаточностью, высоким уровнем холестерина, нарушением кровообращения и высоким кровяным давлением, хотя исследования по этим направлениям все еще продолжаются.Аргинин также может быть получен синтетическим путем, и родственные аргинину соединения можно использовать для лечения людей с дисфункцией печени из-за их роли в стимулировании регенерации печени. Хотя аргинин необходим для роста, но не для поддержания организма, исследования показали, что аргинин имеет решающее значение для процесса заживления ран, особенно у людей с плохим кровообращением.

В 1806 году аспарагин был очищен из сока спаржи, что сделало его первой аминокислотой, выделенной из природного источника.Однако только в 1932 году ученые смогли доказать, что аспарагин присутствует в белках. Только l-стереоизомер участвует в биосинтезе белков млекопитающих. Аспарагин важен для удаления токсичного аммиака из организма.

Обнаруженная в белках в 1868 году аспарагиновая кислота обычно содержится в белках животных, однако только l-стереоизомер участвует в биосинтезе белков. Растворимость этой аминокислоты в воде обусловлена ​​наличием рядом с активными центрами ферментов, таких как пепсин.

Цистеин особенно богат белками волос, копыт и кератином кожи, он был выделен из мочевого камня в 1810 году и из рога в 1899 году. Впоследствии он был химически синтезирован. и структура решена в 1903–1904 гг.

Серосодержащая тиоловая группа в боковой цепи цистеина является ключевой для его свойств, обеспечивая образование дисульфидных мостиков между двумя пептидными цепями (как в случае с инсулином) или образование петли в одной цепи, влияя на окончательную структуру белка.Две молекулы цистеина, связанные между собой дисульфидной связью, составляют аминокислоту цистин, которая иногда указывается отдельно в общих списках аминокислот. Цистеин вырабатывается в организме из серина и метионина и присутствует только в l-стереоизомере в белках млекопитающих.

Люди с генетическим заболеванием цистинурия не могут эффективно реабсорбировать цистин в кровоток. Следовательно, в их моче накапливается высокий уровень цистина, где он кристаллизуется и образует камни, которые блокируют почки и мочевой пузырь.

Глутамин был впервые выделен из свекольного сока в 1883 году, выделен из белка в 1932 году и впоследствии химически синтезирован в следующем году. Глютамин — самая распространенная в нашем организме аминокислота, которая выполняет несколько важных функций. У людей глутамин синтезируется из глутаминовой кислоты, и этот этап преобразования жизненно важен для регулирования уровня токсичного аммиака в организме, образуя мочевину и пурины.

Глутаминовая кислота была выделена из пшеничного глютена в 1866 году и химически синтезирована в 1890 году.Обычно встречается в белках животных, только l-стереоизомер встречается в белках млекопитающих, которые люди способны синтезировать из обычного промежуточного соединения α-кетоглутаровой кислоты. Мононатриевая соль l-глутаминовой кислоты, глутамат натрия (MSG) обычно используется в качестве приправы и усилителя вкуса. Карбоксильная боковая цепь глутаминовой кислоты способна действовать как донор и акцептор аммиака, который токсичен для организма, обеспечивая безопасную транспортировку аммиака в печень, где он превращается в мочевину и выводится почками.Свободная глутаминовая кислота также может разлагаться до диоксида углерода и воды или превращаться в сахара.

Глицин был первой аминокислотой, выделенной из белка, в данном случае желатина, и единственной неактивной оптически (без d- или l-стереоизомеров). Структурно простейшая из α-аминокислот, она очень инертна при включении в белки. Тем не менее, глицин играет важную роль в биосинтезе аминокислоты серина, кофермента глутатиона, пуринов и гема, жизненно важной части гемоглобина.

Гистидин был выделен в 1896 году, и его структура была подтверждена химическим синтезом в 1911 году. Гистидин является прямым предшественником гистамина, а также важным источником углерода в синтезе пуринов. При включении в белки боковая цепь гистидина может действовать как акцептор и донор протонов, передавая важные свойства при объединении с ферментами, такими как химотрипсин, и ферментами, участвующими в метаболизме углеводов, белков и нуклеиновых кислот.

Для младенцев гистидин считается незаменимой аминокислотой, взрослые могут в течение короткого времени обходиться без диетического питания, но по-прежнему считается незаменимой.

Изолейцин был выделен из патоки свекловичного сахара в 1904 году. Гидрофобная природа боковой цепи изолейцина важна для определения третичной структуры белков, в которые он включен.

У людей, страдающих редким наследственным заболеванием, называемым болезнью мочи кленового сиропа, есть дефектный фермент в пути разложения, который является общим для изолейцина, лейцина и валина.Без лечения метаболиты накапливаются в моче пациента, вызывая характерный запах, который и дал название состоянию.

Лейцин был выделен из сыра в 1819 году и из мышц и шерсти в кристаллическом состоянии в 1820 году. В 1891 году он был синтезирован в лаборатории.

Только l-стереоизомер появляется в белке млекопитающих и может расщепляться на более простые соединения ферментами организма. Некоторые связывающие ДНК белки содержат области, в которых лейцины расположены в конфигурации, называемые лейциновыми застежками-молниями.

Лизин был впервые выделен из казеина молочного белка в 1889 году, а его структура была выяснена в 1902 году. Лизин важен для связывания ферментов с коферментами и играет важную роль в функционировании гистонов.

Многие зерновые культуры содержат очень мало лизина, что привело к его дефициту у некоторых групп населения, которые сильно зависят от них в продуктах питания, а также у вегетарианцев и людей, сидящих на низкожирной диете. Следовательно, были предприняты усилия по разработке штаммов кукурузы, богатых лизином.

Метионин был выделен из казеина молочного белка в 1922 году, и его структура была решена путем лабораторного синтеза в 1928 году. Метионин является важным источником серы для многих соединений в организме, включая цистеин и таурин. Связанный с содержанием серы, метионин помогает предотвратить накопление жира в печени и помогает выводить токсины и шлаки метаболизма.

Метионин — единственная незаменимая аминокислота, которая не присутствует в значительных количествах соевых бобов и поэтому производится коммерчески и добавляется во многие продукты из соевого шрота.

Фенилаланин был впервые выделен из природного источника (ростки люпина) в 1879 году и впоследствии химически синтезирован в 1882 году. Организм человека обычно способен расщеплять фенилаланин на тирозин, однако у людей с наследственным заболеванием фенилкетонурия (PKU), фермент, который выполняет это преобразование, неактивен. Если не лечить, фенилаланин накапливается в крови, вызывая задержку умственного развития у детей. Примерно 10 000 детей рождаются с этим заболеванием, поэтому диета с низким содержанием фенилаланина в раннем возрасте может облегчить его последствия.

