La predicción de la función de las proteínas comprende un conjunto de métodos empleados por investigadores en bioinformática para asignar roles biológicos o bioquímicos a proteínas. Generalmente, estas proteínas han sido poco estudiadas o se identifican a partir de datos de secuenciación genómica. Dichas predicciones se basan, en gran medida, en procedimientos computacionales intensivos en datos. La información utilizada puede provenir de diversas fuentes, como la homología de secuencias de ácidos nucleicos, perfiles de expresión génica, estructuras de dominios proteicos, minería de textos científicos, perfiles filogenéticos, perfiles fenotípicos e interacciones proteína-proteína.

El término “función proteica” es amplio, ya que abarca desde la catálisis de reacciones bioquímicas hasta el transporte y la transducción de señales; además, una misma proteína puede participar en múltiples procesos o vías celulares. En términos generales, la función puede entenderse como “cualquier proceso que ocurre en o a través de una proteína”.

El Consorcio de ontología génica proporciona una clasificación útil de las funciones, basada en un vocabulario estructurado de términos bien definidos, organizados en tres categorías principales: función molecular, proceso biológico y componente celular. Los investigadores pueden consultar esta base de datos mediante el nombre de una proteína o su número de acceso, con el fin de recuperar los términos o anotaciones de la ontología génica (GO) asociados, sustentados en evidencia computacional o experimental.

Aunque técnicas experimentales como el análisis de microarreglos, la interferencia de ARN y el sistema de doble híbrido en levaduras permiten demostrar la función de una proteína, los avances en las tecnologías de secuenciación han provocado que la velocidad de caracterización experimental sea considerablemente menor en comparación con la generación de nuevas secuencias. Por ello, la anotación de nuevas secuencias se realiza principalmente mediante métodos computacionales, ya que permiten analizar de manera rápida grandes cantidades de genes o proteínas.

Los primeros enfoques de predicción se basaban en la inferencia de funciones a partir de proteínas homólogas con funciones conocidas (predicción basada en homología). Posteriormente, el desarrollo de métodos basados en el contexto y en la estructura ha ampliado la capacidad de predicción, permitiendo integrar distintos tipos de información. Actualmente, la combinación de múltiples enfoques posibilita la reconstrucción de vías celulares completas a partir de datos de secuencia.

La relevancia y el uso extendido de la predicción computacional de la función génica se evidencian en el análisis de los “códigos de evidencia” empleados por la base de datos de Ontología Génica: hasta el año 2010, el 98% de las anotaciones correspondían al código IEA (inferido mediante anotación electrónica), mientras que solo el 0.6% se basaban en evidencia experimental.

Métodos basados en homología Las proteínas de secuencias similares son usualmente homólogas y, por tanto, tienen una función similar. Es por esto que , las proteínas en un genoma recién secuenciado son anotadas rutinariamente utilizando las secuencias de proteínas similares en genomas relacionados.

Sin embargo, las proteínas estrechamente relacionadas no siempre comparten la misma función. Por ejemplo, las proteínas Gal1 y Gal3 de la levadura son parálogos (73% identidad y 92% similitud) que han evolucionado funciones muy diferentes, con Gal1 siendo una galactokinasa y Gal3 siendo un inductor transcripcional.

Dentro de las proteínas homólogas, se distinguen dos tipos principales: los ortólogos, que son genes en diferentes especies que evolucionaron a partir de un ancestro común y suelen conservar la misma función, y los parálogos, que surgen por la duplicación genética dentro de un mismo organismo y pueden llegar a evolucionar funciones diferentes.

No existe un umbral de similitud de secuencias estricto para una “segura” predicción de funciones; muchas proteínas de similitud de secuencia apenas detectable tienen la misma función, mientras que otras (como Gal1 y Gal3) son muy similares, pero han evolucionado funciones diferentes. Como regla general, las secuencias que son más del 30-40% idénticas suelen considerarse que tienen la misma función o una función muy similar.

Para las enzimas, las predicciones de funciones específicas son especialmente difíciles, ya que solo necesitan unos pocos residuos clave en su sitio activo, por lo que secuencias muy diferentes pueden tener actividades muy similares. En cambio, incluso con una identidad de secuencia del 70% o más, el 10% de cualquier par de enzimas tiene sustratos diferentes; y las diferencias en las reacciones enzimáticas reales no son poco frecuentes cerca del 50% de identidad de secuencia.

Para identificar secuencias homólogas, se emplean herramientas bioinformáticas como BLAST (Basic Local Alignment Search Tool), que permite comparar secuencias problema contra bases de datos,así como programas de alineamiento múltiple como Clustal Omega. Estas herramientas facilitan la detección de similitudes y la inferencia de posibles funciones.

Métodos basados en motivos de secuencia

El desarrollo de bases de datos de dominios proteicos como Pfam (Protein Families Database) nos permite encontrar dominios conocidos dentro de una secuencia de consulta, proporcionando evidencia de funciones probables. El sitio web de dcGO contiene anotaciones tanto para los dominios individuales como para los supradominios (es decir, combinaciones de dos o más dominios sucesivos), permitiendo así mediante el predictor dcGO las predicciones de funciones de forma más realista.

