2. National Center for Biotechnology Information (NCBI) - Protein

​

La base de datos Protein del NCBI consiste en una colección de secuencias de una gran cantidad de fuentes, incluyendo traducciones de regiones codificantes anotadas en GenBank, RefSeq y TPA (Third-Party Annotation), así como registros de SwissProt, PIR (Protein Information Resource), PRF (Protein Research Foundation) y PDB [5]. 

​

Este formato se estructura de la siguiente manera [6]. 

LOCUS: nombre corto para la secuencia.

DEFINITION: definición de la secuencia.

ACCESSION: número de acceso de la entrada en la base de datos.

VERSION: versión de la entrada.

DBSOURCE: fuente, fecha de creación y última modificación de la entrada.

KEYWORDS: palabras clave de la entrada.

AUTHORS: autores del trabajo

TITLE, JOURNAL: título de la publicación y revista

SOURCE ORGANISM: organismo del cual deriva la secuencia.

ORGANISM: nombre completo del organismo.

ACCESSION: Numero de acceso de la secuencia proteica

FEATURES: Características más relevantes de la secuencia

ORIGIN: comienzo de la secuencia. - //: fin de la secuencia.

​

La secuencia se estructura de forma que en su primera línea, el título del campo ORIGIN está en las columnas 1-6 y en las seiguientes columnas 6-9, el número de residuo del primer residuo que aparece en la fila, alineado a la derecha y desde la columna 11 hasta el final de la línea, la secuencia de aminoácidos en código de una letra, en minúscula, dejando un espacio cada 10 aminoácidos.  

 

Un ejemplo de nuestra proteína PETasa, en cuyo LOCUS se pone el nombre (5XJH_A) [7], sería: 

 

ORIGIN 

1   mgsshhhhhh ssglvprgsh mrgpnptaas leasagpftv rsftvsrpsg ygagtvyypt

61  naggtvgaia ivpgytarqs sikwwgprla shgfvvitid tnstldqpss rssqqmaalr

121 qvaslngtss spiygkvdta rmgvmgwsmg gggslisaan npslkaaapq apwdsstnfs 
181 svtvptlifa cendsiapvn ssalpiydsm srnakqflei nggshscans gnsnqaligk

241 kgvawmkrfm dndtrystfa cenpnstrvs dfrtancsle dpaankarke aelaaataeq

//

​

​

3. UniProtKB

​

UniProt Knowledgebase (UniProtKB) es el nodo central para la colección de información funcional de proteínas con un formato caracteristico. Cada entrada incluye una serie de datos esenciales como la secuencia de aminoácidos, el nombre y descripción de la proteína, datos taxonómicos y diversas citas a publicaciones que estudien la proteína. Además incluye ontologías biológicas ampliamente aceptadas, clasificaciones y referencias cruzadas e indicaciones de la calidad de la anotación en forma de evidencia experimental o computacional, etc [8].  

 

Las entradas en UniProt constan de dos secciones: una sección (UniProtKB / Swiss-Prot) que contiene registros anotados manualmente con información extraída de la literatura y un análisis computacional altamente supervisado, y otra sección (UniProtKB / TrEMBL) con registros analizados computacionalmente que esperan una anotación manual completa, ya que se hicieron de manera automática [8].

​

Un fichero en formato UniProt se compone de distintos campos, donde las dos primeras letras indican qué información contiene. Algunas de las líneas más importantes son [9]:

ID: línea de identificación que contiene el nombre de la proteína, la clase de dato, el tipo de molécula y la longitud de la secuencia en aminoácidos.

AC: número o números de acceso asociados con la entrada.

DT: fecha de creación y última modificación de la entrada.

DE: información general sobre la secuencia.

GN: nombre del gen.

OS: organismo del cual se obtuvo la secuencia.

SQ: comienzo de la secuencia, seguida por varias líneas que contienen el resto de la proteína sin identificador al principio y finaliza con el símbolo //. En la primera línea del campo aparece, a partir de la columna 6, la palabra SEQUENCE, el número de aminoácidos de la proteína, su peso molecular y el código de verificación por redundancia cíclica de 64 bits (CRC64), un código de detección de errores que trata de evitar que se produzcan cambios no deseados en el fichero. Así, esta línea tiene el formato siguiente para, por ejemplo, la PETasa cuyo ID es PETH_IDESA y su AC es   A0A0K8P6T7: 

​

SQ   SEQUENCE   290 AA;  30247 MW;  8620A766B69749D2 CRC64;      

       MNFPRASRLM QAAVLGGLMA VSAAATAQTN PYARGPNPTA ASLEASAGPF TVRSFTVSRP      

       SGYGAGTVYY PTNAGGTVGA IAIVPGYTAR QSSIKWWGPR LASHGFVVIT IDTNSTLDQP      

       SSRSSQQMAA LRQVASLNGT SSSPIYGKVD TARMGVMGWS MGGGGSLISA ANNPSLKAAA               PQAPWDSSTN FSSVTVPTLI FACENDSIAP VNSSALPIYD SMSRNAKQFL EINGGSHSCA      

       NSGNSNQALI GKKGVAWMKR FMDNDTRYST FACENPNSTR VSDFRTANCS

// 

 

Antes de continuar con el informe hay que destacar un hecho importante y es que entre las secuencias obtenidas usando PDB y NCBI protein son iguales entre sí pero distintas con respecto al de UniProtKB (las igualdades entre éstas se han marcado mediante el subrayado y se ha realizado un BLASTp (figura 1) para corroborar la diferencia entre ella (24 % de no solapamiento y 99% de similaridad), donde el querrá es la secuencia de NCBI y subject la secuencia de UniProtKB ).  

 

Este solapamiento solo del 86 % se debe a que las secuencias no son iguales en los extremos, lo que puede deberse al uso de distintos vectores de expresión, que introduzcan residuos extra a la proteína que se expresen con ella y no modifiquen su actividad. De hecho si nos fijamos en el extremo amino de la proteína en formato NCBI vemos que el extremos se corresponde de una cola de poli-HIS que se utilizaría para su mejor purificación [10].

 

Este hecho hay que tenerlo en cuenta a la hora de trabajar con las secuencias primarias de proteínas. Por otro lado, una fuente de error en la secuencia en el caso de UniProtKB es que la mayor parte de las secuencias proteicas de esta base de datos (más del 95%) proceden de la traducción de las secuencias codificantes (CDS) que han sido introducidas en las bases de datos públicas de ácidos nucleicos (EMBL-Bank y GenBank) [8]. Esto puede dar resultado a estas variaciones en los extremos.