В 1900 году пролин был синтезирован химическим путем. На следующий год он был выделен из казеина из молочного белка, и его структура оказалась такой же. Люди могут синтезировать пролин из глутаминовой кислоты, которая присутствует только как l-стереоизомер в белках млекопитающих. Когда пролин включается в белки, его особая структура приводит к резким изгибам или перегибам в пептидной цепи, что в значительной степени способствует окончательной структуре белка. Пролин и его производное гидроксипролин составляют 21% аминокислотных остатков волокнистого белка коллагена, необходимого для соединительной ткани.

Серин был впервые выделен из белка шелка в 1865 году, но его структура не была установлена ​​до 1902 года. Люди могут синтезировать серин из других метаболитов, включая глицин, хотя только l-стереоизомер присутствует в белках млекопитающих. Серин важен для биосинтеза многих метаболитов и часто важен для каталитической функции ферментов, в которые он включен, включая химотрипсин и трипсин.

Нервные газы и некоторые инсектициды действуют путем объединения с остатком серина в активном центре ацетилхолинэстеразы, полностью подавляя фермент.Активность эстеразы важна для расщепления нейромедиатора ацетилхолина, в противном случае повышается опасно высокий уровень, что быстро приводит к судорогам и смерти.

Треонин был выделен из фибрина в 1935 году и синтезирован в том же году. Только l-стереоизомер появляется в белках млекопитающих, где он относительно инертен. Хотя он играет важную роль во многих реакциях у бактерий, его метаболическая роль у высших животных, включая человека, остается неясной.

Структура триптофана, выделенная из казеина (молочного белка) в 1901 году, была установлена ​​в 1907 году, но только l-стереоизомер присутствует в белках млекопитающих. В кишечнике человека бактерии расщепляют пищевой триптофан, выделяя такие соединения, как скатол и индол, которые придают фекалиям неприятный аромат. Триптофан превращается в витамин B3 (также называемый никотиновой кислотой или ниацином), но не в достаточной степени, чтобы поддерживать наше здоровье. Следовательно, мы также должны принимать витамин B3, несоблюдение этого правила приводит к его дефициту, называемому пеллагрой.

В 1846 году тирозин был выделен в результате разложения казеина (сырного белка), после чего он был синтезирован в лаборатории, а его структура была определена в 1883 году. Присутствует только в l-стереоизомере в белки млекопитающих, люди могут синтезировать тирозин из фенилаланина. Тирозин является важным предшественником гормонов надпочечников адреналина и норадреналина, гормонов щитовидной железы, включая тироксин, а также пигмента волос и кожи меланина.В ферментах остатки тирозина часто связаны с активными центрами, изменение которых может изменить специфичность фермента или полностью уничтожить активность.

Страдающие тяжелым генетическим заболеванием фенилкетонурией (ФКУ) не могут преобразовать фенилаланин в тирозин, в то время как у пациентов с алкаптонурией метаболизм тирозина нарушен, и моча становится отчетливой и темнеет при контакте с воздухом.

Структура валина была установлена ​​в 1906 году после его первого выделения из альбумина в 1879 году.В белке млекопитающих появляется только l-стереоизомер. Валин может разлагаться в организме на более простые соединения, но у людей с редким генетическим заболеванием, называемым болезнью мочи кленового сиропа, неисправный фермент прерывает этот процесс и может оказаться фатальным при отсутствии лечения.

«Периодическая таблица» белков помогает понять структуру

«Периодическая таблица» белков помогает понять структуру

Роберт Сандерс, специалист по связям со СМИ | 18 февраля 2003 г.,

БЕРКЛИ — Ученые из Калифорнийского университета в Беркли и Национальной лаборатории Лоуренса Беркли сделали первый удар по «периодической таблице» белковых структур — организованной карте строительных блоков, которые снова и снова используются для построения миллиардов сложные белки, из которых состоит жизнь на Земле.

Трехмерная карта отображает сходства и различия между строительными блоками, позволяя ученым визуализировать вселенную возможных белковых структур — множество возможных поворотов, поворотов и складок — и увидеть эволюционные изменения, которые могли произойти со временем.Карта может помочь им понять взаимосвязь между всеми белками в природе так же, как периодическая таблица элементов дала химикам основу для понимания взаимосвязи молекул.

«Это очень хороший способ организовать и визуализировать всю белковую вселенную», — сказал Сунг-Хоу Ким, профессор химии Калифорнийского университета в Беркли и глава отдела структурной биологии Отделения физических биологических наук Национальной лаборатории Лоуренса Беркли.«Основное влияние этого исследования будет концептуальным, дающим глобальное представление о структуре белка и о том, как могли развиваться различные структуры».

Поскольку понимание молекулярных функций белков является ключом к пониманию клеточных функций, карта открывает перспективы для ряда областей биологии и биомедицинских исследований, включая разработку более эффективных фармацевтических препаратов с меньшим количеством побочных эффектов, сказал Ким.

«Эту карту можно использовать, чтобы помочь разработать лекарство, действующее на конкретный белок, и определить, на какие другие белки с похожей структурой это лекарство также может повлиять», — сказал он.

Ким и его коллеги, аспиранты Калифорнийского университета в Беркли Цзинтун Хоу и Грегори Симс, а также научный сотрудник Чао Чжан опубликовали свою карту на этой неделе в раннем онлайн-выпуске Proceedings of the National Academy of Sciences (PNAS). Статья будет размещена на веб-сайте PNAS где-то между 18 и 21 февраля.

Ким является участником инициативы Health Sciences Initiative Калифорнийского университета в Беркли, которая объединяет физические науки вместе с биологическими науками для решения проблем здравоохранения. 21 века.Он также является членом Калифорнийского института количественных биомедицинских исследований (QB3), совместного усилия трех кампусов Калифорнийского университета и частного сектора, использующего количественные науки для интеграции нашего понимания биологических систем на всех уровнях сложности.

По мере того, как количество организмов с полностью секвенированными геномами превышает 100, а к концу года ожидается еще 600, ученые наводнены последовательностями генов для белков. Один только геном человека насчитывает около 40 000 генов.

Тем не менее, последовательности генов — это только отправная точка в понимании организма. Уникальный белок, кодируемый каждым геном, — настоящая рабочая лошадка. Белки — это одновременно и дом, и домработница, функция каждого из которых определяется его трехмерной структурой и тем, как он взаимодействует с другими белками. Однако на сегодняшний день ученым известна структура — складки и изгибы — всего около 20 000 белков самых разных организмов. Среди всех организмов на Земле может быть до триллиона различных белков.

Многие когда-то думали, что, обладая достаточной вычислительной мощностью, ученые в конечном итоге смогут предсказать структуру белка только по аминокислотной последовательности. «Эта цель очень далека от достижения, если это вообще возможно», — сказал Ким.

