El hombre en su afán por entender el universo lo ha clasificado y dividido según las propiedades de aquellos objetos que lo conforman, hasta hace algunos años solo se consideraban la Materia y la Energía como las propiedades básicas de la realidad, pero no hace mucho la Información se sumó como un nuevo factor, dando nacimiento a la Informática o la ciencia que se encarga del estudio de la información.

"Claude Shannon encargado de descifrar mensajes del enemigo durante la segunda guerra mundial consideraba que la información no solo son datos , noticias, hechos, sino una fuerza activa que da forma y carácter a las cosas, aun a los pensamientos"[1][2].

En muchas ocasiones la Informática se asocia únicamente con las computadoras y si bien es cierto que en gran medida su desarrollo se debió a la necesidad de manejar grandes cantidades de información en tiempos mínimos, esto no quiere decir que solamente a esto se limite, ya que eso sería equivalente a pensar que la Biotecnología solo se limita a las técnicas de cultivo y mantenimiento de los micro-organismos.

La Informática tiene grandes posibilidades y potencialidades en todos los campos del que hacer humano ya que su campo de estudio se centra en la información y ésta se presenta prácticamente en cualquier área, por ejemplo en el caso de la Biología se le ha vinculado directamente con todo aquello que implica los sistemas de percepción de la realidad, y recientemente, mediante el estudio de las formas y de su evolución se empieza a dar un giro a la manera en la cual se estudian los fenómenos biológicos[3].

A continuación presentaremos algunos ejemplos en donde la Informática se interrelaciona con la Biología.

Por ejemplo, en áreas como la Teoría de la Información y de la comunicación de datos se busca que el espacio que ocupa la información dependa de su nivel de importancia y de la frecuencia con la que aparece[4], con lo cual los datos a ser transmitidos requieren menos energía entre más importantes son, así la primera prioridad que se establece es la de un mínimo espacio necesario, esta idea se puede generalizar y podemos plantear que, entre más sea usada una información o entre más importante sea para el sistema conviene que sea menor su espacio de almacenaje.

De esta forma la energía necesaria para reproducir dicha información es mínima, pudiendo el sistema, disponer fácilmente de ella, con un gasto mínimo de energía.

Como otro ejemplo tenemos que para estudiar al código genético es común que, primero se identifique la característica que se quiere estudiar, después se aísla un organismo que exprese de manera abundante dicha característica, se le extrae el ADN, se identifica y aísla el gen de interés, después se secuencia éste, y se observa si existe mutación, esta manera de estudiar al código genético equivale a tratar de leer un libro fijándonos en cada una de las líneas que componen a las letras que conforman las oraciones.

A nivel informático se cuenta con la Lingüística Matemática[5][6][7]que es toda un área dedicada al estudio de los lenguajes sean estos lenguajes matemáticos, químicos, o hablados, con el auxilio de esta área se puede empezar a entender de una manera más amplia al lenguaje natural más difundido "el código genético" usando como si fuera piedra roseta a las proteínas ya que estas son el concepto que a la larga se desea transmitir.

Por otra parte existe una gran cantidad de información sobre secuenciación genética, en base a la cual mediante un análisis comparativo se pueden ir encontrando patrones de información, que a la larga sirvan para modelar desde un marco teórico secuencias de genes de interés Desde hace más de quince años y teniendo como pioneros a informáticos mexicanos se ha ido desarrollando toda un área del conocimiento que se dedica al estudio de la evolución en los sistemas[6][7], entendiéndose con la palabra Evolución a los cambios que presentan los sistemas debido a los flujos de materia, energía e información.

En base a lo anterior seria posible modelar la evolución en sistemas biológicos, donde el principal vector de cambio han sido las mutaciones en la información genética de los organismos, permitiéndoles adaptarse mejor a su entorno.

Una de las áreas que más se ha desarrollado últimamente es la Teoría de Caos y fractales[9][10].

A nivel biológico se habla de procesos de diferenciación que dan origen a células altamente especializadas, éstas por un proceso de desdiferenciación debido a la desregulación de algunos de sus genes pueden derivar en cosas tan dañinas como lo es un cáncer.

A nivel informático se hablaría de una misma información que se encuentra sumergida en distintos espacios caóticos, productos estos de la evolución del organismo de una célula cigoto a un ser multicelular, entonces la desdiferenciación se observaría como un cambio en los objetivos de la célula, debido ya sea a que el espacio caótico en que se desarrolla cambio (las condiciones exteriores de la célula) o porque la información en su interior fue alterada.

De esta manera se puede empezar a visualizar cómo a partir de conceptos informáticos se pueden modelar algunos fenómenos biológicos, surgiendo una nueva rama del conocimiento que conjugue ambas áreas y a la cual incluso muy bien podríamos llamar Bioinformática[11][12].

Justificación

Para el estudio de la información genética y proteica se abren infinidad de posibilidades que van desde las más prácticas como el diseño de mejores matrices para la purificación de proteínas hasta la posibilidad de poder diseñar desde un plano teórico genes y proteínas de nuestro interés, programando los genes de los micro-organismos.

Hace poco tiempo se termino de decodificar el genoma humano, pero como muchos han señalado esto apenas es el comienzo de lo que muy bien puede llamarse el mayor descubrimiento en la historia de la humanidad, el poder descifrar las instrucciones que hacen que un ser humano sea un ser humano, pero para poder comprender como esto es posible será necesario no solamente visualizar al genoma cómo un conjunto de bases químicas ordenadas en una secuencia específica, si no más bien como información que obedece patrones y reglas, los cuales todavía falta descubrir y para ello será necesario analizar la información biológica disponible de diversos organismos.

Por otra parte es común encontrarnos con que los precios de el software existente para el análisis de procesos biológicos suelen ser muy elevados, además que tienden a ser extremadamente grandes y con la incomodidad de que como no poseemos los programas fuentes no es factible que sean modificables para las necesidades específicas del análisis que se pretenda realizar 1.

Estado Del Campo

Actualmente en todo el mundo y principalmente en Europa se están creando centros de investigación y nuevas cátedras en torno a la Bioinformática[11][12] , previendo la gran necesidad que habrá de personas especializadas en esta área en los próximos años.

También existen en internet múltiples sitios donde se pueden consultar las secuencias de los genes y las proteínas conforme estos son liberados para su estudio y utilización por parte de los investigadores y gente interesada en el área[16], de esta manera al colocar en el buscador de internet "Altavista" la palabra "bioinformatics" encontramos más de 150 000 páginas relacionadas con el tema

Una de las formas en las cuales estos sitios son utilizados es para lo que bien podríamos llamar southern blot electrónico, el cual consiste en secuenciar un gen o un fragmento de nucleótidos y en vez de realizar un empalme con una secuencia conocida se suministran los datos a la red para que el blast busque y compare en diversos bancos de genes a nivel mundial y obtener de esta forma una identificación aproximada del gen o en dado caso su posible afinidad con genes conocidos

METODOLOGÍA

Como primer paso se recopila información en bancos de secuencias de proteínas y de genes, estos bancos se encuentran en internet[15] y la primera parte del proyecto fue localizar su dirección electrónica, después de buscar en internet se decidió utilizar el sitio del Instituto Europeo de Bioinformática (European Bioinformatic Institute EBI) que se encuentra entrando a internet con www.ebi.ac.uk

En el banco de proteínas que se utiliza, para cada proteína se indica el tipo de enzima y el organismo del cual fue aislada, por ejemplo si aparece AMY_BACSU indica que se trata de una amilasa que se aíslo de Bacillus subtilis.

Donde la interpretación de las siglas AMY_BACSU se presenta a continuación

AMY	BACSU
Tipo de enzima o proteína	Organismo del cual fue aislada
	genero especie
AMY Amilasas	BAC SU
	Bacillus subtilis

Otros abreviaturas de proteínas que aparecen en el presente trabajo son:

Abreviatura	Enzima o proteína
CYC	Citocromo C
GUN	Endoglucosidasas
CGT	Cyclomaltodextrin glucanasa
MALT	Maltasas

En base a la secuencia de la proteína de interés se realiza un análisis de Blast-p. El Blast es un método que va comparando la secuencia suministrada con las otras secuencias que se encuentran almacenadas en el banco de genes o proteínas y selecciona aquellas que muestran homología con la secuencia suministrada, mostrando también las zonas de homología, el blast-p es específico para el análisis de secuencias de aminoácidos y el blast-x para el análisis de secuencias de nucleótidos.

La información es clasificada e integrada con el fin de utilizarla para la búsqueda de patrones de comportamiento a nivel genético y proteico, para lo cual se utilizan varias herramientas informáticas, como por ejemplo: teoría de la información, lingüística matemática, sistemas evolutivos, programación en lenguaje C.

En esta etapa lo primero que se realiza es el establecimiento de la estructura lingüística para la proteína o gen analizado. Para ilustrar lo anterior y como ejemplo de los resultados obtenidos partiremos de la tabla 2.1 que muestra un pequeño fragmento del Blast p realizado para citocromo C.