Dentro de los dominios proteicos, las firmas más cortas conocidas como 'motivos' se asocian a funciones particulares, y las bases de datos de motivos como PROSITE ('base de datos de dominios, familias y sitios funcionales de proteínas') pueden buscarse mediante una secuencia de consulta.

Los motivos pueden, por ejemplo, usarse para predecir la localización subcelular de una proteína (donde en la célula la proteína se envía tras la síntesis). Los péptidos señales cortas dirigen ciertas proteínas a una ubicación concreta, como las mitocondrias, y existen diversas herramientas para predecir estas señales en una secuencia proteica. Por ejemplo, SignalP, que se ha actualizado varias veces a medida que se mejoran los métodos. Así, se pueden predecir aspectos de la función de una proteína sin comparación con otras secuencias de proteínas homólogas de longitud completa.

Debido a estas limitaciones, la predicción de la función proteica suele complementarse con el análisis de la estructura tridimensional, ya que esta se conserva más que la secuencia a lo largo de la evolución. De este modo, proteínas con baja similitud de secuencia pueden presentar estructuras similares y, por tanto, funciones relacionadas.

Métodos basados en estructura Comparación estructural de proteínas.

Dado que la estructura tridimensional de proteínas (3D) suele estar mejor conservada que su secuencia proteica, la similitud estructural es un buen indicador de funciones similares entre dos o más proteínas. Se han desarrollado diversos programas que permiten comparar una estructura proteica conocida con las estructuras disponibles en el Protein Data Bank, con el objetivo de identificar similitudes estructurales entre proteínas.

Entre los programas más utilizados se encuentran, FATCAT (Flexible structure AlignmenT by Chaining AFPs (Aligned Fragment Pairs) with Twists), CE (extensión combinatoria)) y Deep Align (alineación de la estructura de proteínas más allá de la proximidad espacial). De manera similar, las principales bases de datos de proteínas, como UniProt, cuentan con herramientas integradas que permiten comparar secuencias proteicas con  bases de datos estructurales. Estas herramientas facilitan el establecimiento de relaciones entre proteínas de estructura conocida y aquellas cuya función aún no ha sido completamente caracterizada, contribuyendo así a su predicción de su función biológica.

Alineamiento estructural.

El alineamiento estructural es un método basado en la estructura tridimensional que permite comparar proteínas mediante la superposición de sus coordenadas espaciales. Este procedimiento establece equivalencias entre estructuras proteicas a partir de su forma y conformación tridimensional, lo que permite identificar similitudes estructurales incluso entre proteínas con baja similitud de secuencia.

Como resultado del alineamiento estructural, se obtiene la superposición de las coordenadas atómicas de las proteínas y se emplean métricas como la desviación cuadrática media (RMSD), que mide la distancia promedio entre las posiciones atómicas de las estructuras superpuestas, proporcionando una medida cuantitativa de su similitud.

Alineamiento estructural global.

Estos métodos pueden realizarse mediante la comparación de estructuras completas, conocida como alineamiento global, en la que se superpone la totalidad de la proteína para evaluar la similitud de su plegamiento tridimensional. Este tipo de análisis resulta útil cuando las proteínas presentan arquitecturas estructurales conservadas.

Alineamiento estructural local.

Asimismo, el alineamiento estructural puede centrarse en la comparación de regiones específicas, también denominado alineamiento local. En este caso, el análisis se enfoca en fragmentos estructurales o dominios funcionales, permitiendo detectar similitudes en sitios activos o regiones conservadas, incluso cuando existe baja similitud global entre las proteínas.

Entre los métodos utilizados para realizar alineamientos estructurales se encuentran enfoques basados en la comparación de fragmentos estructurales y matrices de distancia, los cuales permiten identificar correspondencias estructurales entre proteínas y evaluar su relación funcional y evolutiva.

Predicción de la estructura de proteínas

Para abordar el hecho de que muchas secuencias proteicas carecen de estructuras resueltas, se han desarrollado métodos de predicción de la estructura de proteínas que permiten determinar la estructura tridimensional a partir de la secuencia de aminoácidos. Estos enfoques generan modelos estructurales cuando no se dispone de datos experimentales y permiten analizar características como la organización tridimensional, la accesibilidad al solvente y la presencia de posibles regiones funcionales, lo que facilita la inferencia de la función biológica de la proteína.

Entre estas herramientas se encuentran algunos servidores de predicción funcional, como RaptorX, que primero generan un modelo tridimensional de la secuencia proteica y posteriormente aplican métodos estructurales para inferir sus funciones. Estos modelos pueden emplearse cuando no existe una estructura experimental determinada, permitiendo el análisis estructural de proteínas poco caracterizadas.

Enfoques de predicción estructural.

Estos métodos de predicción estructural pueden basarse en diferentes enfoques, como modelado por homología, threading o predicción ab initio, dependiendo de la disponibilidad de estructuras relacionadas previamente determinadas. El modelado por homología utiliza proteínas con estructuras conocidas como plantillas, mientras que los métodos de threading buscan plegamientos compatibles con la secuencia analizada. Por su parte, los métodos ab initio predicen la estructura tridimensional a partir de principios físicos y energéticos sin depender de estructuras previamente conocidas.

Predicción basada en motivos estructurales.