Как химик структуры белка, Ким исследовал несколько схем предсказания, но отказались от них после того, как поняли, что белки, содержащие всего лишь 10-процентная идентичность в последовательности может иметь почти одинаковую структуру.Вместо этого он начал искать глобальный взгляд на белковую вселенную. это, по крайней мере, позволило бы ему исключить некоторые предсказанные структуры и поиск только в области структур, одобренных природой.

Другие тоже искали принцип организации, каталогизируя типы складок и скручиваний — структурные домены или мотивы, как называет их Ким, — общие для большинства белков. Но ни один из предыдущих результатов нельзя было понять с эволюционной точки зрения.

Метод его группы включал математическое сравнение каждого мотива со всеми остальными мотивами, вычисляя их несходство как меру структурного «расстояния» между данной парой мотивов. Чем меньше сходства, тем больше структурная дистанция пары. Затем группа нашла такое расположение в пространстве, что физическое расстояние между мотивами соответствовало их структурному «расстоянию». На получившейся карте складки или мотивы, наиболее похожие друг на друга, структурно связанные, оказываются рядом друг с другом.

Хотя структурные биологи предсказывают, что может быть 10 000 или более различных мотивов или строительных блоков, только около 1000 в настоящее время распознаются из 20 000 известных белковых структур. Поскольку задействованные вычисления были очень интенсивными, группа Кима выбрала для «картирования» подмножество из них — 500 наиболее распространенных мотивов, которые являются строительными блоками примерно 80 процентов всех известных белковых структур.

«Я предполагаю, что три четверти белков большинства организмов имеют структурные мотивы среди этих 500», — сказал он.Мотивы представляют собой существенные различия в складывании. Альфа-спираль — это один из распространенных структурных элементов белковых мотивов, состоящий из спиральной спирали аминокислот, подобной скрученной вправо ленте. Для мотива с двумя спиралями две параллельные спирали представляют собой мотив, отличный от двух антипараллельных спиралей.

Работа с 498 различными мотивами требовала больших вычислительных ресурсов — группа Кима занимала все компьютеры лаборатории более недели для одного набора вычислений — но она предоставила трехмерную карту белковой вселенной, которая удивила даже Кима. По сути, различные мотивы группируются в четыре группы, которые при трехмерном изображении напоминают три сигары, связанные вместе одним концом, причем четвертая сигара выступает из плоскости трех других.Область пересечения трех сигар содержит простые складки, а более сложные складки расположены ближе к концам сигар.

«Я этого не ожидал», — сказал он. «Другие исследования показали три кластера белков, каждый с разными структурными элементами, но в нашем случае мы видим четыре четко разделенных группы, и каждая группа имеет удлиненное распределение, которое показывает, как она могла развиваться.

« Распределение не является случайным. . Развивались только определенные классы. Похоже, что архитектурные ограничения структуры сыграли ограничительную роль в ранней эволюции.»

Один эволюционный путь развился на основе структуры альфа-спирали. Другой путь развился из основного бета-листа, пары расположенных бок о бок цепей аминокислот, стабилизированных связями по их длине. Третий путь представляет собой, по сути, случайное сочетание альфа спирали и бета-листы.

Четвертый путь, который отклоняется от третьего примерно на одну треть пути вдоль своего кластера, кажется, развился позже. Он представляет собой определенное сочетание одной альфа-спирали и двух бета-листов, которые использовались как удобный модуль для создания более крупных белков.

«Если другие мотивы состоят из кирпичей, эта четвертая группа мотивов состоит из готовых блоков из множества кирпичиков, используемых для создания белков», — сказал Ким.

Чтобы увидеть, реальны ли очевидные эволюционные отношения, предложенные картой, Ким и его группа сравнили графики белков трех отдельных организмов. Солеволюбивый микроб Halobacterium из примитивной группы под названием Archea содержал белки с более простыми структурными мотивами, в то время как более развитая бактерия, Chlamydia, имела более сложные мотивы в своих белках.Среди бактерий одна из самых ранних, обитатель горячих источников Аквифекс, не имела такого количества сложных модулей, как хламидия, более развитая бактерия.

«Кажется, на карту встроены нечеткие часы эволюции», — сказал Ким. «Это показывает, что альфа-спирали и бета-листы развиваются рано, затем они начали смешиваться, и, наконец, одна из смесей взлетела».

С точки зрения предсказания структуры неизвестных белков, глобальная карта белков, которую построила группа Кима, показывает типы складок, которые могут существовать в белках, и устраняет многие возможные альтернативы, которые природа никогда не использовала.

Следующая цель Кима — добавить на карту менее распространенные складки или строительные блоки. Фактически, его группа уже добавила намного больше складок и обнаружила, что они занимают ту же самую «оболочку» из четырех удлиненных кластеров в пространстве складок, предполагая, что эта «карта», построенная из 498 наиболее распространенных складок, является хорошим представлением для всех белки. Центр структурного генома в Беркли, которым он руководит, был основан два с половиной года назад вместе с восемью аналогичными центрами в Соединенных Штатах для поиска других 9000 или около того структурных мотивов или семейств во вселенной структур белков.Эти центры финансируются Инициативой по структуре белка Национальных институтов здравоохранения.

Он также хочет взглянуть на карты складок белков многих отдельных организмов, чьи геномы были секвенированы, чтобы увидеть различия в распределении складок белков.

«Это только начало, первое представление о распределении белков. Предстоит еще много заняться добычей полезных ископаемых», — сказал Ким. «Это такой новый способ осмысления белковой вселенной, что некоторым людям трудно это понять.Но другие очарованы этим глобальным взглядом на белковую вселенную ».

Проект финансировался Национальным научным фондом и Национальным институтом здравоохранения через Центр структурного генома Беркли.

Открыта Периодическая таблица белковых комплексов

Новая таблица Менделеева представляет систематический, упорядоченный вид сборки белков, предоставляя визуальный инструмент для понимания биологической функции.[EMBL-EBI / Spencer Phillips]

Переместите Менделеева, в науке появилась новая таблица Менделеева. В отличие от исходной таблицы Менделеева, которая организовывала химические элементы, новая таблица Менделеева организует белковые комплексы или, точнее, топологии четвертичной структуры. Хотя есть и другие различия между старой и новой периодической таблицей, у них есть по крайней мере одна важная особенность — предсказательная сила.

Когда Менделеев представил свою периодическую таблицу, он предсказал, что, когда будут открыты новые химические элементы, они заполнят белые пятна в его таблице.Аналогичные прогнозы делает команда ученых, создавшая новую таблицу Менделеева. Эта команда, состоящая из ученых из кампуса Wellcome Genome и Кембриджского университета, утверждает, что ее периодическая таблица показывает области пространства четвертичной структуры, которые еще предстоит заселить.

