Revista de Ciencias Tecnológicas (RECIT). Volumen 3 (1): 10-22
Revista de Ciencias Tecnológicas (RECIT). Universidad Autónoma de Baja California ISSN 2594-1925
Volumen 7 (4): e372. Octubre-Diciembre, 2024. https://doi.org/10.37636/recit.v7n4e372
1 ISSN: 2594-1925
Artículo de investigación
Predicción estructural y funcional de las ADN glicosilasas así
como su relación filogenética por métodos bioinformáticos
Structural and functional prediction of DNA glycosylases as well as their
phylogenetic relationship by bioinformatic methods
Estrella Alejandra Pinkney Rivas , Marco Antonio Popoca Cuaya
Facultad de Ciencias Químico Biológicas, Universidad Autónoma de Campeche. Av. Ing. Humberto Lanz
Cárdenas s/n Col. Ex-Hacienda Kalá. C.P.24085, Campeche, Campeche, México
Autor de correspondencia: Marco Antonio Popoca Cuaya, Facultad de Ciencias Químico Biológicas, Universidad Autónoma
de Campeche. Correo electrónico: mapopoca@uacam.mx. ORCID: 0000-0001-9315-8349
Recibido: 29 de Agosto del 2024 Aceptado: 15 de Octubre del 2024 Publicado: 28 de Octubre del 2024
Resumen. - Las bases nitrogenadas que conforman a los nucleótidos del ADN pueden ser alteradas por factores externos e
internos. El mecanismo de reparación por escisión de bases (BER) se encarga de remover las bases dañadas a través de un
conjunto de enzimas. En este trabajo realizamos un análisis in silico de las secuencias de los genes y proteínas de las glicosilasas
encargadas de eliminar las bases alteradas: MPG, OGG1, NEIL1, MUTYH y NTHL1 que participan en la reparación por el
mecanismo de BER de Homo sapiens. Utilizamos diferentes softwares bioinformáticos con el objetivo de caracterizar el
contenido de guanina y citocina (G≡C) de los genes, las estructuras secundarias y terciaria de las glicosilasas, los motivos en las
proteínas, así como la relación filogenética entre las glicosilasas. Las secuencias de los genes y de los aminoácidos se descargaron
del GeneBank, se utilizaron los softwares en línea GENSCAN, Gor4, phyre2, InterPro y MEGA. El contenido G≡C obtenido en
porcentaje fueron de 63.80%, 63.50%, 61.33%, 60.48% y 59.20% para MPG, NTHL1, NEIL1, MUTYH y OGG1
respectivamente. La estructura secundaria de las proteínas mostró que NTHL1 tiene el porcentaje más alto (43.42%) de alfa
hélice, OGG1(16.23%) en la estructura de cadena extendida y NEIL1 en el plegamiento aleatorio (57.69%). Adicionalmente se
realizó la predicción de la estructura terciaria y de los dominios en las proteínas, el dominio HhH está presente en OGG1,
MUTYH y NTHL1. El árbol filogenético mostró la relación evolutiva entre los genes estudiados, siendo el gen OGG1 el ancestro
común. Los resultados de las predicciones son importantes para comprender la estructura molecular de las glicosilasas, además
la información generada puede ser utilizados tanto en estudios experimentales, biotecnológicos y en la función evolutiva durante
la reparación del ADN y en el diseño de estrategias terapéuticas en las cuales están involucradas las glicosilasas.
Palabras clave: Estrés oxidativo; Genotoxicidad; Reparación; ADN; in silico.
Abstract. - Nitrogenous bases are a component of DNA nucleotides and can be altered by both external and internal factors.
The base excision repair (BER) mechanism is responsible for removing damaged bases through the action of various enzymes.
In this study, we performed an in-silico analysis of the gene and protein sequences of glycosylases responsible for eliminating
altered bases: MPG, OGG1, NEIL1, MUTYH, and NTHL1, which participate in the BER mechanism of Homo sapiens. We
used various bioinformatics tools to characterize the guanine and cytosine (G≡C) content of the genes, the secondary and tertiary
structures of the glycosylases, protein motifs, and the phylogenetic relationships between the glycosylases. Gene and amino acid
sequences were downloaded from GenBank, and the online software tools GENSCAN, Gor4, Phyre2, InterPro, and MEGA were
used. The G≡C content percentages obtained were 63.80%, 63.50%, 61.33%, 60.48%, and 59.20% for MPG, NTHL1, NEIL1,
MUTYH, and OGG1, respectively. Secondary structure analysis of the proteins showed that NTHL1 has the highest percentage
(43.42%) of alpha helix, OGG1 has the highest percentage (16.23%) of extended chain structure, and NEIL1 has the highest
percentage of random coil (57.69%). Additionally, we performed the prediction of tertiary structure and domains in proteins,
where the HhH domain was observed in OGG1, MUTYH, and NTHL1. The phylogenetic tree revealed the evolutionary
relationships among the studied genes, with the OGG1 gene being the common ancestor. These findings are important for
understanding the molecular structure of glycosylases and provide valuable information that can be utilized in both experimental
and biotechnological studies, as well as in understanding the evolutionary function of DNA repair and in the design of therapeutic
strategies involving glycosylases.
Keywords: Oxidative stress; Genotoxicity; Repair; DNA; in silico.
2 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
1. Introducción
En las células de los mamíferos, el ADN
continuamente está expuesto a diversos agentes
genotóxicos tanto exógenos como endógenos.
Entre los agentes exógenos se encuentra la
radiación ionizante, luz ultravioleta, especies
reactivas de oxígeno (ROS, por sus siglas en
inglés), exposición a diversas sustancias químicas
[1].
