Em post anterior, falamos sobre o AlphaFold, com foco na principal métrica de avaliação da qualidade do modelo gerado, a plDDT. No texto de hoje, falaremos sobre o gráfico de cobertura de sequência (sequence coverage), com exemplo na Figura 1.
Eu usei o ColabFold para modelar uma sequência fictícia. Peguei a sequência original e introduzi substituições, deleções e inserções para não ser tão fácil gerar um modelo de alta qualidade.
- Sequência original: PIAQIHILEGRSDEQKETLIREVSEAISRSLDAPLTSVRVIITEMAKGHFGIGGELASK
- Sequência fictícia: PIAQIRLLDGRAASDFGCLKHDENKETIIDDAISKSLEAPITSARVTEMALLGHFGEIASHH
O gráfico de cobertura da sequência apresenta de forma visual os alinhamentos múltiplos de sequência usados pelo ColabFold/AlphaFold para construção do modelo. A maior parte dos métodos de modelagem não nos trazem essa visualização da estatística dos templates existentes. Eles costumam rankear os templates mais promissores em termos de cobertura e similaridade de sequência e apresentar essas métricas para cada template.
Acho esse gráfico do AlphaFold particularmente informativo. No eixo-x, ele nos apresenta a sequência de aminoácidos da proteína modelada. Note que podem haver várias cadeias também (mostramos um exemplo da Figura 3). No caso do nosso exemplo, temos uma sequência de pouco mais de 60 resíduos. No eixo-y, vemos as sequências recuperadas na base de dados que podem ser usadas como template na modelagem. No nosso exemplo, foram recuperadas quase 500 sequências com alguma similaridade.
Observe agora que a figura é apresentada em um esquema de cores, segundo a legenda à direita da figura. Esse esquema de cores segue todo o espectro indo de 0 (vermelho) até 1 (azul). Quanto mais próximo de 1, mais idêntica a sequência (100% de similaridade). Cada linha do gráfico é uma sequência template, as que estão na parte superior são as mais similares. No exemplo, aparentemente temos algumas sequências com similaridade na faixa 0,4-0,6 que seriam úteis para construção de um bom modelo.
Por fim, o gráfico mostra a cobertura das sequências template. Note que os trechos entre 12-22 e após 55 apresentam baixíssima cobertura (faixas brancas). De fato, essa região 12-22 foi uma inserção aleatória que introduzidos na sequência fictícia. A linha preta mostra essa cobertura.
Veja, na Figura 2, um exemplo de modelo de uma Tripsina, enzima muito estudada. Veja como existem mais de 16.000 templates e com similaridades próximas de 100%. A cobertura também é muito boa, muito embora ainda existam regiões de confiabilidade um pouco mais baixa.
Veja, na Figura 3, um exemplo de modelo de complexo de Tripsina com seu inibidor. Note que o primeiro bloco de 245 resíduos ilustra a alta cobertura e similaridade de templates da Tripsina. A partir do resíduo 245, temos o inibidor com 175 resíduos e com uma cobertura e similaridade um pouco mais baixa, se comparadas às encontradas para Tripsinas.
Regiões de baixa cobertura (vales no gráfico) devem ser olhadas com cautela, visto que podem representar regiões de interesse para seu estudo, como sítios de ligação, sítios catalíticos ou regiões de mutação. Mesmo. que você obtenha um modelo com boa qualidade geral, as regiões de interesse devem ter uma cobertura e qualidade que suporte suas análises. Esses vales indicam regiões de baixíssima confiabilidade no modelo.
Deixe eventuais dúvidas nos comentários. Sugestões de temas também são sempre muito bem-vindas. Assine o blog para receber chamadas do nosso próximo post em que finalizaremos este assunto sobre as análises dos modelos do AlphaFold.
Até a próxima,
Raquel
Referências
[1] Mariani, Valerio, et al. “lDDT: a local superposition-free score for comparing protein structures and models using distance difference tests.” Bioinformatics 29.21 (2013): 2722-2728.
[2] plDDT, segundo o FAQ do AlphaFold. https://alphafold.ebi.ac.uk/faq#faq-5
OnlineBioinfo 