Периодическая таблица белковых комплексов не только предлагает новый взгляд на огромное разнообразие структур, которые белки могут создавать в природе, но также указывает, какие структуры могут быть открыты в следующий раз.Более того, это может указать белковых инженеров на совершенно новые структуры, которых никогда не было в природе, но которые можно было бы создать.

Новая таблица появилась 11 декабря в журнале Science в статье, озаглавленной «Принципы сборки раскрывают периодическую таблицу белковых комплексов». «Принципы сборки», упомянутые в этом заголовке, сводятся к трем основным типам сборки: димеризация, циклизация и добавление гетеромерных субъединиц. При димеризации одна субъединица белкового комплекса удваивается и становится двумя; при циклизации — субъединицы белкового комплекса из трех или более кольца; и при добавлении гетеромерной субъединицы два разных белка связываются друг с другом.

Эти шаги, повторяющиеся в различных комбинациях, дают начало огромному количеству белков разных видов. «Эволюция привела к появлению огромного разнообразия белковых комплексов, и это может показаться немного хаотичным», — объяснил Джо Марш, доктор философии, ранее работавший в Геномном кампусе Wellcome, а теперь из Отделения генетики человека MRC Эдинбургского университета. . «Но если вы разберете шаги, предпринимаемые белками для превращения в комплексы, то есть несколько основных правил, которые могут объяснить почти все сборки, которые люди наблюдали до сих пор.”

Авторы статьи в Science отметили, что многие белковые комплексы спонтанно собираются посредством упорядоченных путей in vitro, и эти пути имеют сильную тенденцию к эволюционному сохранению. «[Существует] сильное сходство, — добавили авторы, — между сборкой белкового комплекса и эволюционными путями, причем пути сборки часто отражают эволюционную историю, и наоборот. Это говорит о том, что может быть полезно рассмотреть типы белковых комплексов, которые эволюционировали, с точки зрения возможных путей сборки.”

Чтобы исследовать это обоснование, авторы исследовали фундаментальные этапы сборки белковых комплексов, используя эксперименты по масс-спектрометрии с электрораспылением, литературные данные по сборке и крупномасштабный анализ структур белковых комплексов. В конечном итоге они выработали свой подход к объяснению наблюдаемого распределения известных белковых комплексов в пространстве четвертичной структуры. Они настаивают на том, что этот подход обеспечивает основу для понимания их эволюции.

«Кроме того, он может внести значительный вклад в прогнозирование и моделирование четвертичных структур, определяя, какие топологии с наибольшей вероятностью будут приняты комплексом с заданной стехиометрией, потенциально обеспечивая ограничения для стыковки нескольких субъединиц и гибридных методов», — заключили авторы. .«И, наконец, это может помочь в биоинженерии белковых комплексов, определяя, какие топологии с наибольшей вероятностью будут стабильными и, следовательно, какие типы необходимых интерфейсов необходимо разработать».

Строки и столбцы периодической таблицы элементов, называемые периодами и группами, первоначально определялись атомной массой и химическими свойствами каждого элемента, а затем атомным номером и электронной конфигурацией. Напротив, строки и столбцы периодической таблицы белковых комплексов соответствуют количеству различных типов субъединиц и количеству повторений этих субъединиц.Следует отметить, что новая таблица не является периодической в ​​том же смысле, что и периодическая таблица элементов. В принципе, это бессрочно.

Хотя нет никаких теоретических ограничений для пространства топологии четвертичных структур в любом измерении, сокращенная версия таблицы, представленной в статье Science, может вместить подавляющее большинство известных структур. Более того, когда создатели таблицы сравнили большое количество согласованных топологий с наблюдаемыми структурами, они обнаружили, что около 92% известных структур белковых комплексов были совместимы с их моделью.

«Несмотря на свою сильную предсказательную силу, основная модель периодической таблицы не учитывает около 8% известных структур белковых комплексов», — признали авторы. «Более половины этих исключений возникает в результате ошибок присваивания четвертичной структуры.

«Преимущество этого подхода состоит в том, что он подчеркивает вероятные несоответствия четвертичной структуры, в частности, путем выявления небиективных комплексов с четной стехиометрией субъединиц. Однако остается около 4% известных структур, которые верны, но не совместимы с периодической таблицей.Авторы добавили, что исключения из их модели интересны сами по себе и являются предметом текущих исследований.

Биологическая структура и функция возникают в результате масштабирования неконтролируемого обучения до 250 миллионов белковых последовательностей

Значимость

Изучение биологических свойств на основе данных последовательностей является логическим шагом на пути к генеративному и предсказательному искусственному интеллекту для биологии.Здесь мы предлагаем масштабировать модель глубокого контекстного языка с обучением без учителя до последовательностей, охватывающих эволюционное разнообразие. Мы обнаружили, что без предварительных знаний в усвоенных представлениях появляется информация о фундаментальных свойствах белков, таких как вторичная структура, контакты и биологическая активность. Мы показываем, что выученные представления полезны в тестах для удаленного обнаружения гомологии, предсказания вторичной структуры, дальнодействующих контактов остаток-остаток и мутационного эффекта.Обучение неконтролируемому представлению обеспечивает ультрасовременное контролируемое предсказание мутационного эффекта и вторичной структуры и улучшает современные функции для предсказания контактов на большие расстояния.

Abstract

В области искусственного интеллекта сочетание масштаба данных и возможностей модели, обеспечиваемое неконтролируемым обучением, привело к значительным достижениям в обучении представлений и статистической генерации. В науках о жизни ожидаемый рост секвенирования обещает беспрецедентные данные о разнообразии естественных последовательностей.Моделирование белкового языка в масштабе эволюции — логический шаг к предсказательному и генеративному искусственному интеллекту для биологии. С этой целью мы используем обучение без учителя для обучения модели глубокого контекстного языка на 86 миллиардах аминокислот в 250 миллионах белковых последовательностей, охватывающих эволюционное разнообразие. Полученная модель содержит информацию о биологических свойствах в своих представлениях. Представления узнаются только из данных последовательности. Выученное пространство репрезентации имеет многомасштабную организацию, отражающую структуру от уровня биохимических свойств аминокислот до удаленной гомологии белков.Информация о вторичной и третичной структуре закодирована в представлениях и может быть идентифицирована линейными проекциями. Репрезентативное обучение создает функции, которые обобщаются для целого ряда приложений, обеспечивая ультрасовременное контролируемое прогнозирование мутационного эффекта и вторичной структуры и улучшая современные функции для прогнозирования контактов на большие расстояния.