Tabla 2.1. Fragmento del blast-p realizado a citocromo C

Citocromo C (CYC)

Organismo

Secuencia de a.a

EUGGR

EUGVI

MOUSE

EQUAS

HORSE

BOVIN

De la tabla 2.1 observamos como en todos los CYC el primer aminoácido es G, el segundo es D, mientras en el tercero observamos dos posibles a.a A y V en este lugar lo marcamos como x₁, donde la x indica que se tiene una variable y el 1 por ser el primer lugar donde se presenta variación, lo mismo sucede en el 5° a.a. aquí lo marcamos como x₂ por ser el 2° sitio donde existen diversos a.a. para la misma posición, de esta forma vamos obteniendo la estructura lingüística

G D x₁ E x₂ G K K x₃ F x₄

Mediante este proceso se ha desarrollado el análisis de cadenas de diferentes tipos de proteínas, encontrando su estructura lingüística. Para el caso del citocromo C pudimos establecer su estructura en base al análisis visual de su blast-p ya que se trata de una proteína relativamente pequeña, pero cuando empezamos a tratar con los blast-p de las celulasas el análisis se complicó al tener algunas de las proteínas secuencias de más de 500 a.a. por lo cual nos vimos en la necesidad de crear varios programas (ver anexos D)

Para un mejor entendimiento de las propiedades lingüísticas de las proteínas estudiadas es necesario comenzar un análisis a nivel de caracteres, donde cada aminoácido se visualiza como un caracter de una oración, en este sentido se crearon programas que nos permitieran visualizar el porcentaje de aparición de un aminoácido en un sitio determinado obteniendo resultados muy interesantes.

Estos resultados nos permiten apreciar entre otras cosas los patrones de variación en un sitio determinado de la proteína, pudiéndose apreciar si los aminoácidos que aparecen en un sitio determinado son todos del mismo tipo p. ej. 100% neutros o si existe combinaciones p ej. 70% neutros 20% ácidos 10% básicos e incluso 30% neutros-aromáticos 70% neutros no aromáticos

Finalmente se desarrolló otra herramienta que conjugando lo anterior permite tanto el establecimiento de la ecuación lingüística como el comparar ésta con secuencias de aminoácidos de forma tal que selecciona aquellas que cumplen la ecuación.

En el presente trabajo se utilizaron como proteínas de estudio a las celulasas y amilasas debido a su importancia económica, por su parte el modelo de citocromo C que obtengamos al analizar las cadenas completas nos servirá de referencia para validar los otros modelos, ya que existen suficientes estudios en base al citocromo C para comparar con nuestros resultados. Cabe señalar que los procedimientos aquí utilizados pueden ser aplicados para el análisis de proteínas y de ser el caso también para el estudio de genes, ya que a las herramientas que creamos para poder analizar nuestras secuencias les es indistinto, puesto que visualizan a las proteínas o a los genes como una secuencia de caracteres.

RESULTADOS Y DISCUSIÓN

Como se mencionó en la metodología la primera parte del proyecto consistió en entrar a internet para localizar bancos de genes y proteínas que fuesen de utilidad, de estos se decidió utilizar el sitio del Instituto Europeo de Bioinformática (European Bioinformatic Institute EBI )[15] ya que posee varios bancos tanto de proteínas como de genes, además mediante ligas se puede acceder a otros de estos bancos que se encuentra en todo el mundo.

Dentro de los bancos de proteínas se buscaron las secuencias de aminoácidos de las enzimas de nuestro interés, encontrándose una gran cantidad de ejemplos, por lo que nos centraremos para el análisis en los blast-p del citocromo C, endoglucanasas y amilasas.

Para buscar una endoglucosidasa que nos sirviera para el estudio, entramos al banco de proteínas "Enzimes" del EBI, encontrando que ahí se encuentran disponibles para su utilización las secuencias de endoglucosidasas que se muestran en la tabla 3.1

Tabla 3.1 Endoglucanasas disponibles en el banco "Enzimes" del EBI

Identificación	Organismo	Identificación	Organismo	Identificación	Organismo
P40942	CEXY_CLOSR	P54583	GUN1_ACICE	P06566	GUN1_BACS4
P07983	GUN1_BACSU	P20847	GUN1_BUTFI	P17877	GUN1_CLOJO
Q04469	GUN1_CRYFL	Q12622	GUN1_HUMGR	P05522	GUN1_PERAE
P16216	GUN1_RUMAL	P21833	GUN1_SCLSC	P33682	GUN1_STRHA
Q05156	GUN1_STRRE	P13933	GUN1_STRSQ	Q12714	GUN1_TRILO
P07981	GUN1_TRIRE	P54424	GUN1_USTMA	P06565	GUN2_BACS4
P10475	GUN2_BACSU	P37701	GUN2_CLOJO	P23666	GUN2_PERAE
P21834	GUN2_SCLSC	P26222	GUN2_THEFU	P07982	GUN2_TRIRE
P19570	GUN3_BACS4	P23549	GUN3_BACSU	P14250	GUN3_FIBSU
Q07940	GUN4_RUMAL	P26221	GUN4_THEFU	P43316	GUN5_HUMIN
Q01786	GUN5_THEFU	P43317	GUN5_TRIRE	P22699	GUN6_DICDI
P37696	GUNA_ACEXY	Q12679	GUNA_ASPAK	P29719	GUNA_BACLA
P22541	GUNA_BUTFI	P22534	GUNA_CALSA	P07984	GUNA_CELFI
P17901	GUNA_CLOCE	P54937	GUNA_CLOLO	P04955	GUNA_CLOTM
P23665	GUNA_FIBSU	P26414	GUNA_MICBI	P10476	GUNA_PSEFL
P23660	GUNA_RUMAL	P27035	GUNA_STRLI	P19487	GUNA_XANCP
P23550	GUNB_BACLA	P10474	GUNB_CALSA	P26225	GUNB_CELFI
P28621	GUNB_CLOCL	P04956	GUNB_CLOTM	P46236	GUNB_FUSOX
Q12647	GUNB_NEOPA	P18126	GUNB_PSEFL	P23661	GUNB_RUMAL
P14090	GUNC_CELFI	P37699	GUNC_CLOCE	P28622	GUNC_CLOCL
P23340	GUNC_CLOSF	P07985	GUNC_CLOTM	P46237	GUNC_FUSOX
P27033	GUNC_PSEFL	P50400	GUND_CELFI	P25472	GUND_CLOCE
P28623	GUND_CLOCL	P04954	GUND_CLOTM	P10477	GUNE_CLOTM
Q05622	GUNE_RUMFL	P37698	GUNF_CLOCE	P26224	GUNF_CLOTM
P46239	GUNF_FUSOX	P37700	GUNG_CLOCE	Q05332	GUNG_CLOTM
P16218	GUNH_CLOTM	Q02934	GUNI_CLOTM	P45699	GUNK_FUSOX
P55742	GUNM_CLOTM	Q59394	GUNN_ERWCA	P38686	GUNS_CLOTM
P16630	GUNS_ERWCA	Q47096	GUNV_ERWCA	Q59395	GUNW_ERWCA
P15329	GUNX_CLOTM	P38534	GUNX_PRUPE	P27032	GUNY_ERWCH
P23659	GUNZ_CLOSR	P07103	GUNZ_ERWCH	P22669	GUN_ASPAC
P23548	GUN_BACPO	P06564	GUN_BACS1	P19424	GUN_BACS6
P29019	GUN_BACSP	P17974	GUN_BURSO	P18336	GUN_CELUD
P15704	GUN_CLOAB	P22503	GUN_PHAVU	P23044	GUN_ROBSP
P22533	MANB_CALSA

También en el banco de proteínas "Enzimes" del European Bioinformatic Institute se encuentran disponibles para su utilización las secuencias de amilasas que se muestran en la tabla 3.2 a continuación

