Identification and classification of all Cytochrome P450 deposits in the Protein Data Bank

Este estudo desenvolveu um fluxo de trabalho robusto que combina busca por palavras-chave, Modelos Ocultos de Markov e alinhamento estrutural para identificar, classificar e reanotar consistentemente 1.513 depósitos de Citocromo P450 no Banco de Dados de Proteínas, resultando no primeiro registro curado e estruturado dessa superfamília com nomenclatura padronizada.

O essencial

Imagine que o Citocromo P450 é como uma família gigante de "cozinheiros" microscópicos que vivem dentro de quase todos os seres vivos, desde bactérias até humanos. Eles são essenciais: ajudam nosso fígado a processar remédios, permitem que as plantas se defendam e são usados na indústria para criar novos materiais.

O problema é que essa família é enorme e muito bagunçada. É como se cada cozinheiro tivesse um nome diferente dependendo de quem o conheceu: alguns são chamados pelo nome oficial (como "CYP102A1"), mas a maioria é conhecida por apelidos antigos e confusos (como "P450-BM3" ou "P450-CAM").

Aqui está o que os autores desse artigo fizeram, explicado de forma simples:

1. O Grande Caos dos Nomes

Durante décadas, quando cientistas descobriam uma estrutura desses "cozinheiros" e a enviavam para o banco de dados mundial (chamado PDB), eles muitas vezes não usavam o nome oficial. Eles usavam apelidos, nomes antigos ou apenas diziam "é uma enzima P450".

• A analogia: Imagine tentar encontrar todas as fotos de "João" em um álbum de família, mas algumas fotos estão rotuladas como "João", outras como "Joãozinho", outras como "O cara do chapéu" e algumas nem têm nome. Se você procurar apenas por "João", vai perder metade das fotos. Além disso, o mesmo nome "João" às vezes se referia a pessoas diferentes!

Isso tornava quase impossível para computadores ou pesquisadores encontrarem todas as estruturas de P450 de forma confiável.

2. A Missão de Detetive

Os autores decidiram limpar essa bagunça. Eles criaram um "detetive digital" (um fluxo de trabalho automatizado) para vasculhar todo o banco de dados de estruturas de proteínas.

• Como funcionou: Em vez de confiar apenas nos nomes escritos (que eram confusos), eles olharam para a forma das proteínas.
• A analogia: Mesmo que as pessoas tenham nomes diferentes, se você olhar para o formato do nariz e da orelha, consegue saber que são da mesma família. Os P450s têm uma "forma" muito característica (como um castelo com torres de hélices). O programa deles procurou por essa forma específica, ignorando os nomes confusos.

3. O Grande Resultado

Com essa nova técnica, eles encontraram 1.513 estruturas de P450 no banco de dados.

• Descobriram que, embora existam 1.513 fotos (estruturas), muitas delas são da mesma pessoa (sequência de DNA). No total, são 674 "pessoas" únicas.
• Eles corrigiram os nomes de quase tudo. Agora, cada estrutura tem seu "RG" oficial (o código CYPid correto, como CYP102A1).
• Eles até descobriram 5 novas "ramificações" da família (novas subfamílias) que ninguém sabia que existiam antes.

4. Por que isso é importante?

Antes, se um pesquisador quisesse estudar como um remédio é processado pelo fígado, ele poderia perder dados importantes porque não sabia que aquela estrutura estava escondida sob um nome estranho.

• A solução: Agora, eles criaram um "catálogo organizado" e um site público onde qualquer pessoa pode procurar por P450s e encontrar tudo o que existe, com o nome certo.
• Eles também criaram um robô que vai vigiar o banco de dados a cada 3 meses. Assim, sempre que um novo "cozinheiro" P450 for descoberto e enviado ao banco de dados, o robô vai encontrá-lo, dar a ele o nome oficial e atualizar a lista automaticamente.

Resumo da Ópera

Os autores pegaram uma biblioteca de livros onde os títulos estavam escritos de mil formas diferentes, alguns ilegíveis e outros repetidos. Eles organizaram tudo, deram a cada livro o título correto e criaram um sistema para que, daqui para frente, qualquer novo livro que entrar na biblioteca seja catalogado automaticamente. Isso ajuda cientistas, farmacêuticos e biólogos a trabalharem muito mais rápido e com menos erros.

Resumo técnico

Título: Identificação e Classificação de Todos os Depósitos de Citocromo P450 no Protein Data Bank (PDB)

1. O Problema

As monooxigenases Citocromo P450 (CYPs ou P450s) são uma superfamília enzimática extremamente diversa e crucial para a biotecnologia, farmacologia e ciências ambientais. Apesar do grande número de estruturas disponíveis no Protein Data Bank (PDB), a identificação e comparação dessas entradas enfrentam desafios significativos devido a:

• Divergência Sequencial Extrema: A baixa similaridade de sequência entre os membros da superfamília torna métodos baseados apenas em sequência (como BLAST) insuficientes e impraticáveis para uma triagem abrangente.
• Inconsistência na Anotação: Muitos depósitos no PDB carecem da nomenclatura padronizada (CYPid, ex: CYP101A1). Em vez disso, utilizam nomes comuns ou legados (ex: P450cam, P450BM-3), que variam em formatação, especificidade e podem ser ambíguos (um nome referindo-se a múltiplas enzimas ou vice-versa).
• Falta de Padronização: Frequentemente, não há indicação de família ou subfamília, ou as informações fornecidas pelos autores estão incorretas, dificultando a recuperação confiável de dados e a mineração automatizada de literatura.

