+200px Contenido Descripción Pfam es una base de datos de dominios de proteínas que proporciona alineaciones utilizando modelos ocultos de Markov (HMM). Tipos de datos capturados Familias de proteínas Organismos Todos Contacto Centro de investigación EBI Acceso Sitio web www.ebi.ac.uk URL de descarga FTP 2025 Versión 37.0 Pfam es una base de datos de familias de proteínas que incluye su anotación y alineamientos múltiples de secuencias generado por medio de modelos ocultos de Márkov que cubre buena parte de dominios proteicos y familias comunes. Dichos modelo se emplea para buscar secuencias de proteínas de referencia (RF) de UniProtKB y son procesadas mediante el uso del programa HMMER.
Para cada familia en Pfam se puede:
Ver alineamientos múltiples Revisar las arquitecturas y organización de los dominios proteicos Examinar la distribución de especies Seguir enlaces a otras bases de datos Ver estructuras proteicas conocidas
Nótese que una única proteína puede pertenecer a varias familias Pfam.
Usos de la base de datos Pfam El propósito de la base de datos Pfam es proporcionar una clasificación completa y precisa de las familias y dominios de proteínas. Originalmente el objetivo de la creación de esta base de datos era tener un método de conservación de información sobre familias de proteínas conocidas para mejorar la eficiencia de la anotación de genomas. La clasificación de las familias de proteínas en Pfam ha sido de gran importancia en las ciencias biológicas debido a su amplia cobertura de proteínas y convenciones de nomenclatura.
La base de datos Pfam es utilizada en la investigación de proteínas específicas para identificar nuevos blancos para la determinación de estructuras, organización de secuencias y para rastrear el origen de alguna proteína. Algunos de los primeros proyectos de secuenciación de genomas, como el humano y el de la mosca (Drosophila melanogaster), utilizaron ampliamente Pfam para la anotación funcional de datos genómicos.
Actualmente, la base de datos Pfam está alojada en el sitio web de InterPro, este permite a los usuarios enviar secuencias de proteínas o de ADN para buscar coincidencias con familias en la base de datos de Pfam. Si se envían secuencias de ADN, se realiza una traducción en seis marcos de lectura, utilizando cada marco como secuencia problema o query. Pfam sustituye a la búsqueda típica de BLAST, ya que utiliza perfiles de modelos ocultos de Markov, aumentando las coincidencias en sitios conservados, permitiendo una mejor detección de homologías distantes, lo que los hace más adecuados para anotar genomas de organismos sin parientes cercanos bien anotados.
Esta base de datos también se ha utilizado en la creación de otros recursos como iPfam, que cataloga las interacciones dominio-dominio dentro y entre proteínas, basándose en la información de las bases de datos de estructuras y el mapeo de los dominios de Pfam en las estructuras.
Historia Pfam fue fundada en 1995 por Erik Sonnhammer, Sean Eddy y Richard Durbin como una colección de dominios de proteínas comunes que podrían usarse para anotar los genes codificantes de proteínas de animales multicelulares.. Uno de sus principales objetivos en sus inicios fue ayudar en la anotación del genoma de C. elegans El proyecto fue impulsado en parte por la iniciativa 'Mil familias para el biólogo molecular' de Cyrus Chothia en donde había alrededor de 1500 familias diferentes de proteínas, aunque la mayoría de las proteínas caían solo en 1000 de estas Objetando esta iniciativa, la base de datos Pfam contiene actualmente 16,306 entradas correspondientes a dominios y familias de proteínas únicos. Sin embargo, muchas de estas familias contienen similitudes estructurales y funcionales que indican un origen evolutivo compartido
Una diferencia importante entre Pfam y otras bases de datos en el momento de su creación fue el uso de dos tipos de alineación para las entradas: una alineación semilla (también llamado seed alignment que es un conjunto representativo de secuencias de proteínas que pertenecen a una misma familia) verificada manualmente y un alineamiento completo construido mediante la alineación de secuencias a un modelo oculto de Markov generado a partir de alineaciones semilla. Esta alineación semilla era más fácil de actualizar conforme se publicaban nuevas versiones de las bases de datos de secuencias, y, por lo tanto, representaba una solución prometedora al problema de cómo mantener la base de datos actualizada a medida que la secuenciación genómica se volvía más eficiente y aumentaba la cantidad de datos que debían procesarse con el tiempo. Una mejora adicional en la velocidad a la que se podía actualizar la base de datos; se produjo en la versión 24.0, con la introducción de HMMER3, que es aproximadamente 100 veces más rápido que HMMER2 y más sensible.
Debido a que las entradas en Pfam-A no cubren todas las proteínas conocidas, se estableció un suplemento generado automáticamente llamado Pfam-B, este contenía un gran número de pequeñas familias derivadas de conglomerados producidos por un algoritmo llamado ADDA. Aunque de menor calidad, las familias de Pfam-B podrían ser útiles cuando no se encontraron familias de Pfam-A. Pfam-B se suspendió a partir de la versión 28.0, luego se reintrodujo en la versión 33.1 utilizando un nuevo algoritmo de agrupamiento, MMSeqs2.
Pfam se alojó originalmente en tres sitios espejo en todo el mundo para preservar la redundancia. Sin embargo, entre 2012 y 2014, el recurso Pfam se trasladó a EMBL-EBI, lo que permitió alojar el sitio web desde un dominio (xfam.org), utilizando centros de datos independientes duplicados. Esto permitió la centralización de las actualizaciones y la agrupación con otros proyectos de Xfam como Rfam, TreeFam, iPfam, etc., al tiempo que se conservaba la resiliencia crítica proporcionada por el alojamiento de múltiples centros.