Tabla 3.2 Amilasas disponibles en el banco "Enzimes" del EBI

Identificación		Organismo		Identificación		Organismo	Identificación	Organismo
	P27935		AM2A_oRYSA		P04750	AMY6_HoRVU	P30269	AMY_BUTFI
	P27932		AM3A_oRYSA		P41131	AMYA_AERHY	P23671	AMY_CLoAB
	P27937		AM3B_oRYSA		Q02905	AMYA_ASpAW	P49274	AMY_DERpT
	P27939		AM3C_oRYSA		P56271	AMYA_ASpNG	Q59006	AMY_METJA
	P27933		AM3D_oRYSA		P10529	AMYA_ASpoR	P49067	AMY_pYRFU
	P27934		AM3E_oRYSA		P54215	AMYA_DRoMA	P30270	AMY_STRGR
	P27940		AMC1_oRYSA		P08144	AMYA_DRoME	P08486	AMY_STRHY
	P27941		AMC2_oRYSA		P51548	AMYA_DRoYA	Q05884	AMY_STRLI
	P53354		AMY1_AEDAE		P17859	AMYA_VIGMU	P09794	AMY_STRLM
	P22630		AMY1_AERHY		Q02906	AMYB_ASpAW	P27350	AMY_STRTL
	P19269		AMY1_DEBoC		P21543	AMYB_pAEpo	P22998	AMY_STRVL
	P09961		AMY1_DICTH		P19961	AMYC_HUMAN	P56634	AMY_TENMo
	P25718		AMY1_ECoLI		P04746	AMYp_HUMAN	P29750	AMY_THECU
	P00693		AMY1_HoRVU		P00688	AMYp_MoUSE	P26827	AMY_THETU
	P17654		AMY1_oRYSA		P00690	AMYp_pIG	P09107	AMY_TRICA
	P21567		AMY1_SACFI		P00689	AMYp_RAT	P38939	ApU_THEET
	Q09840		AMY1_SCHpo		P17692	AMYR_BACS8	P36905	ApU_THESA
	P14898		AMY2_DICTH		P04745	AMYS_HUMAN	P38536	ApU_THETU
	P26612		AMY2_ECoLI		P00687	AMYS_MoUSE	P16950	ApU_THETY
	P04063		AMY2_HoRVU		P29957	AMY_ALTHA	P00692	AMY_BACAM
	P26613		AMY2_SALTY		P30292	AMY_ASpSH	P08137	AMY_BACCI
	O14154		AMY2_SCHpo		P08117	AMY3_WHEAT	P06278	AMY_BACLI
	P14899		AMY3_DICTH		P04748	AMY4_HoRVU	P20845	AMY_BACME
	P04747		AMY3_HoRVU		P04749	AMY5_HoRVU	P06279	AMY_BACST
							P00691	AMY_BACSU

De la tabla 3.2 se eligió a las amilasas del genero Bacillus (AMY_BAC*) ya que a nivel industrial es el genero más utilizado para la producción de amilasas

Blast-P

Como se mencionó en la metodología el Blast-p es una forma de análisis que sirve para agrupar proteínas similares esto funciona de la siguiente forma

*Se suministra la secuencia de aminoácidos de interés

*El programa compara las proteínas que existen en diversos bancos de proteínas y escoge aquellas secuencias que muestren homología (semejanza) con la de interés

*Presenta una lista con todas aquellas secuencias con las cuales el fragmento o la proteína suministrada tuvo semejanza

*Esta lista está ordenada en orden descendente con respecto a la homología existente entre la secuencia suministrada y la listada

Cabe señalar que al programa en ningún momento se le indica el tipo de proteína suministrada

Citocromo C

La primera proteína con la cual se comenzó a trabajar fue la de citocromo C la cual presenta varias ventajas

*Se trata de una proteína relativamente pequeña ( de 100 a 120 a.a)

*Se han realizado varios estudios en base a ella con lo cual podemos comparar nuestros resultados

En este caso se buscó en el banco de proteínas "Siwssprot" del European Bioinformatic Institute y se seleccionó el citocromo C de Euglena gracilis cuya secuencia es de 102 a.a., de peso molecular 11210 Daltons y su secuencia de aminoácidos se muestra a continuación

GDAERGKKLF	ESRAAQCHSA	QKGVNSTGPS	LWGVYGRTSG	SVPGYAYSNA
NKNAAIVWEE	ETLHKFLENP	KKYVPGTKMA	FAGIKAKKDR	QDIIAYMKTL
KD

Con esta secuencia se realizó un análisis mediante blast-p, utilizando las herramientas (Tools) que se encuentran en la página web del Instituto, las secuencias que tuvieron alineamientos significativos con la secuencia de el citocromo C de Euglena gracilis se muestran en la tabla 3.3

Tabla 3.3 Secuencias con alineamientos significativos

con el citocromo C de Euglena gracilis

1	CYC_EUGGR	7	CYC_BOVIN	13	CYC_HUMAN	19	CYC_NEUCR
2	CYC_EUGVI	8	CYC_CYPCA	14	CYC_CANFA	20	CYC_RANCA
3	CYC _MOUSE	9	CYC_MACGI	15	CYC_MIRLE	21	CYC_MINSC
4	CYC _RAT	10	CYC_HIPAM	16	CYC_KATPE	22	CYC_APTPA
5	CYC_EQUAS	11	CYC_THELA	17	CYC_MACMU	23	CYC_ENTTR
6	CYC_HORSE	12	CYC_CRIFA	18	CYC_ESCGI	24	CYC_MOUSE

Al observar la tabla 3.3 vemos como todas las secuencias que tuvieron correlación con la que nosotros suministramos son de citocromos, aquí cabe señalar lo anteriormente mencionado sobre que a este programa en ningún momento se le indicó que la secuencia suministrada para el análisis se trataba de un citocromo C

Al observar la parte final del blast-p para citocromo C, que se muestra a continuación. resalta como al parecer la información biológica se comporta según lo predicho por la Teoría de la información, un ejemplo muy claro es que el tamaño de los citocromos C tiende a ser menor conforme el organismo al cual pertenece es más evolucionado, esto se relaciona con el hecho de que entre más importante resulta una información para un sistema menor es el tamaño que ocupa su almacenamiento, ya que la información tiende a condensarse y eficientar el espacio que ocupa conforme va siendo utilizada.

2179893195563.WU-blastp.a	100.0%	I	I	A	Y	M	K	T	L	K	D
1 SWALL:CYC_EUGGR	100.0%	I	I	A	Y	M	K	T	L	K	D
2 SWALL:CYC_EUGVI	91.2%	I	I	A	Y	M	K	T	L	K	D
3 SWALL:CYC2_MOUSE	58.2%	L	I	K	Y	L	K
4 SWALL:CYC2_RAT	58.2%	L	I	Q	Y	L	K
5 SWALL:CYC_EQUAS	58.2%	L	I	A	Y	L	K
6 SWALL:CYC_HORSE	58.2%	L	I	A	Y	L	K
7 SWALL:CYC_BOVIN	58.2%	L	I	A	Y	L	K
8 SWALL:CYC_CYPCA	51.5%	L	I	A	Y	L	K	S
9 SWALL:CYC_MACGI	57.1%	L	I	A	Y	L	K
10 SWALL:CYC_HIPAM	58.2%	L	I	A	Y	L	K
11 SWALL:CYC_THELA	57.1%	L	I	T	Y	L	K
12 SWALL:CYC_CRIFA	56.4%	V	I	A	Y	L	E	T	L	K
13 SWALL:G298836	58.2%	L	I	A	Y	L	K
14 SWALL:CYC_HUMAN	56.1%	L	I	A	Y	L	K
15 SWALL:CYC_CANFA	57.1%	L	I	A	Y	L	K
16 SWALL:CYC_MIRLE	57.1%	L	I	A	Y	L	K
17 SWALL:CYC_KATPE	54.5%	L	V	A	Y	L	K	S
18 SWALL:CYC_MACMU	56.1%	L	I	A	Y	L	K
19 SWALL:CYC_ESCGI	57.1%	L	I	A	Y	L	K
20 SWALL:CYC_NEUCR	57.1%	I	I	T	F	M	K
21 SWALL:CYC_RANCA	55.6%	L	I	A	Y	L	K	S
22 SWALL:CYC_MINSC	56.1%	L	I	A	Y	L	K
23 SWALL:CYC_APTPA	55.1%	L	I	A	Y	L	K
24 SWALL:CYC_ENTTR	54.1%	L	I	A	Y	L	K
25 SWALL:CYC_MOUSE	56.1%	L	I	A	Y	L	K

Endoglucanasas

De las endoglucanasas disponibles se eligió la de Thermomonospora fusca. cuya secuencia es de 880 a.a; 95202 MW, para realizar el análisis de Blast-p se suministró la secuencia completa que se muestra a continuación

MSVTEPPPRR	RGRHSRARRF	LTSLGATAAL	TAGMLGVPLA	TGTAHAEPAF	NYAEALQKSM
FFYEAQRSGK	LPENNRVSWR	GDSGLNDGAD	VGLDLTGGWY	DAGDHVKFGF	PMAFTATMLA
WGAIESPEGY	IRSGQMPYLK	DNLRWVNDYF	IKAHPSPNVL	YVQVGDGDAD	HKWWGPAEVM
PMERPSFKVD	PSCPGSDVAA	ETAAAMAASS	IVFADDDPAY	AATLVQHAKQ	LYTFADTYRG
VYSDCVPAGA	FYNSWSGYQD	ELVWGAYWLY	KATGDDSYLA	KAEYEYDFLS	TEQQTDLRSY
RWTIAWDDKS	YGYVLLAKE	TGKQKYIDDA	NRWLDYWTVG	VNGQRVPYSP	GMAVLDTWG
ALRYAANTAF	VALVYAKVID	DPVRKQRYHD	FAVRQINYAL	GDNPRNSSYV	VGFGNNPPRN
PHHRTAHGSW	TDSIASPAEN	RHVLYGALVG	GPGSPNDAYT	DDRQDYVANE	VATDYNAGFS
SALAMLVEEY	GGTPLADFPP	TEEPDGPEIF	VEAQINTPGT	TFTEIKAMIR	NQSGWPARML
DKGTFRYWFT	LDEGVDPADI	TVSSAYNQCA	TPEDVHHVSG	DLYYVEIDCT	GEKIFPGGQS
EHRREVQFRI	AGGPGWDPSN	DWSFQGIGNEL	APAPYIVLY	DDGVPVWGTA	PEEGEEPGGG
EGPGGGEEPG	EDVTPPSAPG	SPAVRDVTST	SAVLTWSASS	DTGGSGVAGY	DVFLRAGTGQ
EQKVGSTTRT	SFTLTGLEPD	TTYIAAVVAR	DNAGNVSQRS	TVSFTTLAEN	GGGPDASCTV
GYSTNDWDSG	FTASIRITYH	GTAPLSSWEL	SFTFPAGQQV	THGWNATWRQ	DGAAVTATPM
SWNSSLAPGA	TVEVGFNGSW	SGSNTPPTDF	TLNGEPCALA

El balance general del análisis por blast-p realizado para celulasas fue el siguiente

Identificación

Descripción

Identificación

Descripción

O65186

celulasa. 8/98f98

Q42059

endoglucanasa 1 precursor

G3600052

2p3.1 proteína.

