La Banque de données PDB (Protein Data Bank) est notre source principale d’obtention de coordonnées structurales (structures 3D) d’enzymes, de récepteurs ou de protéines au sens général. Dans le domaine du structure-based drug design nous sommes plus particulièrement intéressés par des protéines qui sont complexées avec un substrat, un inhibiteur, un ligand, un effecteur … plus généralement une petite molécule organique dont nous allons étudier les interactions avec la protéine, un peu comme une clef (le ligand) dans une serrure. On en tirera des informations qui nous permettrons, peut être, de concevoir une nouvelle molécule (une autre clef) sur des bases rationnelles. Par exemple un inhibiteur qui soit capable de bloquer une fonction de la protéine, qui soit assez actif sans pour cela être trop toxique, qui soit suffisamment spécifique de la cible, qui puisse être internalisé dans l’organisme et les cellules etc (beaucoup de conditions en fait).

D’après un article publié dans buildblog.buidez.net en 2009.

Le format PDB classique

Dans ce cadre, une bonne utilisation des fichiers PDB est primordiale. Ce type de fichiers correspond à un format bien précis, qui mélange des données sur la protéine (par exemple la séquence) à des métadonnées (informations sur le fichier, date de dépôt …) et les coordonnées structurales, c’est à dire le type d’atomes qui constituent la structure 3D et les positions des atomes dans l’espace (un repère cartésien dans ce cas). Il n’est pas question ici de faire un cours exhaustif sur le sujet, il existe suffisamment de pages disponibles sur le Web. On va simplement donner quelques informations pour aider à la compréhension articles de ce blog. Mais tout d’abord, quelques URLs importantes à connaître:

Exemple de l’aldolase

Nous allons nous intéresser à la structure 1ADO [Blom_1997] qui correspond à une enzyme, une aldolase (D-fructose 1,6-bisphosphate aldolase) de lapin.

La structure de cette enzyme se présente sous forme d’une unité asymétrique comportant 4 chaines polypeptidiques qui sont étiquetées A, B, C, D et qui complexent (ligandent) différents ligands: deux molécules de 13P (1,3-dihydroxyacetonephosphate pour A et B) et deux ions sulfate (SO4 pour C et D), ainsi que des molécules d’eau (points rouges tout autour de la figure précédente). Le fichier PDB correspondant à cette structure comporte différents blocs que nous allons explorer :

1. L’entête

Nous allons commencer par l’entête (header), les trois petits points à la fin de l’extrait (cet entête compte 994 lignes de texte ASCII) signalent simplement le fait que des lignes ont été masquées pour alléger l’affichage :

Dans cet entête on trouve des informations signalées par une première colonne (mots clefs tels que HEADER, TITLE, COMPND, SOURCE, KEYWDS, EXPTA, AUTHOR, REVDAT, JRNL, REMARK ) liés à la taxonomie, bibliographie, à des paramètres liées à la cristallographie. La cohérence des blocs signalés par le terme REMARK est assurée par une seconde colonne qui comporte un numéro (4 chiffres disponibles). On trouve également (entre autres) :

• Une liste des résidus dont les angles phi/psi ne correspondent pas au diagramme de Ramachandran;
• Des données sur l’attribution de molécules d’eau et de ligands à chaque chaine polypeptidique et les résidus de la protéine correspondant à chaque site (liaison, actif, etc);
• La séquence primaire de la protéine, le nom et la formule brute des hétéro atomes (ligands, ions, molécules d’eau …), la délimitation d’éléments de structure secondaire ou tertiaire (hélices, feuillets, ponts disulfures) …

La longueur et le contenu de l’entête peuvent être très variable d’un fichier à l’autre, que ce soit pour des molécules différentes ou identiques, par exemple la même molécule sauvée sous la forme d’un fichier PDB par un autre logiciel pourra voir un entête très réduit:

Ici il s’agit de 3 lignes (REMARK, CRYST1) suivi des premières lignes du bloc de coordonnées moléculaires (6979 lignes dans le fichier initial).