Por otra parte, las fuentes endógenas se encuentra
el acortamiento de los telómeros, así como las
ROS producidas durante el metabolismo celular
[2]. Las ROS son moléculas inestables que
contienen oxígeno altamente reactivo por lo que
su interacción con el ADN puede producir
lesiones en las bases nitrogenadas lo que puede
ocasionar rompimiento de cadena sencilla y de
cadena doble ocasionando mutaciones, bloqueo en
los procesos de replicación y transcripción,
afectando la expresión genética [3], de este modo
la reparación del ADN es fundamental para
mantener la estabilidad genómica en las células
[4]. Las células responden al daño del ADN a
través de una serie de vías de señalización para
detectar lesiones y promover la reparación del
ADN, los principales mecanismos de reparación
son: escisión de bases (BER), escisión de
nucleótidos (NER), errores de apareamiento
(MMR), recombinación homóloga (HR) y unión
de extremos no homólogos (NHEJ) [5], [6].
BER es un mecanismo de reparación del ADN en
respuesta al daño ocasionado por procesos como
oxidación, hidrólisis, desaminación y alquilación
de las bases nitrogenadas. La reparación de bases
del ADN es un proceso altamente conservado a
través de la evolución e involucra la participación
de múltiples enzimas, en humanos participan
alrededor de 30 proteínas [7]. El primer paso en la
BER es remover bases dañadas o modificadas
mediante ADN glicosilasas, para cortar el enlace
N-glucosídico, dejando un sitio apurínico o
apirimidínico (AP), como se puede ver en la figura
1, el cual es el sustrato para la endonucleasa
apurínica/apirimidínica (APE1) y una APliasa
encargada de cortar el lado 3´ del sitio AP para
eliminar el azúcar, en el espacio libre dejado por
la base dañada se incorporan nucleótidos por la
ADN polimerasa y finalmente sellado por una
ADN ligasa [8],[9]. Este mecanismo previene la
acumulación de daño oxidativo y otras
Figura 1. Escisión de bases dañadas por las glicosilasas, al inicio de la reparación del ADN por el mecanismo
de BER, generando un sitio AP, el cual es sustrato para las endonucleasas y continuar con la reparación.
3 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
modificaciones en las bases nitrogenadas tanto en
el genoma nuclear y mitocondrial. Las ADN
glicosilasas son las primeras enzimas reclutadas
para reparar las lesiones del ADN por medio de
BER, la función que llevan a cabo es crucial para
identificar y remover las bases alteradas en el
ADN [10], además de que tienen una amplia
distribución tisular, en el ser humano se han
identificado 11 ADN glicosilasas que pueden
subdividirse en tres grupos; enzimas
monofuncionales que escinden la base dañada
dejando un sitio AP y un esqueleto de fosfodiéster
intacto; glicosilasas bifuncionales que eliminan la
base y escinden el enlace fosfodiéster en el lado 3’
de la base dañada generando un aldehído 3 -α,β-
insaturado (eliminación β) y glicosilasas similares
a Nei (NEIL) las cuales pueden catalizar una
reacción de eliminación β/δ en el que el enlace
fosfodiéster es escindido [11]. Las glicosilasas
analizadas en este estudio realizan funciones muy
específicas; MUTYH se encarga de escindir la
adenina insertada frente a la 8-oxoguanina (8-
oxoG), además está involucrada en la reparación
posreplicación [12], NEIL 1 tiene actividad dual
de ADN glicosilasa y beta/delta liasa, NTHL1 es
una enzima bifuncional, pertenece a la familia de
las endonucleasas III [13], MPG tiene la función
de una alquiladenina ADN glicosilasa en las bases
alquiladas del ADN [14] y OGG1 es responsable
de escindir a la 8-Oxoguanina (8-oxoG), dejando
un sustrato para la endonucleasa APE1 [15].
Diferentes estudios han demostrado que la
deficiencia, sobreexpresión o mutaciones de las
proteínas que participan en la vía de BER
particularmente de las glicosilasas están
relacionadas con algunos procesos patológicos
[16], [17]. Además, se ha reportado que la
acumulación de lesiones y mutaciones en el ADN
puede tener como consecuencia la inestabilidad
genómica, acumulación de mutaciones,
senescencia celular [18], lo cual tiene relación
principalmente con trastornos neurodegenerativos
y carcinogénesis [19], también se ha relacionado
que las deficiencias en los procesos por BER son
un factor importante en la inflamación y
enfermedades metabólicas [20]. Una de las
características en las células tumorales es la
deficiencia en la reparación del ADN por lo tanto
las mutaciones en genes involucrados en la
detección del daño al ADN y reparación
ocasionaría una predisposición al cáncer [21].
Por otro lado, el estudio de genomas,
transcriptomas y proteomas mediante la
secuenciación de nueva generación (NGS) y
espectrometría de masas ha generado una gran
cantidad de información lo cual ha motivado a
desarrollar nuevas investigaciones [22].
Actualmente en el GeneBank se han reportado 25
billones de pares de bases de más de 3 700
millones de secuencias de nucleótidos para 557
000 especies [23]. El uso de metodologías
computacionales en los trabajos de investigación
ha sido cada vez más frecuente en las ciencias
biológicas [24]. En los últimos años se han
desarrollado diferentes programas y softwares
para el análisis de genes y proteínas como Expasy
(Sistema experto de análisis de proteínas) Genome
tools, por mencionar algunos, los cuales tienen la
ventaja de que se pueden realizar en poco tiempo
y a bajo costo, estas herramientas pueden predecir
las características de diferentes moléculas, en
algunos casos también se puede realizar la
predicción de mutaciones, sobreexpresión,
inhibición, regulación de la expresión genética,
señalización celular, en diferentes procesos
celulares y patologías [25], [26].