Рост числа белковых последовательностей в общедоступных базах данных на протяжении десятилетий следовал экспоненциальной тенденции, создавая глубокое представление о широте и разнообразии белковых последовательностей на протяжении всей жизни.Эти данные являются многообещающей площадкой для изучения прогнозных и генеративных моделей биологии с использованием искусственного интеллекта. Мы сосредоточимся здесь на том, чтобы подогнать одну модель ко многим различным последовательностям, полученным на разных этапах развития. Соответственно, мы изучаем нейронные сети с высокой пропускной способностью, исследуя, что можно узнать о биологии белков при масштабном моделировании эволюционных данных.

Идея о том, что биологические функции и структура регистрируются в статистике белковых последовательностей, выбранных в ходе эволюции, имеет долгую историю (1–3).Из возможных случайных возмущений последовательности эволюция склоняется к выбору тех, которые согласуются с приспособленностью (4). Ненаблюдаемые переменные, которые определяют приспособленность белка, такие как структура, функция и стабильность, оставляют запись в распределении наблюдаемых природных последовательностей (4).

Раскрытие информации, закодированной в вариациях белковой последовательности, — давняя проблема биологии. Аналогичная проблема в области искусственного интеллекта — понимание естественного языка, где гипотеза распределения утверждает, что семантика слова может быть получена из контекстов, в которых оно появляется (5).

Недавно было показано, что методы, основанные на самоконтроле, форме обучения без учителя, в которой контекст в тексте используется для предсказания пропущенных слов, материализовали представления значения слов, которые могут быть обобщены для задач естественного языка (6⇓⇓– 9). Возможность изучать такие представления значительно улучшается с большими наборами обучающих данных (10, 11).

Последовательности белков являются результатом процесса, сильно отличающегося от естественного языка. Неясно, эффективны ли модели и целевые функции для передачи естественного языка через различия между доменами.Мы исследуем этот вопрос, обучая высокопроизводительные языковые модели Transformer на эволюционных данных. Мы исследуем полученные неконтролируемые представления на наличие биологических принципов организации и информации о внутренних биологических свойствах. Мы находим метрическую структуру в пространстве представлений, которая согласуется с принципами организации на масштабах от физико-химической до отдаленной гомологии. Мы также обнаружили, что вторичная и третичная белковая структура может быть идентифицирована в репрезентациях.Структурные свойства, захваченные изображениями, обобщаются по складкам. Мы применяем представления к ряду задач прогнозирования и обнаруживаем, что они улучшают современные функции приложений.

Предпосылки

Выравнивание и поиск последовательностей — стандартная основа для сравнительного и статистического анализа данных биологических последовательностей (12⇓⇓ – 15). Поиск в больших базах данных, содержащих информацию об эволюционном разнообразии, объединяет связанные последовательности в множественное выравнивание последовательностей (MSA).Внутри семейств последовательностей мутационные паттерны несут информацию о функциональных сайтах, стабильности, третичных контактах, связывании и других свойствах (2-4). Консервативные сайты коррелируют с функциональной и структурной важностью (2). Локальный биохимический и структурный контексты отражаются в предпочтении отдельных классов аминокислот (16). Коваринг-мутации связаны с функцией, третичными контактами и связыванием (4).

Перспектива вывода биологической структуры и функции из эволюционной статистики мотивировала развитие машинного обучения на отдельных семействах последовательностей.Анализ прямого связывания (17⇓ – 19) позволяет вывести ограничения на структуру белка путем подгонки генеративной модели в форме марковского случайного поля (MRF) к последовательностям в MSA белка. Для соответствия MRF были разработаны различные методы (20–23). Этот подход также можно использовать для вывода функциональных ограничений (24, 25), а генеративная картина может быть расширена за счет включения скрытых переменных (26).

В последнее время самоконтроль стал основным направлением в исследованиях искусственного интеллекта.В отличие от контролируемого обучения, которое требует ручного аннотирования каждой точки данных, методы с самоконтролем используют немаркированные наборы данных и, следовательно, могут использовать гораздо большие объемы данных. Самостоятельное обучение использует прокси-задачи для обучения, такие как предсказание следующего слова в предложении с учетом всех предыдущих слов (8, 9, 11, 27, 28) или предсказание слов, которые были замаскированы из их контекста (6, 29).

Увеличение размера набора данных и емкости модели показало улучшения в изученных представлениях.В недавней работе методы самоконтроля, используемые в сочетании с большими данными и моделями с высокой пропускной способностью, дали новые современные результаты, приближающиеся к человеческим возможностям при различных тестах ответов на вопросы и семантических рассуждений (6) и генерации связного естественного текста (11 ).

В этой статье исследуются подходы к языковому моделированию с самоконтролем, которые продемонстрировали современную производительность при решении ряда задач обработки естественного языка, применяя их к данным о белках в форме немеченых аминокислотных последовательностей.Поскольку белковые последовательности используют небольшой словарь из 20 канонических элементов, проблема моделирования больше похожа на модели языка на уровне символов (30, 31), чем на модели на уровне слов. Подобно естественному языку, белковые последовательности также содержат дальнодействующие зависимости, что мотивирует использование архитектур, которые обнаруживают и моделируют удаленный контекст (32).

Масштабирование языковых моделей до 250 миллионов разнообразных белковых последовательностей

Большие базы данных белковых последовательностей содержат разнообразные последовательности, отобранные на протяжении всей жизни.В наших экспериментах мы исследуем наборы данных, содержащие до 250 миллионов последовательностей из базы данных UniParc (33), которая содержит 86 миллиардов аминокислот. Эти данные сопоставимы по размеру с большими текстовыми наборами данных, которые используются для обучения архитектур нейронных сетей высокой емкости на естественном языке (6, 11). Чтобы моделировать данные эволюции с точностью, архитектуры нейронных сетей должны обладать емкостью и индуктивными смещениями, чтобы представлять их широту и разнообразие.

Мы исследуем Transformer (32), который превратился в мощную архитектуру модели общего назначения для изучения представлений и генеративного моделирования, превосходящую по производительности рекуррентные и сверточные архитектуры в настройках естественного языка.Мы используем глубокий преобразователь (6), взяв в качестве входных аминокислотные последовательности символов.

Трансформатор обрабатывает входные данные через серию блоков, которые чередуют самовнимание с соединениями с прямой связью. Самовнимание позволяет сети создавать сложные представления, включающие контекст из всей последовательности. Поскольку самовнимание явно конструирует попарные взаимодействия между всеми позициями в последовательности, архитектура Transformer напрямую представляет взаимодействия остаток-остаток.