2. Bloc ATOM: coordonnées moléculaires (protéine)

Les lignes de coordonnées sont définies par les mots clefs ATOM pour les atomes de protéines et HETATM (hétéro-atomes) pour les autres composés. On trouve plusieurs colonnes (cas de la seconde ligne de coordonnées atomiques) telles que le mot clé (ATOM), le numéro d’atome (2), le type d’atome (CA, carbone alpha) au sens PDB, le nom du résidu (PRO, proline), l’identificateur de chaine (A), le numéro de résidu dans la séquence (1), les coordonnées x (33.720), y (-3.187) et z (3.223), le facteur d’occupation (1.0), le facteur de ‘température’ (39.67), et d’autres colonnes optionnelles.
Pour le dernier atome (numéro 3383) de l’avant dernier résidu (ALA 362) de la chaine A et la totalité des atomes du dernier résidu (TYR 363) on aura:

La fin de chaine est marquée par un mot clé TER, puis on retrouve la totalité des atomes du premier résidu (PRO 1) et un atome (3409) du second résidu (HIS 2) correspondant à la chaine suivante (chaîne B).

2. Bloc HETATM: coordonnées (ligands et eau)

A la fin du bloc ATOM (donc des lignes correspondant à la chaîne D) on commence à trouver les atomes des ligands et molécules d’eau qui sont marqués par des lignes HETATM. Dans le bloc suivant, le premier ligand (13P A1104 pour la chaîne A) puis le second (13P 1053 pour la chaîne B) à la suite du dernier atome (13595 d’une tyrosine, TYR 363) de la chaine D :

Ces résidus sont immédiatement suivis par les molécules de SO4 et les molécules d’eau (3288 résidus répartis sur les 4 chaînes) :

Enfin à la fin du fichier, s’il y a des molécules organiques qui ne sont pas de l’eau (dans ce cas précis, 13P et SO4) on trouve (ou pas, cela dépends des fichiers) un bloc de connectivité.

Bloc de connectivité

Vous aurez remarqué qu’il n’y a que les coordonnées (x, y, z) des atomes dans le bloc de coordonnées structurales. Ces positions peuvent servir à reconstruire une structure chimique mais ce n’est pas toujours possible sans ambiguïté. Dans ce cas il vaut mieux disposer de la connectivité, c’est à dire savoir quel atome est connecté avec un(des) autre(s).

Par exemple, le bloc de connectivité du ligand 13P 1053 sera:

CONECT1362113622136231362413625 CONECT1362213621 CONECT136231362113631 CONECT1362413621 CONECT136251362113626 CONECT136261362513627 CONECT13627136261362813629 CONECT1362813627 CONECT136291362713630 CONECT136301362913632 CONECT1363113623 CONECT1363213630

Ce qui correspond à la structure suivante:

On voit que l’atome 13621 (première ligne du bloc connectivité) est connecté aux atomes 13622, 13624, 13623, 13625. Dans ce bloc de connectivité il n’y a pas de séparations entre chaque numéros d’atomes, car l’espace réservé n’occupe que 5 chiffres et dans le cas de cette structure, on a des numéros d’atomes supérieurs ou égaux à 10000 pour les ligands.

Taux d’occupation

Regardons maintenant les valeurs de la colonne correspondant aux taux d’occupations des atomes du premier ligand (13P 1104) dans la chaîne A. On remarquera qu’ils sont égaux à 0.5 au lieu de 1.0 ! cela veut simplement dire qu’une moitié des atomes de ce ligand sont assignés dans une position et une autre moitié dans une autre, ce qui se traduit pour un observateur attentif par deux conformations alternatives de la structure moléculaire de 13P.

Heureusement les molécules de SO4 sont plus simples, on les reconnait assez rapidement à l’œil dans le bloc de connectivité:

... CONECT1363513636136371363813639 CONECT1363613635 CONECT1363713635 CONECT1363813635 CONECT1363913635 CONECT1364113642136431364413645 CONECT1364213641 CONECT1364313641 CONECT1364413641 CONECT1364513641 END

Chaque atome de Soufre (S, jaune) étant connecté par 4 atomes d’oxygène (O, rouge) :

Le mot clé END termine le fichier PDB. Il s’agit ici d’un fichier qui ne contient qu’une structure protéique, d’autres fichiers, dits multi-modèles, peuvent contenir plusieurs (typiquement 5 à 20) conformations (modèles, frames …) de la même molécule et sont généralement obtenus par d’autres techniques (RMN, calculs).

4. Conclusion

Cet article donne une idée d’un fichier de coordonnées moléculaires pour une macromolécule et dans le contexte PDB. Il existe d’autres formats (par exemple mmCIF) mais celui ci est majeur dans la communauté biologie structurale et au delà. Ces fichiers comportent de nombreuses subtilités, car il y a des variations dans la manière d’organiser des données, même si la syntaxe et les mots-clés sont normalisés (cf. liens au début de l’article). En conséquence, les composants logiciels qui les prennent en compte pour des affichages ou des calculs peuvent être plus ou moins robustes de ce point de vue.