Las glicosilasas tienen un papel importante en la
reparación del ADN y su deficiencia está asociada
con la carcinogénesis, inflamación,
envejecimiento y trastornos neurodegenerativos,
por esta razón nos propusimos caracterizar los
genes y proteínas de las glicosilasas debido que
existen pocos estudios in silico en los procesos de
reparación del ADN, por lo que los resultados
obtenidos en este análisis pueden ser utilizados
como una alternativa en el desarrollo de nuevas
estrategias aplicadas en el área médica.
4 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
2. Metodología
En el presente estudio, se utilizaron servidores en
línea y aplicaciones de softwares disponibles de
manera gratuita, en la figura 2 se muestra la
metodología análisis que se realizaron en este
trabajo. Las secuencias de nucleótidos y
aminoácidos de las glicosilasas implicadas en la
reparación del ADN por BER en Homo sapiens
fueron recuperadas del GenBank en formato
FASTA del Centro Nacional de Base de datos de
información biotecnológica
(https://www.ncbi.nlm.nih.gov/gene/). Para este
estudio las glicosilasas seleccionadas fueron:
OGG1, MPG, MUTYH, NEIL1 y NTHL1.
Se descargaron las secuencias de los ARNm, en el
caso de los transcritos con más de dos isoformas
se seleccionó la isoforma más representativa de
cada uno de los genes (MANE SELECT), además
tomamos en cuenta los números de acceso,
nombre de los genes, del mismo modo se
descargaron las secuencias de aminoácidos de las
proteínas, así como a longitud de cada secuencia
de nucleótidos y de aminoácidos. Una vez que se
realizó la descarga de las secuencias se procedió a
realizar el análisis del porcentaje del contenido de
G≡C de acuerdo con las secuencias de nucleótidos
de los ARNm de cada gen se determinó con el
software GENSCAN
(http://hollywood.mit.edu/GENSCAN.html), esta
herramienta es fácil de usar y tiene la ventaja de
Figura 2. Diagrama de flujo de la metodología empleada en la predicción in silico de los ARN y proteínas de las
glicosilasas.
5 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
predecir variaciones en regiones codificantes. La
predicción de las estructuras secundaria de las
proteínas se realizó con el software en línea GOR4
secondary structure prediction (https://npsa-
pbil.ibcp.fr/cgibin/npsa_automat.pl?page=/NPSA
/npsa_gor4.html), el cual permitió obtener el
porcentaje de las estructuras correspondientes a
alfa hélice, estructura extendida y plegamiento
aleatorio. Para el análisis de la estructura terciaria
se utilizaron las mismas secuencias de los
aminoácidos para este objetivo se utilizó el
software en línea Phyre2 Protein Fold Recognition
Server
(http://www.sbg.bio.ic.ac.uk/phyre2/html/page.cg
i?id=index), este software es de fácil acceso, los
algoritmos comparan la homología/analogía de
estructuras de proteínas conocidas, lo cual permite
predecir de la estructura terciaria de forma más
precisa.
La predicción de los dominios presentes en las
proteínas se realizó en el software InterPro
(https://www.ebi.ac.uk/interpro/) con las
secuencias de los aminoácidos previamente
descargados. Finalmente, la relación filogenética
entre los genes de las glicosilasas que participan
en la reparación del ADN por el mecanismo de
BER, se determinó mediante la construcción de un
árbol filogenético utilizando las secuencias de
nucleótidos de los ARNm recuperados del NCBI,
mediante el software Molecular Evolutionary
Genetics Analysis (MEGA), versión 11. Para este
objetivo se realizó un alineamiento de las
secuencias en formato FASTA y posteriormente
se utilizó el método de pares no ponderado
utilizando la media aritmética (UPGMA) con
1000 replicaciones bootstrap, la visualización del
árbol filogenético se llevó a cabo a través del
software phylo (https://phylo.io/).
Tabla 1. Secuencias de nucleótidos y aminoácidos de las glicosilasas que participan en el mecanismo de BER, recuperados del
GenBank y contenido de G≡C.
3. Resultados y Discusiones
En este trabajo analizamos a las principales
glicosilasas involucradas en esta vía de
reparación. En la tabla 1 se describen; el nombre
del gen (ARNm), proteína, número de acceso del
GeneBank, longitud de las secuencias tanto de
nucleótidos y aminoácidos, así como el contenido
de G≡C. Se determinó el porcentaje de G≡C en
las secuencias de cada transcrito, el gen MPG
posee el mayor porcentaje de GC (63.80%),
seguido por el gen NTHL1 (63.50%), NEIL1
(61.33%), MUTYH (60.48%), el valor más bajo
en el contenido de C≡G se observó en el gen
Gen
Número de acceso
al GenBank
Proteína
Nucleótidos
(bp)
Aminoácidos
(aa)
Contenido
G≡C (%)
OGG1
NM_002542.6
N-glicosilasa/ADN liasa
isoforma 1a
1630
345
59.20
MPG
NM_001015052.3
ADN-3-metiladenina
glicosilasa isoforma b
1036
293
63.80
MUTYH
NM_001048174.2
Adenina ADN glicosilasa
isoforma 4
1708
521
60.48
NEIL1
NM_024608.4
Endonucleasa 8-de tipo 1
isoforma 2
3711
390
61.33
NTHL1
NM_002528.7
Isoforma 1 de la proteína
1 de tipo endonucleasa III
1030
304
63.50
6 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
OGG1 (59.20%). Se ha evidenciado que el
contenido de G≡C en el ARNm tiene la función de
promover la exportación nuclear [27], [28].