Мы обучаем модели, используя цель моделирования маскированного языка (6). Каждая входная последовательность искажается заменой части аминокислот специальным токеном маски. Сеть обучена предсказывать недостающие токены из поврежденной последовательности: ℒMLM = Ex∼XEM∑i∈M − logp (xi | x / M). [1] Для каждой последовательности x мы выбираем набор индексов M, чтобы замаскировать , заменяя истинный токен в каждом индексе i токеном маски. Для каждого замаскированного токена мы независимо минимизируем отрицательную логарифмическую вероятность истинной аминокислоты xi с учетом замаскированной последовательности x / M в качестве контекста.Интуитивно, чтобы сделать прогноз для замаскированной позиции, модель должна идентифицировать зависимости между замаскированным сайтом и немаскированными частями последовательности.

Оценка языковых моделей.

Мы начинаем с обучения серии Transformers на всех последовательностях в UniParc (33), держа случайную выборку из 1 M последовательностей для проверки. Мы используем эти модели повсюду, чтобы исследовать свойства представлений и информацию, полученную во время предварительного обучения.

Для сравнительной оценки эффективности обобщения различных языковых моделей мы используем UniRef50 (34), кластеризацию UniParc с 50% идентичностью последовательностей.Для оценки случайным образом отбирается удерживаемый набор из 10% кластеров UniRef50. Набор данных оценки состоит из репрезентативных последовательностей этих кластеров. Все последовательности, принадлежащие удерживаемым кластерам, удаляются из наборов данных для предварительного обучения.

Мы исследуем влияние лежащего в основе разнообразия последовательностей в данных до обучения. Кластеризация UniParc показывает степенное распределение размеров кластеров (35), подразумевая, что большинство последовательностей принадлежит небольшой части кластеров.Обучение с использованием кластеризации последовательностей приводит к переназначению потерь при моделировании замаскированного языка в сторону более разнообразного набора последовательностей. Мы используем UniRef (34) для создания трех наборов данных для предварительного обучения с разными уровнями разнообразия: 1) набор данных с низким разнообразием (UR100) использует репрезентативные последовательности UniRef100, 2) набор разреженных данных с высоким разнообразием (UR50 / S) использует репрезентативный UniRef50. последовательности, и 3) набор данных с большим разнообразием и плотностью (UR50 / D) равномерно отбирает последовательности UniRef100 по кластерам UniRef50.

В Таблице 1 представлены характеристики моделирования на удерживаемых последовательностях UniRef50 в серии экспериментов, исследующих различные классы моделей, количество параметров и наборы данных для предварительного обучения. Модели сравниваются с использованием показателя экспоненциальной кросс-энтропии (ECE), который представляет собой экспоненту потерь модели, усредненных на один токен. В случае трансформатора это 2ℒMLM. ECE описывает среднюю неопределенность модели среди своего набора опций для каждого прогноза: от одного для идеальной модели до 25 (количество уникальных токенов аминокислот в данных) для полностью случайного прогноза.Чтобы измерить сложность обобщения оценочного набора, мы обучаем серию моделей n -грамм в диапазоне длин контекста и настроек сглаживания Лапласа на UR50 / S. Лучшая модель n -грамм имеет ECE 17,18 с размером контекста четыре.

Оценка языковых моделей для обобщения на удерживаемые кластеры UniRef50

В качестве базового уровня мы обучаем двунаправленные языковые модели рекуррентной долгосрочной краткосрочной памяти (LSTM) (9), которые являются современным уровнем для рекуррентных моделей в текстовом домене.В отличие от стандартных LSTM с авторегрессией слева направо, эти модели используют весь контекст последовательности, что делает их сопоставимыми с изучаемыми нами трансформаторами. Мы оцениваем малую модель с ~ 25 M параметров и большую модель с ~ 113 M параметрами. Обученные на наборе данных UR50 / S, малые и большие модели LSTM имеют ECE 14,4 и 13,5 соответственно.

Мы также обучаем два небольших трансформатора, 12-слойный (параметры 85,1 M) и шестислойный трансформатор (параметры 42,6 M) в наборе данных UR50 / S. Обе модели Transformer имеют лучшие значения ECE (10.45 и 11.79 соответственно), чем малая и большая модель LSTM, несмотря на то, что большая LSTM имеет больше параметров. Эти результаты показывают, что Transformer обеспечивает более точное моделирование белковых последовательностей для сопоставимого числа параметров.

Мы обучаем высокопроизводительные 34-слойные трансформаторы (примерно 670 M параметров) на трех наборах данных с разным разнообразием. Модель Transformer с высокой пропускной способностью, обученная на наборе данных UR50 / S, превосходит модели Transformers меньшего размера, что указывает на улучшение языкового моделирования с увеличением емкости модели.Трансформаторы, обученные на двух наборах данных с большим разнообразием, UR50 / S и UR50 / D, улучшают обобщение по набору данных с низким разнообразием UR100. Лучший трансформер, обученный на самом разнообразном и плотном наборе данных, достигает ECE 8,46, что означает, что интуитивно модель выбирает среди ~ 8,46 аминокислот для каждого прогноза.

Мы также обучаем серию 34-уровневых моделей трансформаторов на 0,1, 1 и 10% набора данных UR50 / S, видя ожидаемую взаимосвязь между увеличением данных и улучшенной производительностью обобщения.Недостаточное соответствие наблюдается даже для самых крупных моделей, обученных на 100% UR50 / S, что указывает на потенциал для дополнительных улучшений с моделями с более высокой производительностью.

Трансформатор ЭСМ-1б.

Наконец, мы выполняем систематическую оптимизацию гиперпараметров модели на 100 M параметрических моделях, чтобы определить надежный набор гиперпараметров. Поиск гиперпараметров подробно описан в SI Приложение , раздел B. Мы масштабируем гиперпараметры, идентифицированные этим поиском, для обучения модели с ~ 650 M параметрами (33 уровня) в наборе данных UR50 / S, в результате чего получаем ESM-1b. Трансформатор.

Мультимасштабная организация в представлениях последовательностей

На вариацию, наблюдаемую в больших наборах данных последовательностей белков, влияют процессы во многих масштабах, включая свойства, которые напрямую влияют на приспособленность, такие как активность, стабильность, структура, связывание и другие свойства при выборе (25, 36), а также вклады филогенетических ошибок (37), экспериментальных ошибок и ошибок отбора (38, 39) и источников шума, таких как случайный генетический дрейф (40).

Обучение без учителя может кодировать лежащие в основе факторы, которые, хотя и не наблюдаются, полезны для объяснения вариаций в последовательностях, наблюдаемых моделью во время предварительного обучения.Мы исследуем репрезентативное пространство сети на нескольких уровнях от биохимической до эволюционной гомологии, чтобы искать признаки биологической организации.