2. Metodologia

Os autores desenvolveram um fluxo de trabalho de descoberta e validação guiado por estrutura, combinando múltiplas abordagens para superar as limitações dos métodos tradicionais:

• Busca Inicial (Palavras-chave e Servidor P450atlas):

  • Realizou-se uma busca por depósitos contendo as palavras "CYP" ou "P450" e a presença de heme na estrutura.
  • As sequências identificadas foram submetidas ao servidor P450atlas para atribuição automática de subfamília e obtenção de anotações CYPid iniciais.
  • Resultado: 1.358 depósitos identificados e verificados manualmente.

• Busca Baseada em Similaridade Estrutural:

  • Para capturar depósitos perdidos na etapa anterior (devido à falta de palavras-chave ou variantes de heme não padrão), realizou-se um alinhamento estrutural massivo.
  • Foram extraídas ~466.000 cadeias poliméricas do PDB e filtradas (comprimento >200 resíduos e >5 hélices alfa), restando ~182.000 cadeias candidatas.
  • Selecionaram-se três estruturas representativas de P450 (3EL3, 7WEX, 7TLO) e utilizou-se o programa TMalign para comparar todas as cadeias candidatas contra esses representantes.
  • Critério de corte: TM-score > 0,6.
  • Resultado: Identificação de 92 depósitos adicionais que haviam sido negligenciados.

• Atribuição e Validação Final:

  • Para cada depósito, foi realizada uma verificação manual cruzando descrições, resumos de publicações e os resultados do servidor P450atlas.
  • Atribuição manual de CYPids corretos, corrigindo erros de classificação e resolvendo ambiguidades de nomenclatura.
  • Desenvolvimento de um pipeline automatizado para atualizações trimestrais do banco de dados.

3. Contribuições Chave

• Primeiro Registro Rigorosamente Curado: Criação do primeiro registro de enzimas P450 vinculado à estrutura, integrando identificação validada estruturalmente com a nomenclatura CYP padronizada.
• Pipeline Automatizado: Desenvolvimento de um sistema que varre periodicamente novas entradas do PDB, garantindo que a base de dados permaneça atualizada sem necessidade de curadoria manual constante para cada nova entrada.
• Integração com P450atlas: Enriquecimento do banco de dados de sequências do servidor P450atlas com informações estruturais, melhorando a precisão das atribuições futuras.
• Descoberta de Novas Subfamílias: Identificação e validação de 5 novas subfamílias de CYP que não existiam anteriormente na classificação padrão.

4. Resultados

• Estatísticas Gerais:
  • Total de depósitos identificados: 1.513.
  • Sequências únicas: 674.
  • Famílias representadas: 86.
• Precisão da Classificação:
  • Apenas 905 depósitos tinham a família e subfamília corretas fornecidas pelos autores.
  • 287 tinham a família correta, mas sem subfamília.
  • 284 não tinham família, apenas nomes comuns.
  • Foram encontrados casos de classificação incorreta (família errada) e ausência total de menção a P450 em alguns depósitos.
• Similaridade Estrutural vs. Sequencial:
  • Confirmou-se que, embora a identidade de sequência possa cair abaixo de 20%, a similaridade estrutural (medida por TM-score) permanece consistentemente alta (>0,7), permitindo a identificação confiável baseada em estrutura.
  • A maioria dos depósitos pertence a apenas 8 famílias maiores (62,39% dos depósitos), com CYP102 (P450-BM3) e CYP101 (P450-CAM) sendo as mais abundantes.
• Variantes de Heme:
  • Identificou-se o uso de cofatores alternativos em vários depósitos (ex: HEC, MI9, variantes com metais substitutos como Mn, Co, Cr), o que complicava a identificação baseada apenas no código de heme padrão (HEM).

5. Significância

Este trabalho estabelece um framework confiável para a recuperação, comparação e análise em larga escala de enzimas P450. Ao resolver o problema da ambiguidade de nomenclatura e da inconsistência de anotação no PDB, o estudo:

• Facilita a mineração de dados e a descoberta de fármacos, permitindo que pesquisadores localizem todas as estruturas relevantes de P450 de forma precisa.
• Fornece uma base de dados pública e acessível (integrada ao P450atlas.org) que serve como recurso essencial para a comunidade científica.
• Demonstra a eficácia da combinação de busca por palavras-chave, modelos ocultos de Markov (HMM) e alinhamento estrutural para lidar com superfamílias altamente diversas.
• Corrige erros históricos de classificação, garantindo que a literatura e os bancos de dados futuros reflitam a classificação evolutiva correta das enzimas.