G1836024

cel2=celulasa 2. 3/98 492

O48766

supuesta celulasa.

O65987

endoglucanasa h (fragmento).

O64889

supuesta celulasa

G1836025

cel3=celulasa 3. 3/98

G3341674

supuesta glicosil hidrolasa

GUN2_PERAE

endoglucanasa 2 (ec 3.2.1.4)

O64890

supuesta celulasa

G1836028

cel6 = celulasa 6. 3/98

G3341675

supuesta glicosil hidrolasa

G3746670

endo-1,4-beta-glucanasa (ec 3.2

G3341676

supuesta glicosil hidrolasa

P71141

endoglucanasa (fragmento). 11/98

G3341677

supuesta glicosil hidrolasa

Q43750

celulasa (ec 3.2.1.4) (endogluca...

Q96546

endo-beta-1,4-glucanasa

Q42151

relative to endoglucanasa 1

Q42875

endo-1,4-beta-glucanasa precursor

O50014

endo-1,4-beta-glucanasa fragmento

O64949

endo-1,4-beta glucanasa. 8/98

O24280

endo-beta-1,4-glucanasa

O22297

acidic celulasa. 11/98

Q43749.

celulasa (ec 3.2.1.4) endoglucanasa.

O64402

endo-beta-1,4-glucanasa. 11/98

O24281

endo-beta-1,4-glucanasa

G3377800

t2h3.5 proteína. 10/98

Q39848

celulasa, endo-1,4-beta-...

Q40763

q40763 celulasa precursor. 11/98

GUNA_FIBSU

endoglucanasa precursor

O64401

endo-beta-1,4-glucanasa. 11/98

Q52746

beta-glucanasa. 11/98

P94114

endo-beta-1,4-glucanasa

P77864

endoglucanasa d precursor

G3687887

endo-1,4-beta-glucanasa

P94794

pbgb (fragmento). 11/98

G3549291

endo-1,4-beta-glucanasa

Q43146

endo 1,4-glucanasa (ec 3.2.1.4)

O23697

endo-1,4-beta-glucanasa.

Q59442

endo-1,4-beta-d-glucanasa

Q43149

celulasa (ec 3.2.1.4) endoglucanasa

GUND_CLOTM

endoglucanasa d precursor

O49296

t26j12.2 proteína

P71326

endoglucanasa e. 11/98

Q42660

beta-1,4-endoglicanohidrolasa

Q59318

avicelase i (ec 3.2.1.4) (cellula...

Q96545

celulasa (ec 3.2.1.4)

gunc_butf>

P05522

gun1_perae endoglucanasa 1

P38534

gunx_prupe endoglucanasa

G547083

beta-1,4-glucanasa, celulasa

D1029755

celulasa salivar (fragmento). ...

Q42872

endo-1,4-beta-glucanasa precursor

O69308

celulasa 1,4-beta-celobiosidasa...

O23134

beta-glucanasa. 11/98

Q08166

celulasa 1 precursor (ec 3.2.1.4...

O04972

endo-1,4-beta-d-glucanasa

Q38890

celulasa precursor. 11/98

Q43105

celulasa (ec 3.2.1.4) (endogluca

O50013

endo-1,4-beta-glucanasa fragmento

Q42871

endo-1,4-beta-glucanasa precursor

O50011

endo-1,4-beta-glucanasa fragmento

P22503

gun_phavu endoglucanasa precursor

Q02934

guni_clotm endoglucanasa 1 precursor

Q96547

celulasa (ec 3.2.1.4) endoglucanasa

P26224

gunf_clotm endoglucanasa f precursor

O22298

basic celulasa. 11/98

Q55365

hypothetical 112.1 kd proteína. 11/98

O23696

endo-1,4-beta-glucanasa. 11/98

O0447

f5i14.14. 11/98

Q41012

endo-1,4-beta-glucanasa precursor.

P23659

gunz_closr endoglucanasa z precursor

O23954

endo-1,4-beta-glucanasa

Q38817

beta-glucanasa (fragmento). 11/98

:D1034676

nteg precursor (ec 3.2.1.4). 10/98

P96311

endoglucanasa a (ec 3.2.1.4)

D1034677

precursor (ec 3.2.1.4).

Q43751

celulasa (ec 3.2.1.4) (endogluca.

GUN4_THEFU

endoglucanasa e-4 precursor

O50012

endo-1,4-beta-glucanasa fragmento

GUNB_CELFI

endoglucanasa b precursor

P37700

gung_cloce endoglucanasa g precursor

D1032280

salivary celulasa.

O64891

supuesta celulasa, 5' partial

GUNC_CLOCL

endoglucanasa c (ec 3.2.1.4)

P22699

gun6_dicdi endoglucanasa precursor

O50589

endo-1,4-beta-glucanasa

Q39847

cmcase, celulasa, endo-1,4-beta-.

D1035025

endoglucanasa 2. 10/98

P22534

guna_calsa endoglucanasa a precursor

O04890

endo-1,4-beta-glucanasa

Q39826

celulasa (fragmento). 11/98

G1836027

cel5=celulasa 5. 3/98

G3493633

celulasa (ec 3.2.1.4).

G1836026

cel4=celulasa 4. 3/98

G3598956

celulasa (ec 3.2.1.4).

G1836023

cel1=celulasa 1. 3/98

100

Q59444

endo-1,4-beta-d-glucanasa

Lo cual se resume en la tabla 3.4, donde se concentró la cantidad y el tipo de enzimas encontradas en este análisis

Tabla 3.4

Enzima	N°
celulasa (ec 3.2.1.4) endo-beta-1,4-glucanasa	54
endo-1,4-beta-glucanasa fragmento	30
supuesta celulasa.	5
supuesta glicosil hidrolasa	4
proteína.	3
celulasa 1,4-beta-celobiosidasa..	1
beta-1,4-endoglicanohidrolasa	1
acidic celulasa.	1
basic celulasa.	1

En base a estos primeros resultados obtenidos de la realización del blast-p a citocromos y a una endoglucanasa nos dimos cuenta que, es posible que existan secuencias altamente conservadas en las proteínas que ejercen la misma función pero en distintos organismos y condiciones.

Amilasas

Se realizaron varios análisis de blast-p en base a diversas secuencias de amilasas hasta encontrar uno que nos permitiera el análisis adecuado para establecer posteriormente la ecuación lingüística que detecte amilasas.

Primero se realizó el análisis de blast-p utilizando la amilasa de Bacillus megaterium y se obtuvo homología mayormente con varios tipos de glucosidasas, tales como xilanasas, manasas y en menor medida amilasas. Cuando se utilizó la secuencia de Bacillus circulans se obtuvo homología mayormente con cyclomaltodextrin glucanotransferasas como se observa en la tabla 3.5 donde se resumió la lista de secuencias que tuvieron alineamientos significativos con la amilasa de Bacillus circulans

Tabla 3.5

Enzima	%	Enzima	%
cyclomaltodextrin glucanotransferasas	23	Neopullulanase.	6
Amilasa digestiva	1	Cyclomaltodextrinase	2
Amilasa	18	acid alpha-amylase	2
alfa amilasa Maltogenica	2	Exo-Alpha-1, 4-Glucosidasa	1
Amilasa alcalina	2	neutral and basic amino acid transferasa	2
amilasa precrusor	22	Amilopulanasa	1
glycosyl hydrolase,	2	otros	6

Al observar los resultados anteriores se decidió volver a clasificar la información y realizar un nuevo blast-p utilizando ahora como patrón de comparación la secuencia de la amilasa de Bacillus subtilis reportada en el banco de enzimas del EBI con ID AMY_BACSU STANDARD siendo su secuencia de 660 A.A; 72799 MW y que se presenta a continuación