Por otro lado, se ha sugerido que la eficiencia de
la expresión genética depende del contenido de
G≡C en el ARNm en células de mamíferos por lo
que las proteínas resultantes muestran una
estructura más estable [29]. De acuerdo con los
resultados mostrados anteriormente, los genes que
codifican a las glicosilasas poseen porcentajes
igual o mayor a 60%, lo cual sugiere que la
estabilidad y función enzimática podría estar
regulada desde la estructura del ARNm, para
realizar eficientemente el proceso de remoción de
bases dañadas. Interesantemente en un estudio de
secuenciación se identificaron los sitios AP como
marcadores de daño oxidativo al ADN. Se observó
que, en regiones con alto contenido de GC, el daño
al ADN se redujo, lo que sugiere que los genes en
estas regiones pueden sufrir menos mutaciones
[30].
La estructura secundaria de las proteínas se puede
ver afectada principalmente por puentes de
hidrógeno e interacciones hidrofóbicas en la
cadena polipeptídica, por lo que la predicción de
la estructura secundaria de las proteínas
proporciona información relevante sobre la
función, plegamiento, así como interacciones
proteína-proteína para realizar funciones
específicas en diferentes procesos celulares [31-
33].
Nuestro siguiente objetivo en este trabajo fue
realizar el análisis de la estructura secundaria de
las glicosilasas a través del software GOR4 en
función de la secuencia de aminoácidos de las
proteínas, esto permitió comparar el contenido de
alfa hélice, hebra extendida y plegamiento
aleatorio, las cuales se pueden observar en la tabla
2, el cálculo de los porcentajes de las estructuras
secundarias se realizó de acuerdo con el número
de aminoácidos (aa) de cada estructura secundaria
sobre el total de aminoácidos de cada glicosilasa,
la cantidad de aminoácidos se observa en la tabla
1. La proteína NTHL1 presenta el mayor
porcentaje de alfa hélice con 43.42%, seguido de
MUTYH con 40.31%, OGG1 con 35.36%, MPG
con 32.42% y NEIL1 30.26% el cual representa el
porcentaje más bajo de alfa hélice. La proteína
OGG1 presenta el mayor porcentaje de hebras
extendidas con 16.25%, seguido por MUTYH con
13.44%, MPG con 12.63%, NEIL1 con 12.05%, el
valor más bajo fue para la proteína NTHL1 con
8.55%. El plegamiento aleatorio de las secuencias
de aminoácidos de las glicosilasas se observó de
la siguiente manera: la proteína NEIL1 tiene el
mayor porcentaje con 57.69 % seguido de MPG
con 54.95%, OGG1 con 48.41%, NTHL1 con
48.03% y MUTYH con el menor porcentaje para
plegamiento aleatorio con 46.26%.
Gen
Alfa
hélice
Estructura
extendida
Plegamiento
aleatorio
Longitud de
la proteína
(aa)
Alfa hélice
(%)
Hebra
extendida (%)
Plegamiento
aleatorio (%)
OGG1
122
56
167
345
35.36
16.23
48.41
MPG
95
37
161
293
32.42
12.63
54.95
MUTYH
210
70
241
521
40.31
13.44
46.26
NEIL1
118
47
225
390
30.26
12.05
57.69
NTHL1
132
26
146
304
43.42
8.55
48.03
Tabla 2. Estructuras secundarias de las proteínas de las glicosilasas que participan en el proceso de reparación del ADN
por BER
7 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
De acuerdo con lo anterior, el plegamiento
aleatorio representa la estructura secundaria más
abundante de las glicosilasas estudiadas, la hélice
alfa fue la segunda estructura secundaria
predominante y la hebra extendida representa el
porcentaje más bajo, los porcentajes observados
se relacionan con la función que realiza cada
proteína. El plegamiento aleatorio tiene
conformaciones extendidas y compactas, por lo
que esta estructura es muy flexible para cambiar
la conformación de la proteína, este cambio
permite regular las interacciones en la exposición
de sitios activos con otras proteínas o moléculas
como ADN y ARN [30]. La estructura
secundaria alfa hélice es una de las más
abundantes en las proteínas, determinan en gran
parte la estructura global e interaccionan con
secuencias específicas del ADN a través de
diferentes motivos en las proteínas [32], en este
trabajo se observó que la alfa hélice es la
segunda estructura abundante en las glicosilasas,
la menos abúndate la estructura extendida la cual
se caracteriza por tener una función
estabilizadora en las proteínas, además de que
pueden formar regiones cohesivas entre las
proteínas y definen regiones donde las
fluctuaciones estructurales son más o menos
probables [33].
La estructura terciaria de macromoléculas como
las proteínas se han determinado principalmente
por los métodos biofísicos como la cristalografía
de rayos X y espectroscopia de resonancia
magnética nuclear (RMN) [34]. La mayoría de las
estructuras terciarias de las proteínas registradas
en las bases de datos como UniProt, el banco de
datos de proteínas (PDB, por sus siglas en inglés),
han sido determinadas por alguna de estas técnicas
[35]. En el caso de las glicosilasas, las estructuras
terciarias reportadas en el PDB han sido
determinadas por difracción de rayos X, no
obstante, la principal ventaja de los algoritmos in
silico es la apreciación de las estructuras
tridimensionales en diferentes ángulos.
Las estructuras terciarias de las glicosilasas
fueron obtenidas con el servidor Phyre2, estas se
pueden observar en la figura 3, (A) OGG1
principalmente se compone de alfa hélices y
Figura 3. Estructura terciaria predicha de las glicosilasas en humanos. A) OGG1, B) MPG, C) MUTYH, D) NEIL1, E)
NTHL1.
