La predicción de interacciones proteína–proteína es un campo que combina la bioinformática y la biología estructural con el objetivo de identificar y catalogar las interacciones físicas entre pares o grupos de proteínas. Comprender las interacciones proteína–proteína es relevante para investigar las vías de señalización intracelular, modelar estructuras de complejos proteicos y obtener información sobre diversos procesos bioquímicos.

Además, estas interacciones son fundamentales para entender la organización funcional de la célula, ya que las proteínas suelen actuar formando redes dinámicas conocidas como “interactoma”, las cuales coordinan procesos como la regulación génica, la respuesta celular y el metabolismo.En este contexto, la predicción de interacciones proteína–proteína mediante herramientas computacionales ha adquirido gran relevancia, ya que permite complementar los métodos experimentales tradicionales. Dichos enfoques in silico utilizan información proveniente de secuencias, estructuras tridimensionales y datos evolutivos para inferir posibles interacciones, lo que facilita la generación de hipótesis y reduce costos y tiempo en la investigación.De esta manera, la integración de métodos computacionales y experimentales contribuye al desarrollo de mapas más completos de interacción a nivel celular.

Experimentalmente, las interacciones físicas entre pares de proteínas pueden inferirse mediante diversas técnicas, incluyendo sistemas de doble híbridos en levadura, ensayos de complementación de fragmentos proteicos (PCA), purificación por afinidad/espectrometría de masas, microarreglos de proteínas, transferencia de energía por resonancia de fluorescencia (FRET) y termofóresis a microescala (MST). Mientras que la visión clásica se centraba en la función molecular individual, la visión post-genómica define la función de una proteína según su contexto de interacciones o "interactoma". Actualmente se están realizando esfuerzos para determinar experimentalmente el interactoma de numerosas especies. Sin embargo, como los métodos experimentales son costosos, lentos y propensos a errores o falsos positivos, los métodos computacionales son esenciales para guiar la experimentación y completar el mapa de interacciones. Aunque las interacciones determinadas experimentalmente suelen servir de base para los métodos computacionales, por ejemplo, al usar secuencias de proteínas homólogas entre especies, también existen técnicas que predicen interacciones de novo, sin conocimiento previo de interacciones existentes.

Métodos computacionales Las proteínas que interactúan tienen más probabilidades de coevolucionar;por lo tanto, es posible inferir interacciones entre pares de proteínas basándose en sus distancias filogenéticas. También se ha observado en algunos casos que pares de proteínas interactuantes tienen ortólogos fusionados en otros organismos. Además, varios complejos proteicos unidos han sido resueltos estructuralmente y pueden usarse para identificar los residuos que median la interacción, de modo que motivos similares puedan localizarse en otros organismos.

Perfilado filogenético

El método de perfilado filogenético se basa en la hipótesis de que, si dos o más proteínas están presentes o ausentes simultáneamente en varios genomas, entonces probablemente están relacionadas funcionalmente.La Figura 1 ilustra una situación hipotética en la que las proteínas A y B se identifican como funcionalmente vinculadas debido a sus perfiles filogenéticos idénticos en 5 genomas diferentes. El Joint Genome Institute proporciona una base de datos integrada de genomas y microbiomas microbianos (JGI IMG) que incluye una herramienta de perfilado filogenético para genes individuales y casetes de genes. Predicción de pares de proteínas co-evolucionadas basada en árboles filogenéticos similares Se observó que los árboles filogenéticos de ligandos y receptores eran a menudo más similares de lo esperado por el azar..Esto es probablemente porque enfrentaron presiones de selección similares y co-evolucionaron. Este métodoutiliza los árboles filogenéticos de pares de proteínas para determinar si existen interacciones. Para hacer esto, se encuentran homólogos de las proteínas de interés (usando una herramienta de búsqueda de secuencias como BLAST) y se realizan alineamientos de secuencias múltiples (con herramientas de alineamiento como Clustal) para construir matrices de distancia para cada una de las proteínas de interés.Las matrices de distancia deben entonces usarse para construir árboles filogenéticos. Sin embargo, las comparaciones entre árboles filogenéticos son difíciles, y los métodos actuales evitan esto simplemente comparando matrices de distancia Las matrices de distancia de las proteínas se usan para calcular un coeficiente de correlación, en el cual un valor mayor corresponde a coevolución. El beneficio de comparar matrices de distancia en lugar de árboles filogenéticos es que los resultados no dependen del método de construcción de árboles que fue utilizado. La desventaja es que las matrices de distancia no son representaciones perfectas de los árboles filogenéticos, y pueden resultar inexactitudes por el uso de este atajo.

Otro factor digno de notar es que existen similitudes de fondo entre los árboles filogenéticos de cualquier proteína, incluso aquellas que no interactúan. Si esto no se toma en cuenta, podría conducir a una alta tasa de falsos positivos. Por esta razón, ciertos métodos construyen un árbol de fondo usando secuencias de ARNr 16S, el cual utilizan como el árbol canónico de la vida. La matriz de distancia construida a partir de este árbol de la vida se resta entonces de las matrices de distancia de las proteínas de interés.. Sin embargo, debido a que las matrices de distancia de ARN y las matrices de distancia de ADN tienen diferentes escalas, presumiblemente porque el ARN y el ADN tienen diferentes tasas de mutación, la matriz de ARN necesita reescalarse antes de que pueda ser restada de las matrices de ARN. Al usar proteínas de reloj molecular, el coeficiente de escala para distancia de proteína/distancia de ARN puede ser calculado Este coeficiente se utiliza para reescalar la matriz de ARN. Método Rosetta stone (fusión génica)