MFAKRFKTSL	LPLFAGFLLL	FHLVLAGPAA	ASAETANKSN	ELTAPSIKSG	TILHAWNWSF
NTLKHNMKDI	HDAGYTAIQT	SPINQVKEGN	QGDKSMSNWY	WLYQPTSYQI	GNRYLGTEQE
FKEMCAAAEE	YGIKVIVDAV	INHTTSDYAA	ISNEVKSIPN	WTHGNTQIKN	WSDRWDVTQN
SLLGLYDWNT	QNTQVQSYLK	RFLDRALNDG	ADGFRFDAAK	HIELPDDGSY	GSQFWPNITN
TSAEFQYGEIL	QDSASRDAA	YANYMDVTAS	NYGHSIRSAL	KNRNLGVSNI	SHYASDVSAD
KLVTWVESHD	TYANDDEEST	WMSDDDIRLG	WAVIASRSGS,	TPLFFSRPEG	GGNGVRFPGK
SQIGDRGSAL	FEDQAITAVN	RFHNVMAGQP	EELSNPNGNN	QIFMNQRGSH	GVVLANAGSS
SVSINTATKL	PDGRYDNKAG	AGSFQVNDGK	LTGTINARSV	AVLYPDDIAK	APHVFLENYK
TGVTHSFNDQ	LTITLRADAN	TTKAVYQINN	GPDDRRLRME	INSQSEKEIQ	FGKTYTIMLK
GTNSDGVTRT	EKYSFVKRDP	ASAKTIGYQN	PNHWSQVNAY	IYKHDGSRVI	ELTGSWPGKP
MTKNADGIYT	LTLPADTDTT	NAKVIFNNGS	AQVPGQNQPG	FDYVLNGLYN	DSGLSGSLPH

Las secuencias que tuvieron alineamientos significativos con la amilasa de Bacillus subtilis se presentan en la tabla 3.6

Tabla 3.6 Secuencias con alineamientos significativos

con la amilasa de Bacillus subtilis

Identificación (ID)	Organismo	Descripción
Amy_Bacsu	Bacillus subtilis	(Amye) Alpha-Amilasa
Amy_Butfi	Butyrivibrio fibrisolvens	(Amya) Alpha-Amilasa
Amy_Thecu	Thermomonospora curvata	(Tam) Alpha-Amilasa
Amy_Cloab	Clostridium acetobutylicum	Putative Alpha-Amilasa
Amy_Strlm	Streptomyces limosus	(Aml) Alpha-Amilasa
Amy_Strgr	Streptomyces griseus	(Amy) Alpha-Amilasa
Amy_Strvl	Streptomyces violaceus	(Aml) Alpha-Amilasa
Amy_Strtl	Streptomyces thermoviolaceus	(Amy)Alpha-Amilasa
Amya_Droya	Drosophila yakuba	Alpha-Amilasa
Amya_Droma	Drosophila mauritiana	(Amy-D..)Alpha-Amilasa
Amya_Drome	Drosophila melanogaster	(Amy-D..)Alpha-Amilasa
Amy_Strhy	Streptomyces hygroscopicus	Alpha-Amilasa .
Amy_Aerhy	Aeromonas hydrophila	Alpha-Amilasa Precursor
Amya_Aerhy	Aeromonas hydrophila	(Amya) Alpha-Amilasa
Amy_Tenmo	Tenebrio molitor	Alpha-Amilasa
Amy_Altha	Alteromonas haloplanktis	(Amy) Alpha-Amilasa
Amyp_Rat	Rattus norvegicus	Alpha-AmilasaPancreatica
Amyp_Mouse	Mus musculus	Alpha-AmylasaPancreatica
Amyp_Pig	Sus scrofa	Alpha-AmilasaPancreatica
Amyc_Human	Homo sapiens	(Amy B) Alpha-Amilasa B
Amyp_Human	Homo sapiens	Alpha-Amilasa Pancreatica
mys_Human	Homo sapiens	Alpha-AmilasaSalivar
Amy _Aedae	Aedes aegypti	(Amy ..) Alpha-Amilasa I
Amy_Trica	Tribolium castaneum	Alpha-Amilasa Precursor...
Amyb_Paepo	Paenibacillus polymyxa	Beta/Alpha-Amilasa
Amy_Sacfi	Saccharomycopsis fibuligera	(Alp) Alpha-Amilasa
Cdg_Paema	Paenibacillus macerans	Cyclomaltodextrin
Cdgt_Bacoh	Bacillus ohbensis	(Cgt) Cyclomaltodextrin
Cdgt_Bacst	Bacillus stearothermophilus	(Cgt) Cyclomaltodextrin
Cdgt_Bacci	Bacillus circulan	Cyclomaltodextrin Glucanasa
Cdgt_Bacss	Bacillus Sp.	Cyclomaltodextrin Glucanasa
Amys_Mouse	Mus musculus	(Amy) Alpha-Amilasa Salivar
Amya_Aspaw	Aspergillus awamori	(Amya) Alpha-Amilasa A
Amya_Aspor	Aspergillus oryzae	Alpha-Amilasa
Amyb_Aspaw	Aspergillus awamori	(Amyb) Alpha-Amilasa B
Amy_Schpo	Schizosaccharomyces pombe	(Spac D . C)...
Amy_Aspsh	Aspergillus shirousami	(Amy) Alpha-Amilasa ...
Cdgt_Bacli	Bacillus licheniformis	Cyclomaltodextrin
Cdgt_Klepn	Klebsiella pneumoniae	(Cgt) Cyclomaltodextrin
Amy_Thetu	Thermoanaerobacter thermosulfurogenes	Amilasa..
Amy_Schpo	Schizosaccharomyces pombe	(Spac A . )..
Ydd_Schpo	Schizosaccharomyces pombe	(Spac B . C) Hy
Amya_Aspng	Aspergillus niger	Acid Alpha-Amilasa
Amym_Bacst	Bacillus stearothermophilus	(Amym) Maltoge.
Amy_Dicth	Dictyoglomus thermophilum	(Amyc) Alpha-Amy
Amy_Bacme	Bacillus megaterium	Alpha-Amilasa Precursor
Cdgu_Bacci	Bacillus circulans	Cyclomaltodextrin Glucanasa
Cdg_Paema	Paenibacillus macerans	(Cgtm) Cyclomaltodextrin Glucanasa

Tabla 3.7 Resumen de los resultados de la tabla 3.6

enzima	n°	%
alpha-amilasa	25	50
cyclomaltodextrin	9	18
alpha-amilasa pancreatica	4	8
(amy b) alpha-amilasa b	4	8
alpha-amilasa precursor	3	6
alpha-amilasa salivar	2	4
acid alpha-amilasa	1	2
supuesta alpha-amilasa	1	2
maltogenasa.	1	2

Las amilasas poseen una gran divergencia, de tal forma que, dependiendo de la amilasa utilizada para el análisis mediante blast-p es la semejanza que presenta ésta con diferentes glucosidasas.

De las tablas 3.6 y 3.7 observamos que, la mayoría de las secuencias que tuvieron alineación significativa cuando se utilizó la secuencia de la amilasa de Bacillus subtilis son diferentes tipos de amilasas, también observamos como la amilasa de Bacillus megaterium - que fue una de las utilizadas en los anteriores blast-p - se encuentra en la zona donde ya empieza a existir homología con otras glucosidasas, en base a esto y a los otros blast-p podemos decir que, es posible que la zona que se encarga de la hidrólisis de los enlaces de glucosa sea similar en todas las glucosidasas y que exista otra zona que se encarga de la fijación de la proteína al polisacárido, esto traducido a términos lingüísticos se podría entender como una zona que establece el verbo "Cortar enlaces glucosídicos" y otra zona que diferencía el sujeto sobre el cual se llevara a cabo la acción.

Lo anterior coincide con los resultados de estudios que se han llevado a nivel molecular sobre el funcionamiento de este tipo de enzimas, lo cual nos muestra que mediante el análisis de la información obtenemos resultados equivalentes a los obtenidos mediante otros tipos de análisis

Ecuación lingüística

Después de ordenar la información procedente del blast-p se procedió a realizar varios programas para poder comenzar con su análisis.