8 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
plegamiento aleatorio, MPG (B) de plegamientos
aleatorios y giros beta, MUTYH (C) se compone
en gran parte de alfa hélice, las hebras extendidas
y el plegamiento aleatorio en menor cantidad, (D)
NEIL y NTHL1 (E) contienen elevado contenido
de alfa hélices. Tomando en cuenta las
características de las estructuras secundaria y
terciaria, estos son importantes debido a que
determinan la función biológica, en este caso en
la función catalítica de remover nucleótidos
dañados. Las predicciones in silico de proteínas
tienen la limitante de que puede haber un margen
de error en los algoritmos empleados, de este
modo las estructuras generadas no sustituyen a
los estudios experimentales y estos deben
utilizarse como una herramienta en el estudio de
proteínas [36], además se debe tomar en cuenta
que las proteínas son moléculas dinámicas y esta
es una desventaja que los algoritmos no pueden
predecir, así como las combinaciones de
mutaciones [37].
Las estructuras proteicas obtenidas mediante
diferentes softwares deben ser validadas por
técnicas experimentales como la difracción de
rayos X de cristales, la RMN y la microscopía
electrónica. A pesar de las limitaciones, este tipo
de estudios ha sido utilizado en la ingeniería de
proteínas, en el diseño de experimentos como la
mutagénesis dirigida y también para caracterizar
los sitios activos y catalíticos de las proteínas,
predicción de plegamientos [38], interacciones
moleculares como el acoplamiento molecular
(molecular docking), este último tiene la utilidad
en el diseño de fármacos [39].
Glicosilasa
Dominios
Posición en la secuencia de aminoácidos
OGG1
HhH-GPD
endo3end
HhH-GPD
ENDO3c
OGG_N
139 – 319
146 – 316
143 – 285
139 – 319
26 – 141
MPG
No reportado
No reportado
MUTYH
HhH-GPD
endo3end
HhH-GPD
ENDO3c
MutY_C
NUDIX
DNA_Glycosylase_C
NUDIX hydrolase
100 – 260
108 – 260
199 – 238
100 – 258
340 – 469
357 – 466
340 – 469
339 – 470
NEIL1
Endonuclease VIII-like 1
FPG_cat
FPG_CAT
Fapy_DNA_glyco_2
Fapy_DNA_glyco
DNA glycosylase/AP lyase, DNA-bd
H2TH_2
252 – 290
1 – 124
2 – 121
2 – 124
1 – 123
142 – 224
142 – 224
NTHL1
HhH-GPD
ENDO3c
endo3end
HhH-GPD
122 – 280
122 – 278
130 – 280
127 – 191, 216 - 263
Tabla 3. Predicción de los dominios en las secuencias de las glicosilasas realizada en el programa interPro.
9 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
Las glicosilasas se han identificado en, bacterias,
arqueas y eucariontes, lo cual sugiere que hubo
una diversificación para alterar la especificidad
del sustrato durante la reparación del ADN [40].
Además del plegamiento, un factor que influye
en la función de una proteína es la presencia de
dominios, los cuales están conformados por
secuencias de aminoácidos que pueden formar
una unidad estructural y funcionalmente
independiente con características que se
conservan en ciertos grupos de familias de
proteínas [41], [42].
En nuestro estudio realizamos la predicción de
los dominios presentes en las glicosilasas a través
de la plataforma InterPro, como se puede ver en
la tabla 3, las enzimas OGG1, MUTYH y
NTHL1 presentan el dominio HhH, mientras que
las glicosilasas NEIL1 y MPG carecen de este
domino, pero presentan otros dominios con
funciones específicas. La familia con el dominio
HhH-GPD (hélice- hairpin-hélice) y su bucle rico
en glicina/prolina forma parte de una amplia
gama de proteínas reparadoras de ADN
estructuralmente relacionadas [43]. Las
glicosilasas que presentan el dominio HhH, son
unas de las familias más versátiles para reconocer
diversas lesiones en el ADN principalmente en la
reparación de purinas y pirimidinas oxidadas,
además este grupo de glicosilasas participan en
diversos procesos, como la regulación genética y
el control del ciclo celular [44]. La importancia
de este dominio y la eficiencia de las glicosilasas
se debe tomar en cuenta debido a que la
alteración o inactivación de estos dominios
puede afectar los procesos de reparación del
ADN [45]. La vía de reparación por medio de
BER es un proceso evolutivamente conservado,
diversos estudios han identificado alrededor de
80 tipos diferentes de lesiones de bases
nitrogenadas [46] y azúcares de manera directa o
indirecta en el ADN [47], [48].
El último objetivo fue analizar la relación
filogenética de los transcritos de los genes que
codifican a las glicosilasas, el árbol filogenético
muestra la relación entre las enzimas, así como
su historia evolutiva enraizado a partir de un
ancestro común, se utilizó el software MEGA y
en este se observan cuatro clústeres (figura 4),
cada rama o grupo tiene secuencias de
nucleótidos similares, los genes NEIL1 y MPG
están representados en el grupo uno, el grupo dos
Figura 4. Árbol filogenético generado por el método UPGMA con base en la comparación de secuencias de
genes de las glicosilasas que participan en la reparación del ADN por BER.
10 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
por el gen NTHL1, el grupo tres por el gen
MUTYH, y el grupo cuatro es el gen OGG1 el
cual representa el ancestro común de todos los
genes analizados en este estudio. Las
descripciones de las estructuras secundarias, el
modelado de la estructura terciaria de las
proteínas, la presencia de dominios, así como el
análisis filogenético de los genes, muestran que
cada grupo (clado) posee una función similar. En
la figura 5 se puede apreciar el mecanismo de
reparación por medio de BER, observamos la
importancia de las glicosilasas funcionales y no
funcionales o defectuosas. Las predicciones de la
estructura de los genes y proteínas de las
glicosilasas reportadas en este estudio pueden
tener aplicaciones en diversas disciplinas
biológicas como la epidemiologia, genética de
poblaciones y en la biomedicina [49].