De 2014 a 2016, Pfam se sometió a una reorganización sustancial para reducir aún más el esfuerzo manual involucrado en la curación y permitir actualizaciones más frecuentes. Alrededor de 2022, Pfam se integró en InterPro en el Instituto Europeo de Bioinformática.name="">
La última versión de Pfam, 37.0, se lanzó en junio de 2024 y contiene 21,979 familias. Actualmente se proporciona a través del sitio web de InterPro.
Características Pfam describe para cada familia Una descripción general de la familia, indicando su identificador y la función asociada. Un alineamiento semilla para cada dominio integrada por las secuencias que se emplearon para construir el modelo oculto de Markov. Una arquitectura de dominio de proteína, señalando su extensión y ubicación en la proteína blanco que se esté analizando. La distribución del dominio en las especies, es decir, muestra un esquema taxonómico que incluye virus, Archaea, Bacteria y Eucariota Una redirección hacia otras bases de datos de análisis de dominios como SMART, CDD, entre otros. Estructuras en 3D de proteínas conocidas El perfil del modelo oculto de Markov (HMM-logo) Las entradas pueden ser de varios tipos: familia, dominio, repetición o motivo. Familia es la clase predeterminada, lo que simplemente indica que los miembros están relacionados. Los dominios se definen como una unidad estructural autónoma o una unidad de secuencia reutilizable que se puede encontrar en múltiples contextos proteicos.
Las repeticiones no suelen ser estables de forma aislada, sino que suelen ser necesarias para formar repeticiones en tándem con el fin de formar un dominio o una estructura extendida. Los motivos suelen ser unidades de secuencia más cortas que se encuentran fuera de los dominios globulares.
A partir de la versión 29.0, el 76.1% de las secuencias de proteínas en UniprotKB contenían al menos un dominio Pfam. Creación de nuevas entradas Las nuevas familias provienen de una variedad de fuentes, principalmente del Banco de datos de proteínas (Protein Data Bank; PDB) y del análisis de secuencias de proteínas completas para encontrar genes sin impacto de Pfam.
Al realizar una nueva entrada en Pfam esta base de datos trabaja de la siguiente manera:
Para cada familia, un subconjunto representativo de secuencias se alinea con un alineamiento semillas de alta calidad. Las secuencias para el alineamiento de semillas se toman principalmente de pfamseq (una base de datos no redundante de proteínas de referencia con cierta suplementación de UniprotKB).
A continuación, esta alineación de inicialización se utiliza para construir un modelo oculto de Markov mediante HMMER. A continuación, este HMM se busca en bases de datos de secuencias y todos los resultados que alcanzan un umbral de recopilación seleccionado se clasifican como miembros de la familia de proteínas. Posteriormente, la colección de miembros resultante se alinea con el perfil HMM para generar una alineación completa.
Para cada familia, se asigna un límite de recopilación seleccionado manualmente, esto maximiza el número de coincidencias verdaderas para la familia y excluye cualquier coincidencia falsa positiva. Los falsos positivos se estiman observando superposiciones entre los resultados de la familia Pfam que no son del mismo clan. Este límite se utiliza para evaluar si una coincidencia con una familia HMM es lo suficientemente significativa para incluirse en la familia de proteínas. En cada actualización de Pfam, los límites de recolección se reevalúan para evitar superposiciones entre familias nuevas y existentes.
Dominios de función desconocida Los dominios de función desconocida (Domains of unknown function: DUF) representan una fracción creciente de la base de datos de Pfam. Las familias se llaman así porque se ha descubierto que se conservan en todas las especies, pero desempeñan un papel hasta ahora no descrito. Cada DUF recién agregado se nombra en orden de adición. Los nombres de estas entradas se actualizan a medida que se identifican sus funciones. Normalmente, cuando se ha determinado la función de al menos una proteína perteneciente a un DUF, se actualiza la función de todo el DUF y se cambia el nombre de la familia. Algunas familias con nombre siguen siendo dominios de función desconocida, y se nombran sobre la base de una proteína representativa, por ejemplo, el dominio YbbR, que en vez de llamarlo simplemente DUF por su función desconocida, adopta el nombre con base a la primera proteína en la que fue observado, en este caso YbbR proteína bacteriana identificada en Escherichia coli. Se espera que el número de DUF continúe aumentando a medida que se continúen identificando secuencias conservadas de función desconocida en los datos de secuencia. Se espera que los DUF eventualmente superen en número a las familias de funciones conocidas.
Clanes Con el tiempo, tanto la secuencia como la cobertura de residuos (aminoácidos identificados o alineados) han aumentado, y a medida que las familias han crecido, se han descubierto más relaciones evolutivas, lo que permite agrupar a las familias en clanes.
Los clanes se introdujeron por primera vez en la base de datos de Pfam en 2005. Son agrupaciones de familias emparentadas que comparten un único origen evolutivo, confirmado por comparaciones estructurales, funcionales, secuenciales y HMM. A partir de la versión 29.0, aproximadamente un tercio de las familias de proteínas pertenecían a un clan Esta porción ha crecido a alrededor de tres cuartas partes en 2019 (versión 32.0).
Para identificar las posibles relaciones entre clanes, los curadores de Pfam utilizan el Programa de Comparación Simple de Resultados (SCOOP), así como la información de Clasificación Evolutiva de Dominios de Proteínas (ECOD), que es una base de datos jerárquica semiautomatizada de familias de proteínas con estructuras conocidas, con familias que se asignan fácilmente a las entradas de Pfam y niveles de homología que generalmente se asignan a los clanes de Pfam.
Curación por parte de la comunidad