La primera serie de programas se realizaron con la finalidad de poder establecer la estructura lingüística general de la proteína, considerando lo siguiente:

Para el establecimiento de la estructura lingüística es necesario:

i) Identificar distintos caracteres, en este caso estamos usando como carácter del lenguaje a los distintos aminoácidos: A (Ala), R (Arg), N (Asn), D (Asp), B (Asx), C (Cys), Q (Gln), E (Glu), Z (Glx), G (Gly), H (His), I (Ile), L (Leu), K (Lys), M (Met), F (Phe), P (Pro), S (Ser), T (Thr), W (Trp), Y (Tyr), V (Val) (ver anexos A)

ii) Identificar distintas cadenas, donde una cadena es una serie de caracteres del lenguaje que se está analizando, en este caso se trataría de una serie de aminoácidos p. ej. AFDGC (Ala-Phe-Asp-Gly-Cys)

iii) Comparar las cadenas y llevar un conteo de la similitud de sus caracteres

Además se tomaron las siguientes premisas

1) Los datos en base a los cuales se realizará el análisis se encuentran en un archivo independiente al del programa

2) Los resultados deben ser almacenados en un archivo independiente de los datos y del programa

Así el primer programa que se realizó permite leer caracteres de la pantalla, otro programa compara dos cadenas distintas, una almacenada dentro del programa y otra suministrada mediante el teclado y un programa que permitía abrir archivos y leer la información almacenada en los mismos

Combinando esta serie de programas se obtuvo uno que nos permite establecer la ecuación lingüística y la guarda en el archivo salebio.txt

Por ejemplo, si suministramos al programa los siguientes datos

G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	A	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V

El programa nos da como resultado

G D x E x G K K x F x

Este resultado es la ecuación lingüística asociada a este conjunto de cadenas de aminoácidos, donde se observa que cuando todos los elementos de la columna son iguales la computadora nos entrega el aminoácido ubicado en dicha columna, cuando en una columna los aminoácidos son diferentes, la computadora imprime una "x"

El pseudocódigo del programa que realiza lo anterior es el siguiente:

Abre el archivo de entrada, donde se encuentran almacenadas las cadenas de aminoácidos y abre el archivo de salida, donde almacenará la estructura lingüística (en este caso salebio.txt)

Lee los datos del archivo de entrada y los almacena en el arreglo "texto"

Compara los caracteres de cada columna si todos son iguales guarda el carácter en "textsal" si no almacena una "x" en esa posición

Imprime "textsal" y lo guarda en salebio.txt

Cierra los archivos y el sistema

El programa anterior se modificó para poder realizar el análisis en base a homologías variables, poder salvar en el archivo que el usuario desee y poder utilizar el símbolo de variación que uno desee en vez de la "x", en caso de seguir usando x éstas se numeran automáticamente partiendo del número que uno señale. Como se muestra en el siguiente ejemplo, donde si suministramos los siguientes datos:

G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	A	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V

Y le decimos al programa que queremos que, el porcentaje de homología sea de 100%, el tipo de carácter sea x y el valor inicial de x: sea 0, el programa dará como resultado

G D x1 E x2 G K K x3 F x4

Si el porcentaje de homología es de 80%, el tipo de carácter es x y el valor inicial de x es 15 entonces el programa dará como resultado

G D x16 E x17 G K K I F V

Si el porcentaje de homología es de 100% y el tipo de caracter es un punto "." el resultado del programa será

G D . E . G K K . F .

Este nuevo programa nos facilita el análisis de la información

Citocromo C

A los programas anteriores se les suministraron los datos del blast-p completo realizado al Citocromo C, obteniéndose la estructura lingüística para los citocromos C, la cual quedo como a continuación se muestra:

GD x₁ x₂ x₃ G x₄ x₅ x₆ F x₇ x₈ x₉ x₁₀ x₁ QCH x₁₂ x₁₃ x₁₄ x₁₅ G x₁₆ x₁₇ x₁₈ x₁₉ GP x₂₀ L x₂₁ G x₂₂ x₂₃ GR x₂₄ x₂₅ G x₂₆ x₂₇ x₂₈ G x₂₉ x₃₀ Y x₃₁ x₃₂ A x₃₃ x₃₄ x₃₅ x₃₆ x₃₇ x₃₈ x₃₉ W x₄₀ x₄₁ x₄₂ x₄₃ L x₄₄ x₄₅ x₄₆ L x₄₇ x₄₈ PKK x₄₉ x₅₀ PGTKM x₅₁ F x₅₂ G x₅₃ K x₅₄ x₅₅ x₅₆ x₅₇ R x₅₈ D x₅₉ x₆₀ x₆₁ x₆₂ x₆₃ x₆₄ x₆₅ x₆₆ x₆₇

Simplificando lo anterior :

GD x_1-3GX4-6 F x₇-₁₁ QCH x₁₂-₁₅ G x₁₆-₁₉ GP x₂₀ L x₂₁ G x₂₂ x₂₃ GR x₂₄ x₂₅ G x₂₆-₂₈ G x₂₉ x₃₀ Y x₃₁ x₃₂ A x₃₃-₃₉ W x₄₀-₄₃ L x₄₄-₄₆ L x₄₇ x₄₈ PKK x₄₉ x₅₀ PGTKM x₅₁ F x₅₂ G x₅₃ K x₅₄-₅₇ R x₅₈ D x₅₈... xN

Y para poder visualizar mejor la estructura lingüística se cambian las x por . como se ve a continuación

GD...G...F.....QCH....G....GP.L.G..GR..G...G..Y..A.......W....L...L..PKK..PG TKM.F.G.K....R.D..........

En la ficha que describe al CYC de EUGGR presente en el banco de proteínas "Enzyme" (ver anexos B) del EBI aparacen los siguientes datos sobre el grupo hemo

FT MOD_RES 1 1 ACETYLATION.

FT BINDING 17 17 HEME (COVALENT).

FT METAL 18 18 IRON (HEME AXIAL LIGAND).

FT METAL 79 79 IRON (HEME AXIAL LIGAND).

FT MOD_RES 85 85 METHYLATION (TRI-).

O sea que el grupo hemo corresponde a los aminoácidos que ocupan las posiciones 1, 17, 18, 79, 85 del citocromo C

Si numeramos los aminoácidos que aparecen en la ecuación lingüística y coloreamos los a.a pertenecientes al grupo hemo queda:

1	2		6		10		16	17	18		23		28	29		31		33		36	37		40		44		47		50
G	D	...	G	...	F	.....	Q	C	H	....	G	....	G	P	.	L	.	G	..	G	R	..	G	...	G	..	Y	..	A

	58		63		67		70	71	72		75	76	77	78	79		81		83		85		90		92
.......	W	....	L	...	L	..	P	K	K	..	P	G	T	K	M	.	F	.	G	.	K	....	R	.	D	..........

Donde se observa que los aminoácidos correspondientes al grupo hemo encontrados mediante análisis moleculares mantienen sus posiciones en la ec.. lingüística

Si recordamos esta ecuación se encontró a partir del análisis de las homologías existentes entre 25 Citocromos C y el hecho que estos aminoácidos estén presentes en todos ellos manteniendo la misma configuración relativa de unos con respecto a los otros nos indica que el grupo hemo tiende a estar altamente conservado y que los resultados obtenidos mediante técnicas lingüísticas son congruentes con los estudios moleculares cotidianos

Endoglucanasas

Se suministró a los programas el blast-p completo para endoglucanasas y se encontró la siguiente estructura lingüística

x₁-₅₂ Y x₅₃-₅₇ L x_58-67 Q x₆₈ SG x₆₉ LP x₇₀-₇₅ WR x₇₆ x₇₇ S x₇₈ L x₇₉ D x₈₀-₈₆ L x₈₇ GG x₈₈ x₈₉ DAGD x₉₀ x₉₁ KF x₉₂ x₉₃ P x₉₄-₁₀₂W x₁₀₃-₁₄₄V x₁₄₄-₁₄₈D x₁₄₉-₁₅₁ Wx₁₅₂-₁₅₄ E x₁₅₅-₁₅₉ R x₁₆₀-₁₇₃ A x₁₇₄-₁₇₆ AAA x₁₇₇-₁₉₀ Y x₁₉₁-₁₉₃ L x₁₉₄-₂₂₉ DE x₂₃₀ x₂₃₁ W x₂₃₂-₂₃₄ W x₂₃₅-₂₃₇ A x₂₃₈-₂₅₂ Y x₂₅₃-₂₆₄ WD x₂₆₅-₃₁₇ G x₃₁₈-₃₆₉ Q x₃₇₀ x₃₇₂ Y x₃₇₃ LG x₃₇₄-₃₇₈ S x₃₇₉-₃₈₁ G x₃₈₂-₃₈₆ Px₃₈₈-₃₉₀ HH x₃₉₁-₄₂₆ G x₄₂₇-₄₃₀ GP x₄₃₁-₄₃₃ D x₄₃₄-₄₃₆ D x₄₃₇-₄₄₄ E x₄₄₅... xn

Para poder visualizar mejor la estructura nuevamente cambiamos las x por . quedando la estructura lingüística de la endoglucanasa como sigue:

...........................Y...L..........Q.SG.LP......WR..S.L.D.......L.GG..DAGD..KF.. P.........W..........................................V.....D...W...E.....R..............A...AAA...... ........Y...L....................................DE..W...W...A.....Y......................WD......... ............................................G....................................................Q..Y.LG...... S...G.....P...HH....................................G....GP...D...D........E.......

Y numeramos los a.a significativos

	52		56		66		68	69		71	72		79	80		83		85		87		95		97	98
.................	Y	...	L	..........	Q	.	S	G	.	L	P	......	W	R	..	S	.	L	.	D	.......	L	.	G	G

	101	102	103	104		107	108		111		121		164	165		170
..	D	A	G	D	..	K	F	..	P	.........	W	..........................................	V	G	.....	D	...