Además, esta información puede ser utilizada en
diferentes análisis como, por ejemplo, en la
agrupación de genes con una función
determinada, cálculos de similitud de estructuras
proteicas, en el caso de los dominios
identificados en mecanismos de actividad,
genómica funcional, proteómica, así como en el
diseño de experimentos para validar las
predicciones. Interesantemente la caracterización
tanto de genes y proteínas, en la identificación de
nuevos marcadores moleculares de ARN o
proteínas aplicadas en el diagnóstico o incluso en
el tratamiento de enfermedades como cáncer,
enfermedades neurodegenerativas, inflamatorias
y autoinmunes [50].
Figura 5. Mecanismo de reparación por BER. A, las lesiones en las bases nitrogenadas del ADN son eliminadas
por las glicosilasas, posteriormente un conjunto de enzimas se encarga de sintetizar una nueva hebra de ADN.
B, el fallo en las glicosilasas ocasionaría que el ADN no se repare, generando acumulación de mutaciones.
11 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
4. Conclusiones
Los resultados muestran que las glicosilasas
analizadas en este estudio tienen un contenido de
G≡C superior al 60%, lo que sugiere una alta
estabilidad del ARNm y un posible impacto
positivo en la eficiencia de la expresión génica en
células de mamíferos. Además, las estructuras
secundarias predominantes en estas proteínas son
la alfa hélice y el plegamiento aleatorio, lo que
puede influir en sus interacciones y funciones
durante la reparación del ADN, además la
presencia del dominio HhH en las glicosilasas
permite identificar y actuar específicamente
sobre las bases dañadas del ADN, facilitando su
interacción con el ADN para reconocer y
eliminar las modificaciones en las bases,
iniciando así el proceso de reparación por BER.
En conclusión, este estudio demuestra que las
herramientas bioinformáticas son una
metodología valiosa para la caracterización
inicial de proteínas involucradas en diversos
procesos celulares y mecanismos esenciales,
como la reparación del ADN. Su aplicación
puede extenderse a numerosos campos, desde la
biomedicina hasta la genética evolutiva.
5. Agradecimientos
Los autores expresan su agradecimiento a la
Facultad de Ciencias Químico Biológicas de la
Universidad Autónoma de Campeche.
6. Agradecimientos de autores
Marco Antonio Popoca Cuaya: Análisis de datos,
metodología, discusión, escritura, versión final y
edición; Estrella Alexandra Pinkney Rivas:
Investigación, metodología, software y borrador.
12 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
Referencias
[1] D. Cucchi, A. Gibson, and S. a Martin,
“The emerging relationship between metabolism
and DNA repair,” Cell Cycle, vol. 20, no. 10, pp.
943–959, May 2021,
https://doi:10.1080/15384101.2021.1912889.
[2] U. S. Srinivas, B. W. Q. Tan, B. A.
Vellayappan, and A. D. Jeyasekharan, “ROS and the
DNA damage response in cancer,” Redox Biol, vol.
25, p. 101084, Jul. 2019,
https://doi:10.1016/j.redox.2018.101084.
[3] N. Chatterjee and G. C. Walker,
“Mechanisms of DNA damage, repair, and
mutagenesis,” Environ Mol Mutagen, vol. 58, no. 5,
pp. 235–263, Jun. 2017,
https://doi:10.1002/em.22087.
[4] T.-H. Lee and T.-H. Kang, “DNA
Oxidation and Excision Repair Pathways,” Int J Mol
Sci, vol. 20, no. 23, p. 6092, Dec. 2019,
https://doi:10.3390/ijms20236092.
[5] M. B. S. Mota, M. A. Carvalho, A. N. A.
Monteiro, and R. D. Mesquita, “DNA damage
response and repair in perspective: Aedes aegypti,
Drosophila melanogaster and Homo sapiens,”
Parasit Vectors, vol. 12, no. 1, p. 533, Dec. 2019,
https://doi:10.1186/s13071-019-3792-1.
[6] Z. Nikitaki, C. E. Hellweg, A. G.
Georgakilas, and J.-L. Ravanat, “Stress-induced
DNA damage biomarkers: applications and
limitations,” Front Chem, vol. 3, Jun. 2015,
https://doi:10.3389/fchem.2015.00035.
[7] Y. Baiken et al., “Role of Base Excision
Repair Pathway in the Processing of Complex DNA
Damage Generated by Oxidative Stress and
Anticancer Drugs,” Front Cell Dev Biol, vol. 8, Jan.
2021, https://doi:10.3389/fcell.2020.617884.
[8] R. J. Carter and J. L. Parsons, “Base
Excision Repair, a Pathway Regulated by
Posttranslational Modifications,” Mol Cell Biol, vol.
36, no. 10, pp. 1426–1437, May 2016,
https://doi:10.1128/MCB.00030-16.
[9] D. Gohil, A. H. Sarker, and R. Roy,
“Base Excision Repair: Mechanisms and Impact in
Biology, Disease, and Medicine,” Int J Mol Sci, vol.
24, no. 18, p. 14186, Sep. 2023,
https://doi:10.3390/ijms241814186.
[10] J. Woodrick et al., “A new sub‐pathway
of long‐patch base excision repair involving 5′ gap
formation,” EMBO J, vol. 36, no. 11, pp. 1605–
1622, Jun. 2017,
https://doi:10.15252/embj.201694920.
[11] F. Hans, M. Senarisoy, C. Bhaskar
Naidu, and J. Timmins, “Focus on DNA
Glycosylases—A Set of Tightly Regulated Enzymes
with a High Potential as Anticancer Drug Targets,”
Int J Mol Sci, vol. 21, no. 23, p. 9226, Dec. 2020,
https://doi:10.3390/ijms21239226.