El método Rosetta Stone o Domain Fusion se basa en la hipótesis de que las proteínas que interactúan a veces se fusionan en una sola proteína.Por ejemplo, dos o más proteínas separadas en un genoma pueden identificarse como fusionadas en una sola proteína en otro genoma. Es probable que las proteínas separadas interactúen y, por lo tanto, estén relacionadas funcionalmente. Un ejemplo de esto es la enzima Succinil CoA Transferasa humana, que se encuentra como una sola proteína en humanos, pero como dos proteínas separadas, Acetato CoA Transferasa alfa y Acetato CoA Transferasa beta, en Escherichia coli.Para identificar estas secuencias, es necesario un algoritmo de similitud de secuencias como el utilizado por BLAST. Por ejemplo, si tuviéramos las secuencias de aminoácidos de las proteínas A y B y las secuencias de aminoácidos de todas las proteínas en un genoma determinado, podríamos verificar cada proteína en ese genoma para encontrar regiones no superpuestas de similitud de secuencia con ambas proteínas A y B. La Figura 2 muestra el alineamiento de secuencias BLAST de la Succinil-CoA Transferasa con sus dos homólogos separados en E. coli. Las dos subunidades presentan regiones de similitud de secuencia no superpuestas con la proteína humana, indicadas por las regiones rosas, donde la subunidad alfa es similar a la primera mitad de la proteína y la beta a la segunda. Una limitación de este método es que no todas las proteínas que interactúan se encuentran fusionadas en otro genoma y, por lo tanto, no pueden identificarse mediante este método. Por otro lado, la fusión de dos proteínas no implica necesariamente una interacción física. Por ejemplo, se sabe que el dominio SH2 y el dominio SH3 de la proteína src interactúan. Sin embargo, muchas proteínas poseen homólogos de estos dominios y no todas interactúan. Vecindario génico conservado y agrupamiento de genes miniaturadeimagen|Figura 3. Organización del operón trp en tres especies diferentes de bacterias: Escherichia coli, Haemophilus influenzae y Helicobacter pylori. Solo los genes trpA y trpB son adyacentes en los tres organismos y, por lo tanto, se predice que interactúan según el método de vecindario génico conservado. Esta imagen fue adaptada de Dandekar, T., Snel, B., Huynen, M., & Bork, P. (1998). Conservation of gene order: a fingerprint of proteins that physicallyinteract. Trends in Biochemical Sciences, 23(9), 324-328.El método de vecindario conservado se basa en la hipótesis de que si los genes que codifican dos proteínas son vecinos en un cromosoma en muchos genomas, entonces es probable que estén relacionados funcionalmente. El método se basa en una observación de Bork y colaboradores sobre la conservación de pares de genes en nueve genomas bacterianos y arqueales El método es más efectivo en procariotas con operones, ya que la organización de los genes en un operón generalmente está relacionada con la función.

Por ejemplo, en el operón trp los genes trpA y trpB de Escherichia coli codifican las dos subunidades de la enzima triptófano sintasa, que interactúan para catalizar una única reacción. Se demostró que la adyacencia de estos dos genes se conserva en nueve genomas bacterianos y arqueales diferentes.

Métodos de clasificación Los métodos de clasificación utilizan conjuntos de datos para entrenar un programa (denominado clasificador) que distingue ejemplos positivos de pares de proteínas/dominios frente a ejemplos negativos de pares que no interactúan. Entre los clasificadores más utilizados se encuentran los Random Forest Decision (RFD) y las Máquinas de Vectores de Soporte (MVS). El funcionamiento de los RFD se basa en la composición de dominios de los pares de proteínas que interactúan y de aquellos que no lo hacen. Cuando se le proporciona un par de proteínas para su clasificación, el RFD primero crea una representación numérica del par en un vector.El vector contiene todos los tipos de dominio utilizados para entrenar el RFD, y para cada tipo de dominio, el vector también contiene un valor de 0, 1 o 2. Si el par de proteínas no contiene un dominio determinado, el valor para ese dominio es 0. Si una de las proteínas del par contiene el dominio, el valor es 1. Si ambas proteínas contienen el dominio, el valor es 2.A partir de los datos de entrenamiento, se construye un bosque de decisión formado por numerosos árboles de decisión. Cada árbol evalúa la presencia o ausencia de interacciones en los dominios analizados y toma una decisión sobre si el par de proteínas estudiado interactúa o no. La representación vectorial del par de proteínas es evaluada por cada uno de los árboles, y el resultado final se obtiene sumando todas las predicciones individuales para llegar a una conclusión final.

La principal ventaja de este método es que no asume que los dominios interactúan de forma independiente entre sí, lo que permite utilizar la información de múltiples dominios presentes en las proteínas para realizar la predicción. Esto representa un avance importante respecto a métodos anteriores, que solo podían predecir interacciones basándose en un único par de dominios. La limitación de este método es que depende del conjunto de datos de entrenamiento para producir resultados. Por lo tanto, el uso de diferentes conjuntos de datos de entrenamiento podría influir en los resultados. Una desventaja de la mayoría de los métodos es la escasez de datos negativos, por ejemplo, no interacciones para proteínas, que puede solucionarse utilizando el muestreo negativo basado en la topología.

Inferencia a partir de estructuras homólogas