174		178		184		194	195		199		203	204	205		220		224		261	262	263
W	...	E	.....	R	.........	P	G	.......	A	...	A	A	A	.........	Y	...	L		D	E	L

	265		269		273		279		302	303		357
...	W	...	W	...	A	.....	Y	......................	W	D	.....................................................	G

	410		413		415	416		423		427		433		437	438
....................................................	Q	..	Y	.	L	G	......	S	...	G	.....	P	...	H	H

	475		480	481		485		489		498
....................................	G	....	G	P	...	D	...	D	........	E	......

Amilasas

También se estableció la ecuación lingüística para a-amilasa, con el blast-p adecuado para su utilización y considerando una homología igual o mayor al 90%

................................................G........................................................W......... YQP......................G...........F...................G..........D........NH.....................I.... ..........V.............L............GL.........................V.....L...........G.........G..R...DA AKH......................................................................Y........V............................. ...................................V....H...D...................................................................... ..........................................................NG................................................RG... ....................N.................................TLGY...................................G................ ..........

En la ficha de identificación de la proteína base utilizada que se tomó del banco de proteínas Enzime del EBI (ver anexos B) esta reportada la siguiente información sobre los aminoácidos que forman parte del sitio activo

FT ACT_SITE 217

FT ACT_SITE 221

FT ACT_SITE 310

Numerando a los a.a significativos que aparecen en la ecuación lingüística presentada anteriormente y coloreando aquellos que son parte del sitio activo, queda:

	74		78	79		81	82		99		103	104	105
............................................	G	...........	V	Q	.	S	P	............	W	.......	Y	Q	P	...................

116		121		132		138		142	143		168		177		182		184	185		195
G	.....	F	...........	G	.....	D	...	N	H	..............	I	.......	V	....	L	.	G	L	.........	V

	203		210		213		215		217	218	219	220	221		262
......	L	……	G	.........	G	.	R	..	D	A	A	K	H	..............................	Y	........

267		306		309	310
V	............................	V	....	H	D	........................................................................….........

	407	408		416		428		430		433		435
............	R	G	.......	N	............	T		L		G		Y	..............

Donde nuevamente notamos que en la ec. lingüística el sitio activo corresponde a lo encontrado mediante análisis moleculares. Ahora bien esta ecuación se encontró a partir del análisis de las homologías existentes entre 50 proteínas que actúan como amilasas y el hecho que estos aminoácidos estén presentes en más del 90% de ellas nos indica que el sitio activo tiende a estar altamente conservado en este caso, aunque cabe señalar que este puede encontrarse en posiciones distintas. ya que los tamaños de las proteínas analizadas van desde 500 a.a hasta 660 a.a

FRECUENCIAS

A continuación se analizaron los blast-p completos realizados a las diferentes proteínas, con el fin de establecer los porcentajes de aparición de un aminoácido en un sitio específico de la proteína, y con el fin de poder comparar con nuestros resultados anteriores se estableció nuevamente la estructura lingüística

Para poder hacer esto se creó un programa, al cual si le suministramos por ejemplo los siguientes datos

G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	A	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V

Nos da como resultado la siguiente tabla:

A	0	0	40	0	20	0	0	0	0	0	0
B	0	0	0	0	0	0	0	0	0	0	0
C	0	0	0	0	0	0	0	0	0	0	0
D	0	100	0	0	0	0	0	0	0	0	0
E	0	0	0	100	0	0	0	0	0	0	20
F	0	0	0	0	0	0	0	0	0	100	0
G	100	0	0	0	0	100	0	0	0	0	0
H	0	0	0	0	0	0	0	0	0	0	0
I	0	0	0	0	0	0	0	0	80	0	0
K	0	0	0	0	60	0	100	100	0	0	0
L	0	0	0	0	0	0	0	0	20	0	0
M	0	0	0	0	0	0	0	0	0	0	0
N	0	0	0	0	0	0	0	0	0	0	0
P	0	0	0	0	0	0	0	0	0	0	0
Q	0	0	0	0	0	0	0	0	0	0	0
R	0	0	0	0	20	0	0	0	0	0	0
S	0	0	0	0	0	0	0	0	0	0	0
T	0	0	0	0	0	0	0	0	0	0	0
V	0	0	60	0	0	0	0	0	0	0	80
W	0	0	0	0	0	0	0	0	0	0	0
	G	D	.	E	.	G	K	K	.	F	.

En la cual, la computadora nos entrega el análisis de la siguiente forma, en la primera columna imprime una lista de todos los aminoácidos y al lado establece los porcentajes de aparición del aminoácido para cada sitio específico de la proteína, abajo se va escribiendo la ecuación lingüística

El programa que realiza lo anterior es estabio1.c y su pseudocódigo es el siguiente:

Abre el archivo de entrada, donde se encuentran almacenadas las cadenas de aminoácidos y abre el archivo de salida, donde almacenará la tabla y la estructura lingüística

Lee los datos del archivo de entrada y los almacena en el arreglo "texto"

Cuenta las veces que aparece un carácter en una columna si todos son iguales guarda el carácter en "textsal" si no almacena un "." en esa posición

Imprime una lista de todos los aminoácidos y al lado los porcentajes de aparición del aminoácido para cada sitio específico de la proteína, y va imprimiendo "textsal" abajo de la columna correspondiente

guarda la impresión en el archivo de salida

Cierra los archivos y el sistema

Los arreglos resultantes se encuentran en los anexos C, en estos se cambiaron lo ceros por comas para poder visualizar mejor los resultados y algunas de las tablas fueron coloreadas en base al tipo de aminoácido

A continuación se muestran algunos de los resultados que obtuvimos de forma preliminar del análisis de las tablas resultantes,

Al observar la primera tabla de variaciones de citocromo C notamos que en el sitio 14 el 88% de los CYC analizados presentaban Cisteína, mientras solo el 12% Alanina, al buscar otros sitios donde existiera esa proporción en variación encontramos que tanto en el sitio 39 como en el 48 había una proporción 88-12% pero en estos casos la Timina estaba en el 88% de los casos y la serina en 12%, como se ve a continuación:

	A	B	C	D	E	F	G	H	I	K	L	M	N	P	Q	R	S	T	V	W	Y
14	12	,	88	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,
39	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	12	88	,	,	,
48	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	12	88	,	,	,

al ir al blast-p nos encontramos lo siguiente:

Organismo	14	39	48
1 :CYC_EUGGR	A	S	S
2 :CYC_EUGVI	A	S	S
3 :CYC2_MOUSE	C	T	T
4 :CYC2_RAT	C	T	T
5 :CYC_EQUAS	C	T	T
6 :CYC_HORSE	C	T	T
7 :CYC_BOVIN	C	T	T
8 :CYC_CYPCA	C	T	T
9 :CYC_MACGI	C	T	T
10 :CYC_HIPAM	C	T	T
11 :CYC_THELA	C	T	T
12 :CYC_CRIFA	A	S	S
13 :G298836	C	T	T
14 :CYC_HUMAN	C	T	T
15 :CYC_CANFA	C	T	T
16 :CYC_MIRLE	C	T	T
17 :CYC_KATPE	C	T	T
18 :CYC_MACMU	C	T	T
19 :CYC_ESCGI	C	T	T
20 :CYC_NEUCR	C	T	T
21 :CYC_RANCA	C	T	T
22 :CYC_MINSC	C	T	T
23 :CYC_APTPA	C	T	T
24 :CYC_ENTTR	C	T	T
25 :CYC_MOUSE	C	T	T

Al observar el blast-p podemos dividir a los organismos en dos categorías, aquellos que tienen cisteína en el lugar 17 y en los lugares 39 y 49 Timina y aquellos que tienen Alanina en el lugar 17 y en los otros dos Serina, en base a estos resultados se puede decir que es posible que la secuencia de a.a. CTT sea substituíble por ASS o en otras palabras es posible que CTT y ASS actúen como sinónimos

BÚSQUEDA DE SECUENCIAS SIMILARES

Se realizó otro programa (estabio2.c) (ver anexos D) encaminado a tratar de utilizar la ecuación lingüística para identificar proteínas que cumplen con la estructura de la ecuación.

