Bioinformatics characterization on the conformational transitions of intrinsically disordered proteins: functional and biomedical implications

Abstract

Durant molt anys, la investigació en el camp de les proteïnes ha estat marcada per la noció bàsica que les funcions biològiques d’aquestes biomolècules venen determinades per la seva estructura tridimensional. No obstant això, existeixen proteïnes intrínsecament desordenades (IDPs per la sigla en anglès) que no tenen una estructura ben definida i tot i així són funcionals. Aquest fet qüestiona el vell paradigma i ha promogut l’estudi d’aquestes proteïnes tan particulars. A dia d’avui s’han descobert IDPs en organismes de tots els regnes i que juguen un paper fonamental en diversos processos biològics. Malauradament, les IDPs són més conegudes per la seva associació amb malalties neurodegeneratives cada vegada més prevalents com l’Alzheimer o el Parkinson, on aquestes proteïnes s’autoensamblen en estructures tòxiques conegudes com fibres amiloides. La comunitat científica es centra en caracteritzar i entendre com les IDPs aconsegueixen ser funcionals i com la seva desregulació dona lloc a diferents patologies, amb especial atenció a la investigació dels factors que produeixen aquests canvis conformacionals. En els últims anys, la bioinformàtica ha demostrat el seu potencial per resoldre problemes biològics complexos i s’ha posicionat com un camp fonamental en la investigació de proteïnes. El desenvolupament d’eines bioinformàtiques ha estat essencial per anticipar processos d’agregació i desordre de proteïnes en condicions fisiològiques. No obstant això, condicions cel·lulars com el pH o interaccions amb altres biomolècules són factors influents que no s’han tingut en compte en el desenvolupament de les eines actuals. En aquesta tesi volem solucionar aquesta limitació caracteritzant l’efecte del context cel·lular en les transicions conformacionals de les IDPs i transferir aquest coneixement per a aplicacions biomèdiques. En primer lloc, vam desenvolupar DispHscan, un servidor web per predir el desordre de múltiples proteïnes en funció del pH. Amb aquesta eina vàrem comparar transicions depenent de pH en diversos organismes model i vam analitzar la seva influencia en separació de fase. Després ens vam centrar en la caracterització de regions amiloidogèniques críptiques (CARs per la sigla en anglès), que tenen la capacitat de transicionar des d’un estat desordenat a un estat amiloide quan s’estudien independentment. Vàrem desenvolupar la CARs-DB, una base de dades que recull milers de CARs predits sobre IDPs curades manualment i vam explorar les seves associacions funcionals en dominis tipus prió. Finalment prediem un conjunt de pèptids amb potencial terapèutic per a inhibit l’assemblatge anòmal de la α-sinucleïna, una IDP la agregació de la qual és la característica neurològica principal de la malaltia de Parkinson.

Durante muchos años, la investigación en el campo de las proteínas ha estado guiada por la noción básica de que las funciones biológicas de estas biomoléculas vienen determinadas por su estructura tridimensional. Sin embargo, existen proteínas intrínsecamente desordenas (IDPs por las siglas en inglés) que carecen de una estructura bien definida y aún así son funcionales. Este hecho cuestiona el antiguo paradigma y ha motivado el estudio de estas proteínas tan particulares. A día de hoy se han descubierto IDPs en organismos de todos los reinos que juegan un papel fundamental en diferentes procesos biológicos. Desafortunadamente, las IDPs son más conocidas por su relación con enfermedades neurodegenerativas cada vez más prevalentes como el Alzheimer o el Parkinson, donde estas proteínas se autoensamblan en estructuras tóxicas llamadas fibras amiloides. La comunidad científica se centra en caracterizar y entender cómo las IDPs consiguen ser funcionales y cómo su desregulación desencadena diferentes patologías, con particular atención en investigar los factores que rigen estos cambios conformacionales. En los últimos años, la bioinformática ha demostrado su potencial para resolver problemas biológicos complejos y se ha posicionado como un campo fundamental en la investigación de proteínas. El desarrollo de herramientas bioinformáticas ha sido esencial para anticipar procesos de agregación y desorden proteicos en condiciones fisiológicas. Sin embargo, condiciones celulares como el pH o interacciones con otras biomoléculas son factores influyentes que no se han tenido en cuenta en el desarrollo de las herramientas actuales. En esta tesis queremos solucionar esta limitación caracterizando el efecto del contexto celular en las transiciones conformacionales de las IDPs y transferir este conocimiento para aplicaciones biomédicas. En primera instancia desarrollamos DispHScan, un servidor web para predecir el desorden de múltiples proteínas en función del pH. Con esta herramienta comparamos transiciones dependientes de pH en varios organismos modelo y analizamos su influencia en procesos celulares dinámicos como la separación de fase. Después nos centramos en la caracterización de regiones amiloidogénicas crípticas (CARs por las siglas en inglés), capaces de transicionar desde un estado desordenado a un estado amiloide cuando se estudian independientemente. Desarrollamos CARs-DB, una base de datos que recoge miles de CARs predichos sobre IDPs y exploramos sus asociaciones funcionales en dominios tipo prión. Finalmente predecimos un conjunto de péptidos con potencial terapéutico para inhibir el ensamblaje anómalo de la α-sinucleína, una IDP cuya agregación es la característica neurológica principal de la enfermedad de Parkinson.

For many years, proteins’ research field was guided by the notion that the biological function of these biomolecules is determined by their unique three-dimensional conformations. However, mounting evidence on functional intrinsically disordered proteins (IDPs) without well-defined structures challenged the old structure-function paradigm and fueled the study of these intriguing proteins. Today IDPs have been reported in all kingdoms of life playing different roles in diverse biological processes. Unfortunately, IDPs are also involved in prevalent neurodegenerative diseases like Alzheimer’s or Parkinson’s Disease, where these proteins aggregate towards toxic higher-ordered structures called amyloid fibrils. Given the relevance of IDPs in both health and disease, many efforts are addressed to characterize and understand how IDPs achieve their functions and how their deregulation lead to pathology, with a particular focus on the factors governing IDPs’ conformational transitions. In the last years, bioinformatics has demonstrated its potential in solving complex biological problems and has positioned itself as a fundamental field in today’s protein research. The development of bioinformatics tools has been instrumental to anticipate protein aggregation and protein disorder in physiological conditions. However, IDPs are highly susceptible to environmental conditions such as pH or partner interactions that have been traditionally disregarded by state-of-the art tools. In this thesis, we aim to amend this limitation by characterizing the effect of the cellular context in the conformational transitions of IDPs and apply this knowledge for biomedical applications. First, we developed DispHScan, a web server to predict protein disorder as a function of pH for multiple sequences. With this tool we compared pH-dependent transitions across different model organisms and analyzed their influence in dynamic cellular processes such as liquid-liquid phase separation. Then, we focused on the characterization of cryptic amyloidogenic regions (CARs) that are able to transition from a disordered to an amyloid state in isolation. We released CARs-DB, a database that collects thousands of CARs predicted from manually-curated IDPs and explored their functional roles in prion-like domains. Finally, we predicted and released a set of peptides with therapeutic potential to inhibit the abnormal assembly of α-synuclein, an IPD whose aggregation is the main neurological hallmark of Parkinson’s Disease.