Нейронные сети содержат индуктивные смещения, которые придают структуру представлениям. Случайно инициализированные сети могут создавать функции, которые хорошо работают без какого-либо обучения (41). Чтобы понять, как процесс обучения формирует представления, необходимо сравнить представления до и после их обучения.Кроме того, в самих данных последовательностей ожидается базовый уровень внутренней организации в результате систематических ошибок в аминокислотном составе. Чтобы разобраться в роли частотного смещения в данных, мы также сравниваем с базовым уровнем, который отображает каждую последовательность в вектор нормализованного количества аминокислот.

Обучение кодирует биохимические свойства.

Нейронная сеть Transformer представляет идентичность каждой аминокислоты во входных и выходных вложениях. Входные вложения проецируют входные токены аминокислот в первый блок Transformer.Выходные вложения проецируют окончательные скрытые представления обратно в логарифмические вероятности. Взаимозаменяемость аминокислот в рамках данного структурного или функционального контекста в белке зависит от их биохимических свойств (36). Можно ожидать, что самоконтроль уловит эти закономерности для построения пространства репрезентации, отражающего биохимические знания.

Чтобы выяснить, научилась ли сеть кодировать физико-химические свойства в своих представлениях, мы проецируем весовую матрицу последнего слоя встраивания сети в два измерения с t-распределенным стохастическим встраиванием соседей (t-SNE) (42).На рис. 1 структура встраиваемого пространства отражает биохимическую взаимозаменяемость с четкой кластеризацией гидрофобных и полярных остатков, ароматических аминокислот и организацией по молекулярной массе и заряду.

Биохимические свойства аминокислот представлены в выходных вложениях модели Transformer, визуализированных здесь с помощью t-SNE. Благодаря неконтролируемому обучению остатки группируются в гидрофобные, полярные и ароматические группы и отражают общую организацию по молекулярной массе и заряду.Визуализация 36-слойного Трансформера, обученного на UniParc.

Биологические вариации закодированы в репрезентативном пространстве.

Каждый белок может быть представлен как отдельный вектор путем усреднения по скрытому представлению в каждой позиции в его последовательности. Вложения белков представляют последовательности как точки в многомерном пространстве. Каждая последовательность представлена ​​в виде одной точки, а последовательности, назначенные сетью аналогичным представлениям, отображаются на близлежащие точки. Мы исследуем, как гомологичные гены представлены в этом пространстве.

Структура и функция ортологичных генов, вероятно, сохранятся, несмотря на расхождение их последовательностей (43). На рис. 2 A мы находим, что обучение формирует пространство представления так, что ортологичные гены группируются. Рис. 2 A показывает двумерную проекцию пространства представления модели с использованием t-SNE. До обучения организация ортологичных белков в пространстве представления модели является диффузной. Ортологические гены группируются в заученном репрезентативном пространстве.

Представления последовательности белка кодируют и организуют биологические вариации. ( A ) Каждая точка представляет ген, и каждый ген окрашен в соответствии с ортологической группой, к которой он принадлежит (размерность уменьшается на t-SNE). Ортологические группы генов плотно сгруппированы в обученном пространстве репрезентации. Напротив, необученное репрезентативное пространство и униграммы не отражают сильную организацию эволюционными отношениями. ( B ) Гены, соответствующие общей биологической вариации, связаны линейно в обученном пространстве репрезентации.Гены окрашены в соответствии с их ортологической группой, а их виды обозначены меткой символа. PCA восстанавливает ось вида (горизонтальную) и ось ортологии (вертикальную) в обученном пространстве репрезентации, но не в нетренированном пространстве или пространстве униграммы. Представления взяты из 36-слойной модели Transformer, обученной на UniParc.

Мы исследуем, кодирует ли обучение без учителя биологические вариации в структуре пространства представления. Мы применяем анализ главных компонентов (PCA) для определения основных направлений вариации в репрезентациях, выбирая четыре ортологичных гена у четырех видов для поиска направлений вариации.Рис. 2 B показывает, что уменьшение линейной размерности восстанавливает виды и ортологию в качестве основных осей вариации в пространстве представления после обучения. Эта форма структуры отсутствует в представлениях до тренировки.

Чтобы количественно исследовать структуру пространства представления, мы оцениваем восстановление ближайшего соседа с помощью запросов на подобие векторов. Если биологические свойства кодируются в независимых направлениях в пространстве представления, то белки, соответствующие уникальной биологической вариации, связаны линейной векторной арифметикой.В приложении SI , рис. S1 мы обнаруживаем, что обучение улучшает восстановление целевых белков при запросах, закодированных как линейные преобразования по осям видов или генов.

Обучение кодирует удаленную гомологию.

Удаленно гомологичные белки имеют структурное сходство, несмотря на расхождение их последовательностей. Если структурная гомология закодирована в метрической структуре пространства представления, то расстояние между белками отражает степень их структурного родства.

Мы исследуем, позволяет ли пространство репрезентации обнаруживать удаленную гомологию на уровне суперсемейства (белки, которые принадлежат к разным семействам, но находятся в одном суперсемействе) и складчатости (белки, которые принадлежат к разным суперсемействам, но имеют одинаковую укладку). Мы создаем набор данных для оценки удаленного обнаружения гомологии с помощью SCOPe (структурная классификация белков — расширенная) (44). Следуя стандартной практике (45), мы исключаем складки, подобные Россманну (c.2 — c.5, c.27 и 28, c.30 и 31) и четырех- или восьмилопастные β-винты (b.66 — b.70).

Неконтролируемый классификатор на расстоянии от запроса измеряет плотность гомологичных белков в окрестности запрашиваемой последовательности. Для каждого домена выполняется запрос на подобие векторов для всех других доменов, ранжируя их по расстоянию до домена запроса. Для оценки на уровне складки любой домен с одинаковой складкой является положительным, любой домен с другой складкой — отрицательным, и домены, принадлежащие к одному и тому же суперсемейству, исключаются.Для оценки на уровне суперсемейства любой домен с одним и тем же суперсемейством является положительным, любой домен с другим суперсемейством — отрицательным, и домены, принадлежащие к тому же семейству, исключаются. Мы указываем площадь под кривой ROC (AUC) для классификатора и Hit-10 (46), что дает вероятность восстановления удаленного гомолога в 10 результатах с наивысшим рейтингом.

Таблица 2 показывает, что запросы вектора ближайшего соседа с использованием представлений могут обнаруживать удаленные гомологи, которые находятся на уровне свертки, с производительностью, аналогичной HHblits (15), современной методике, основанной на скрытой марковской модели (HMM).На уровне суперсемейства, где сходство последовательностей выше, производительность HMM лучше, но вложения Transformer близки. Методы быстрого векторного поиска ближайшего соседа позволяют искать миллиарды последовательностей на предмет сходства с запрашиваемым белком за миллисекунды (47).