[12] A. Konopka and J. D. Atkin, “The Role
of DNA Damage in Neural Plasticity in Physiology
and Neurodegeneration,” Front Cell Neurosci, vol.
16, Jun. 2022,
https://doi:10.3389/fncel.2022.836885.
[13] B. Van Houten, G. A. Santa-Gonzalez,
and M. Camargo, “DNA repair after oxidative
stress: Current challenges,” Curr Opin Toxicol, vol.
7, pp. 9–16, Feb. 2018,
https://doi:10.1016/j.cotox.2017.10.009.
[14] Gh. R. Bhat, I. Sethi, B. Rah, R. Kumar,
and D. Afroze, “Innovative in Silico Approaches for
Characterization of Genes and Proteins,” Front
Genet, vol. 13, May 2022,
cdoi:10.3389/fgene.2022.865182.
[15] X. Zhang et al., “In silico Methods for
Identification of Potential Therapeutic Targets,”
Interdiscip Sci, vol. 14, no. 2, pp. 285–310, Jun.
2022, https://doi:10.1007/s12539-021-00491-y.
[16] D. Mitra et al., “Evolution of
bioinformatics and its impact on modern bio-science
in the twenty-first century: Special attention to
pharmacology, plant science and drug discovery,”
Computational Toxicology, vol. 24, p. 100248, Nov.
2022, https://doi:10.1016/j.comtox.2022.100248
[17] B. D. Freudenthal, “Base excision repair
of oxidative DNA damage from mechanism to
disease,” Frontiers in Bioscience, vol. 22, no. 9, p.
4555, 2017, https://doi:10.2741/4555.
[18] G. J. Grundy and J. L. Parsons, “Base
excision repair and its implications to cancer
therapy,” Essays Biochem, vol. 64, no. 5, pp. 831–
843, Oct. 2020, https://doi:10.1042/EBC20200013.
[19] G. S. Leandro, P. Sykora, and V. A.
Bohr, “The impact of base excision DNA repair in
age-related neurodegenerative diseases,” Mutation
Research/Fundamental and Molecular Mechanisms
of Mutagenesis, vol. 776, pp. 31–39, Jun. 2015,
https://doi:10.1016/j.mrfmmm.2014.12.011.
[20] D. Hanahan, “Hallmarks of Cancer: New
Dimensions,” Cancer Discov, vol. 12, no. 1, pp. 31–
46, Jan. 2022, https://doi:10.1158/2159-8290.CD-
21-1059.
[21] E. J. Duncavage et al.,
“Recommendations for the Use of in Silico
13 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
Approaches for Next-Generation Sequencing
Bioinformatic Pipeline Validation,” The Journal of
Molecular Diagnostics, vol. 25, no. 1, pp. 3–16, Jan.
2023, https://doi:10.1016/j.jmoldx.2022.09.007.
[22] E. W. Sayers et al., “GenBank 2024
Update,” Nucleic Acids Res, vol. 52, no. D1, pp.
D134–D137, Jan. 2024,
https://doi:10.1093/nar/gkad903.
[23] A. J. Lee and S. S. Wallace, “Hide and
seek: How do DNA glycosylases locate oxidatively
damaged DNA bases amidst a sea of undamaged
bases?,” Free Radic Biol Med, vol. 107, pp. 170–
178, Jun. 2017,
https://doi:10.1016/j.freeradbiomed.2016.11.024.
[24] D. Jurkovicova, C. M. Neophytou, A. Č.
Gašparović, and A. C. Gonçalves, “DNA Damage
Response in Cancer Therapy and Resistance:
Challenges and Opportunities,” Int J Mol Sci, vol.
23, no. 23, p. 14672, Nov. 2022,
https://doi:10.3390/ijms232314672.
[25] E. A. Mullins, A. A. Rodriguez, N. P.
Bradley, and B. F. Eichman, “Emerging Roles of
DNA Glycosylases and the Base Excision Repair
Pathway,” Trends Biochem Sci, vol. 44, no. 9, pp.
765–781, Sep. 2019, doi:
https://10.1016/j.tibs.2019.04.006.
[26] Y. Ouyang et al., “Recent advances in
biosensor for DNA glycosylase activity detection,”
Talanta, vol. 239, p. 123144, Mar. 2022,
https://doi:10.1016/j.talanta.2021.123144.
[27] A. F. Palazzo and Y. M. Kang, “GC‐
content biases in protein‐coding genes act as an
‘mRNA identity’ feature for nuclear export,”
BioEssays, vol. 43, no. 2, Feb. 2021,
https://doi:10.1002/bies.202000197.
[28] Y. S. Rao, X. W. Chai, Z. F. Wang, Q.
H. Nie, and X. Q. Zhang, “Impact of GC content on
gene expression pattern in chicken,” Genetics
Selection Evolution, vol. 45, no. 1, p. 9, Dec. 2013,
https://doi:10.1186/1297-9686-45-9.
[29] M. Courel et al., “GC content shapes
mRNA storage and decay in human cells,” Elife, vol.
8, Dec. 2019,https://doi:10.7554/eLife.49708.
[30] A. R. Poetsch, S. J. Boulton, and N. M.
Luscombe, “Genomic landscape of oxidative DNA
damage and repair reveals regioselective protection
from mutagenesis,” Genome Biol, vol. 19, no. 1, pp.
215–237, Dec. 2018,https://doi:10.1186/s13059-
018-1582-2.
[31] L. Degrève, C. A. Fuzo, and A. Caliri,
“Extended secondary structures in proteins,”
Biochimica et Biophysica Acta (BBA) - Proteins and
Proteomics, vol. 1844, no. 2, pp. 384–388, Feb.
2014, https://doi:10.1016/j.bbapap.2013.10.005.