Si le suministramos a este programa los siguientes datos para que establezca la ecuación

C	D	A	E	R	G	K	K	L	F	E
G	D	A	E	A	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V

y las siguientes secuencias, para que vea cuales cumplen con la ecuación obtenida con los datos anteriores

Nos da como resultado

La ecuación lingüística es

G D . E . G K K . F .

y las secuencias que cumplieron con ella fueron 3 de 5, las cuales son:

La computadora nos entrega aquellas secuencias que cumplieron con la ecuación lingüística independientemente que esta ecuación estuviese en el centro de la secuencia, corrida a la derecha o a la izquierda, se diseñó de esta forma tras observar en los blast-p que las proteínas que realizan la misma función varían de tamaño, entonces a veces la ecuación comienza al principio de la proteína y puede terminar con la proteína o la proteína puede ser más grande, otras veces la ecuación comienza a establecerse varios aminoácidos después del inicio de la proteína

El programa que realiza lo anterior es estabio2.c y su pseudocódigo es el siguiente:

Abre el archivo de entrada, donde se encuentran almacenadas las cadenas de aminoácidos en base a las cuales establece la ec. lingüística y abre el archivo de salida, donde almacenara los resultados

Lee los datos del archivo de entrada y los almacena en el arreglo "texto"

Establece la ecuación lingüística

Abre el archivo donde se encuentran las cadenas a ser comparadas

Para cada una de las cadenas a ser comparadas, ve si la ecuación lingüística se encuentra dentro de la cadena

Imprime una lista de todos las cadenas que cumplieron la ecuación lingüística y señala cuantas secuencias había en el archivo y de ellas cuantas coincidieron con la ecuación

guarda la impresión en el archivo de salida

Cierra los archivos y el sistema

CONCLUSIONES

Es posible encontrar estructuras lingüísticas en base al análisis de la información proteica ya que en diferentes enzimas que catalizan la misma reacción se encuentran zonas de a.a. que se repiten independientemente del organismo del cual son extraídas la enzimas

De lo observado en los resultados de los diversos Blast-p realizados para amilasas podemos decir que es posible que existan ciertas secuencias de aminoácidos que actúen como verbos y otra serie de aminoácidos que actúen como sujeto y que al conjugarse logran la alta especificidad en las enzimas Además en base a el análisis de las variaciones del Citocromo C es posible que existan secuencias de aminoácidos equivalentes que podrían actuar como sinónimos

Se Cumplieron los objetivos tanto particulares como generales del proyecto al lograr obtener:

*Los análisis de Blast-p tales que nos permitieron encontrar la estructura lingüística de las endoglucosidasas, amilasas y del citocromo C

*El establecimiento de la estructura lingüística para endoglucosidasas, amilasas y del citocromo C que a priori puede ser considerada como un modelo bioinformático

*Una serie de programas que facilitan ir estableciendo las diferentes características gramaticales de las secuencias de las proteínas.

En base al análisis lingüístico se determinó que al parecer los sitios activos, de las amilasas y el grupo hemo del citocromo C tienden a ser altamente conservativos.

Así el posible sitio activo consenso en el caso de las amilasas sería

x	x+1	x+2	x+3	x+4	x+13
D	A	A	K	H	D

Y la posible conformación del grupo hemo en los Citocromos C sería

1	17	18	79		85
x	x+16	x+17		x+78		x+84
G	C	H	M		K

Donde x es el sitio del aminoácido donde comienza el sitio activo o el grupo hemo según sea el caso

En base a lo anterior podemos decir que se cumplieron con las expectativas que se tenían programadas

Recomendaciones para trabajos futuros

Como el área es prácticamente nueva existen infinidad de espacios que faltan por explorar algunos trabajos que podrián surgir como continuación del presente serían:

Como mencionamos en los resultados con respecto al blast-p para las amilasas, existe una gran divergencia entre las distintas amilasas por lo cual en posteriores investigaciones convendría realizar nuevos análisis en base a los diferentes tamaños y propiedades de las amilasas listadas en el blast-p utilizado.

Actualmente se han encontrado comportamientos fractales en distintos fenómenos naturales que van desde la estructura de las nubes , las montañas y las galaxias hasta en áreas como la música y la pintura por lo que en futuros trabajos se podría tratar de encontrar patrones de comportamiento tipo fractal en la información proteica, los análisis de las frecuencias de aparición de los distintos aminoácidos en los diferentes sitios de las proteínas quizás podrían servir para ello.

Los patrones fractales son patrones de comportamiento autosimilares, donde la autosimilaridad es una propiedad común a múltiples fenómenos de la naturaleza y consiste básicamente en que, un fenómeno está formado por fenómenos similares al fenómeno original, por ejemplo si se rompe una piedra se observa que esta formada por piedras y las ramas de un árbol son similares al árbol completo[9][10].

El último programa se podría utilizar por ejemplo para ir creando un identificador de secuencias, de tal manera que en vez de tener almacenadas las secuencias de múltiples proteínas solo se tenga la ecuación lingüística de cada tipo de proteína y con ella se realice una identificación primaria desde una computadora personal sin necesidad de acceder a la red.

FUENTES DE INFORMACIÓN

1. Fernando Galindo Soria, Marina Vicario Solorzano, Rumbo a la Fundamentación de la Informática Educativa, en Memorias del XII Simposio Internacional de Computación en la Educación organizado por la SOMECE, Cd. de México, Octubre de 1996.

2. José Luis Carrillo Aguado, Entrevista sobre Informática a Fernando Galindo Soria y Marina Vicario Solorzano, en la Revista Investigación hoy #79, pag. 22 y 23, Cd. de México, Dic. de 1997.

3. El Origen de las formas, edición especial de Mundo Científico #188, Barcelona, Marzo de 1998.

4. Jagjit Singh, Teoría de la Información, del lenguaje y de la cibernética, Ed. Alianza Editorial AU-29, Madrid, 1982

5. Fernando Galindo Soria, Algunas propiedades matemáticas de los sistemas lingüísticos en: las Memorias sobre "Sistemas Evolutivos" del ler Congreso Internacional de Investigación en Ciencias Computacionales, Instituto Tecnológico de Toluca, Metepec Edo. de México, Septiembre de 1994.

6. Fernando Galindo Soria, Sistemas Evolutivos de Reescritura, en Memorias sobre "Sistemas Evolutivos" del ler. Congreso Internacional de Investigación en Ciencias Computacionales, Instituto Tecnológico de Toluca, Metepec Edo. de México, Septiembre de 1994.

7. Fernando Galindo Soria, Sistemas Evolutivos de Lenguajes de Trayectoria, En las Memorias de la VI Reunión Nacional de Inteligencia Artificial, Ed. Limusa, Querétaro, Qro., Junio de 1989.

8. Rémi Jullien, Robert Botet y Max Kolb, Los Agregados, en Mundo Científico vol. 6, #54, pag. 36, Ed. Fontalba, S.A., Barcelona, España.

9. Eliezer Braun, Caos, Fractales y cosas raras, Ed. FCE., México, 1996

10. Vicente Talanquer, Fractus, fracta, fractal, Ed. FCE., México, 1996

11. Gamma Z. Galindo Pérez y Patricia Rodríguez Pascual, Modelos Bioinformáticos, en las memorias del VIII Congreso Nacional de Biotecnología y Bioingeniería y IV Congreso Latinoamericano de Biotecnología y Bioingeniería, pag 599, Huatulco, Oaxaca, México, septiembre de 1999.

12. Lorenzo Segovia, Bioinformática: Análisis de la familia estructural de las Beta-lactamasas, en las memorias del VIII Congreso Nacional de Biotecnología y Bioingeniería y IV Congreso Latinoamericano de Biotecnología y Bioingeniería, pag 598, Huatulco, Oaxaca, México, septiembre de 1999.

13. Albert L. Lehninger, Biochemistry, 2. Edición, Nueva York, 1975

14. C.U.M: Smith, Biología Molecular, Ed, Alianza Editorial AU-7, Madrid 1971

15. www.ebi.ac.uk Página del Instituto Europeo de Bioinformática

G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	A	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V

	A	B	C	D	E	F	G	H	I	K	L	M	N	P	Q	R	S	T	V	W	Y
14	12	,	88	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,
39	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	12	88	,	,	,
48	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	12	88	,	,	,

G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	A	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V

	A	B	C	D	E	F	G	H	I	K	L	M	N	P	Q	R	S	T	V	W	Y
14	12	,	88	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,
39	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	12	88	,	,	,
48	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	12	88	,	,	,

Introduccion

Justificación

Estado Del Campo

METODOLOGÍA

Donde la interpretación de las siglas AMY_BACSU se presenta a continuación

AMY

Organismo del cual fue aislada

Citocromo C

Tabla 2.1. Fragmento del blast-p realizado a citocromo C

RESULTADOS Y DISCUSIÓN

Tabla 3.1 Endoglucanasas disponibles en el banco "Enzimes" del EBI

Organismo

Tabla 3.2 Amilasas disponibles en el banco "Enzimes" del EBI

Blast-P

Citocromo C

Endoglucanasas

Tabla 3.4

N°

Amilasas

Tabla 3.5

Descripción

Alpha-Amilasa Precursor

Tabla 3.7 Resumen de los resultados de la tabla 3.6

Ecuación lingüística

El programa nos da como resultado

Citocromo C

Endoglucanasas

Amilasas

FRECUENCIAS

BÚSQUEDA DE SECUENCIAS SIMILARES

CONCLUSIONES

G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	R	G	K	K	L	F	E
G	D	A	E	A	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V
G	D	V	E	K	G	K	K	I	F	V

	A	B	C	D	E	F	G	H	I	K	L	M	N	P	Q	R	S	T	V	W	Y
14	12	,	88	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,
39	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	12	88	,	,	,
48	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	,	12	88	,	,	,