Удаленное обнаружение гомологии

Обучение кодирует выравнивание в пределах семейства белков.

MSA идентифицирует соответствующие сайты в семействе родственных последовательностей (23). Эти соответствия дают картину эволюционной изменчивости на разных участках в семействе последовательностей.Модель получает в качестве входных данных отдельные последовательности и не получает доступа к семейству связанных последовательностей, кроме как через обучение. Мы исследуем, кодируют ли окончательные скрытые представления последовательности информацию о семействе, к которому она принадлежит.

Информация о семействе может появиться в сети посредством присвоения аналогичных представлений позициям в различных последовательностях, которые выровнены в MSA семейства. Используя набор MSA структурно связанных последовательностей в Pfam (48), мы сравниваем распределение косинусных сходств представлений между парами остатков, которые выровнены в семейном MSA, с фоновым распределением косинусных сходств между невыровненными парами остатков.Большая разница между выровненными и невыровненными дистрибутивами подразумевает, что представления используют общие функции для связанных сайтов во всех последовательностях семейства.

Рис. 3 A изображает распределение значений косинусного сходства между выровненными и невыровненными позициями в репрезентативном семействе для обученной модели и базовых линий. Обучение без учителя приводит к заметному сдвигу между распределениями выровненных и невыровненных пар. Фиг. 3 B и C показывают, что эти тенденции сохраняются при ограничениях, что пары остатков (1) имеют одинаковую аминокислотную идентичность или (2) имеют разные аминокислотные идентичности.

Окончательные представления от обученных моделей неявно выравнивают последовательности. Распределения косинусного сходства изображены для окончательных представлений остатков из последовательностей в семействе Pfam PF01010. Различия между выровненным (темно-синий) и невыровненным (светло-синий) распределениями подразумевают, что обученные представления Transformer являются мощным дискриминатором между выровненными и невыровненными позициями в последовательностях. Напротив, представления до обучения не разделяют выровненные (темно-красный) и невыровненные позиции (светло-красный).( A ) Общее распределение; распределение при ограничении, что пары остатков имеют ( B ) одинаковую аминокислотную идентичность; или ( C ) разные аминокислотные идентичности. AUC для 128 семейств Pfam указаны в приложении SI, таблица S1.

Мы оцениваем различия между выровненными и невыровненными распределениями по 128 семействам Pfam, используя AUC в качестве показателя различительной способности между выровненными и невыровненными парами. SI Приложение , таблица S1 показывает количественное улучшение средней AUC после неконтролируемого обучения, подтверждая идею о том, что самоконтроль кодирует информацию о MSA последовательности в ее представление последовательности.

Прогнозирование вторичной структуры и третичных контактов

Есть основания полагать, что неконтролируемое обучение приведет к тому, что представления модели будут содержать структурную информацию. Основная структура белка — это скрытая переменная, которая влияет на паттерны, наблюдаемые в данных последовательности. Например, локальная вариация последовательности зависит от вторичной структуры (16), а третичная структура вводит зависимости более высокого порядка в выборе аминокислот в разных сайтах внутри белка (49, 50).Хотя модель не может наблюдать структуру белка напрямую, она наблюдает закономерности в последовательностях обучающих данных, которые определяются структурой. В принципе, сеть может сжимать вариации последовательности, фиксируя общность структурных элементов данных, тем самым кодируя структурную информацию в представлениях.

Линейные проекции.

Мы начинаем с идентификации информации о структуре белка, которая линейно кодируется в представлениях.Использование линейных проекций гарантирует, что информация исходит из представлений Transformer, что позволяет напрямую проверять структурное содержание представлений. Сравнивая представления Трансформера до и после предварительного обучения, мы можем идентифицировать информацию, которая появляется в результате обучения без учителя.

Мы проводим пятикратный эксперимент с перекрестной проверкой, чтобы изучить обобщение структурной информации на уровне семьи, суперсемейства и складки.Для каждого из трех уровней мы построили набор данных из 15 297 белковых структур, используя базу данных SCOPe. Мы разделяем структуры на пять частей, разбивая их по семействам, суперсемействам и складываем соответственно. Пятикратная перекрестная проверка выполняется независимо для каждого из уровней структурной устойчивости.

Чтобы обнаружить информацию о вторичной структуре, мы подгоняем логистическую регрессию к скрытым представлениям, используя метки вторичной структуры с восемью классами. Чтобы обнаружить информацию о третичной структуре, мы подгоняли две отдельные линейные проекции к скрытым представлениям пар позиций в последовательности, взяв их скалярное произведение для регрессии бинарной переменной, указывающей, находятся ли позиции в контакте в трехмерной структуре белка.Нейронные представления сравниваются с 1) проекциями профиля последовательности и 2) неконтролируемыми контактами, предсказанными реализацией CCMpred (51) анализа прямой связи. MSA для базовых показателей генерируются из базы данных UniClust30 (52) с использованием трех итераций поиска HHblits. Для вторичной структуры мы сообщаем о восьми классах точности. Для контактной точности мы сообщаем о максимальной L-дальнодействующей точности, то есть о точности прогнозов наивысшего ранга L (длины белка) для контактов с разделением последовательностей не менее 24 остатков.

В таблице 3 показаны результаты экспериментов по перекрестной проверке. Перед предварительным обучением можно обнаружить минимальную информацию о вторичной структуре и контактах. После предварительного обучения проекции восстанавливают информацию о вторичной структуре и дальних контактах, которая распространяется на семьи, суперсемейства и складки. Распределения точности прогноза вторичной структуры с восемью классами ( SI, приложение , рис. S2) и распределения точности top-L для прогнозирования контакта на большие расстояния ( SI, приложение , рис.S3) демонстрируют, что предварительное обучение приводит к увеличению структурной информации по всему распределению тестовых доменов. Таблица 3 показывает, что проекции представлений Transformer восстанавливают больше структуры, чем проекции профиля последовательности. Для контактов на большие расстояния проекции лучших моделей трансформаторов имеют более высокую точность, чем контакты, предсказанные CCMpred на всех уровнях структурного обобщения. По мере того, как уровень структурного разделения становится более удаленным, вторичная структура мало деградирует, при этом производительность на уровне семейства аналогична уровню складки.Для долгосрочных контактов, хотя обобщение снижено на кратном уровне по сравнению с семейным уровнем, лучшие модели по-прежнему отражают больше структуры, чем неконтролируемый базовый уровень. Обучение с более разнообразными последовательностями (наборы данных UR50) улучшает обучение как вторичной структуре, так и дальнодействующим контактам, с более выраженным эффектом на дальние контакты.