[32] P. Craveur et al., “Protein flexibility in
the light of structural alphabets,” Front Mol Biosci,
vol. 2, May 2015,
https://doi:10.3389/fmolb.2015.00020.
[33] W. Yang, Y. Liu, and C. Xiao, “Deep
metric learning for accurate protein secondary
structure prediction,” Knowl Based Syst, vol. 242, p.
108356, Apr.
2022,https://doi:10.1016/j.knosys.2022.108356.
[34] S. Arce-Solano and E. Hernández-
Carvajal, “Implementación de las técnicas de RMN
y cristalografía de macromoléculas para la
caracterización estructural de proteínas de interés
biomédico,” Revista Tecnología en Marcha, Sep.
2019, https://doi:10.18845/tm.v32i9.4627.
[35] P. Choudhary, S. Anyango, J. Berrisford,
M. Varadi, J. Tolchard, and S. Velankar, “Unified
access to up-to-date residue-level annotations from
UniProt and other biological databases for PDB data
via PDBx/mmCIF files,” bioRxiv, 2022,
https://doi.org/10.1038/s41597-023-02101-6
[36] P. Katsonis, K. Wilhelm, A. Williams,
and O. Lichtarge, “Genome interpretation using in
silico predictors of variant impact,” Hum Genet, vol.
141, no. 10, pp. 1549–1577, Oct. 2022,
https://doi:10.1007/s00439-022-02457-6.
[37] O. Carugo and K. Djinović-Carugo,
“Structural biology: A golden era,” PLoS Biol, vol.
21, no. 6, p. e3002187, Jun. 2023,
https://doi:10.1371/journal.pbio.3002187
[38] V. Cicaloni, A. Trezza, F. Pettini, and O.
Spiga, “Applications of in Silico Methods for
Design and Development of Drugs Targeting
Protein-Protein Interactions,” Curr Top Med Chem,
vol. 19, no. 7, pp. 534–554, May 2019,
https://doi:10.2174/1568026619666190304153901.
[39] Q. Jiang, X. Jin, S.-J. Lee, and S. Yao,
“Protein secondary structure prediction: A survey of
the state of the art,” J Mol Graph Model, vol. 76, pp.
379–402, Sep. 2017,
https://doi:10.1016/j.jmgm.2017.07.015.
[40] P. Prorok et al., “Evolutionary Origins of
DNA Repair Pathways: Role of Oxygen Catastrophe
in the Emergence of DNA Glycosylases,” Cells, vol.
10, no. 7, p. 1591, Jun. 2021,
https://doi:10.3390/cells10071591.
[41] M. F. Aziz and G. Caetano-Anollés,
“Evolution of networks of protein domain
organization,” Sci Rep, vol. 11, no. 1, p. 12075, Jun.
2021, https://doi:10.1038/s41598-021-90498-8.
[42] S. H. Wilson, “The dark side of DNA
repair,” Elife, vol. 3, May 2014,
https://doi:10.7554/eLife.03068.
[43] C. H. Trasviña-Arenas, M. Demir, W.-J.
Lin, and S. S. David, “Structure, function and
14 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 7 (4): e372.
evolution of the Helix-hairpin-Helix DNA
glycosylase superfamily: Piecing together the
evolutionary puzzle of DNA base damage repair
mechanisms,” DNA Repair (Amst), vol. 108, p.
103231, Dec. 2021,
https://doi:10.1016/j.dnarep.2021.103231.
[44] M. De Rosa, S. A. Johnson, and P. L.
Opresko, “Roles for the 8-Oxoguanine DNA Repair
System in Protecting Telomeres From Oxidative
Stress,” Front Cell Dev Biol, vol. 9, Nov. 2021,
https://doi:10.3389/fcell.2021.758402.
[45] H. Sampath, “Oxidative DNA damage in
disease—Insights gained from base excision repair
glycosylase‐deficient mouse models,” Environ Mol
Mutagen, vol. 55, no. 9, pp. 689–703, Dec. 2014,
https://doi:10.1002/em.21886.
[46] M. Stratigopoulou, T. P. van Dam, and J.
E. J. Guikema, “Base Excision Repair in the
Immune System: Small DNA Lesions With Big
Consequences,” Front Immunol, vol. 11, May 2020,
https://doi:10.3389/fimmu.2020.01084.
[47] H. E. Krokan and M. Bjoras, “Base
Excision Repair,” Cold Spring Harb Perspect Biol,
vol. 5, no. 4, pp. a012583–a012583, Apr. 2013,
https://doi:10.1101/cshperspect.a012583.
[48] E. Nischwitz et al., “DNA damage repair
proteins across the Tree of Life,” iScience, vol. 26,
no. 6, p. 106778, Jun. 2023,
https://doi:10.1016/j.isci.2023.106778.
[49] G. Munjal, M. Hanmandlu, and S.
Srivastava, “Phylogenetics Algorithms and
Applications,” 2019, pp. 187–194.
https://doi:10.1007/978-981-13-5934-7_17.
[50] J. Wang, “Editorial: Methods and
Applications in Molecular Phylogenetics,” Front
Genet, vol. 13, Jul. 2022,
https://doi:10.3389/fgene.2022.923409.
Derechos de Autor (c) 2024 Estrella Alejandra Pinkney Rivas, Marco Antonio Popoca Cuaya
Este texto está protegido por una licencia Creative Commons 4.0.
Usted es libre para compartir —copiar y redistribuir el material en cualquier medio o formato — y adaptar el documento —
remezclar, transformar y crear a partir del material— para cualquier propósito, incluso para fines comerciales, siempre que
cumpla la condición de:
Atribución: Usted debe dar crédito a la obra original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se
han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia - Texto completo de la licencia