Universidad Nacional de Trujillo

Predicción estructural de proteasas en Bacillus

Milagros 1, Jeffrey 2
Facultad de Ciencias Biológicas, Universidad Nacional de Trujillo, Av. Juan Pablo II s/n – Ciudad Universitaria, Trujillo, Perú.

ID ORCID de los autores

RESUMEN
El Resumen debe: Plantear los principales objetivos y el alcance de la investigación, describir la metodología
empleada, resumir los resultados y las principales conclusiones. El resumen debe ser claro, coherente y
sucinto, para lo cual se sugiere revisar y verificar datos, semántica, sintaxis, ortografía, no caer en erratas y
no incluir ecuaciones, figuras, tablas ni referencias bibliográficas. El resumen no deberá tener una extensión
mayor a 250 palabras y debe reflejar fielmente el contenido del artículo. Su redacción debe estar en tercera
persona.

El uso de Bacillus thuringiensis como control biológico de distintas plagas de insectos en el sector agrícola y
sanitario es de conocimiento mundial, su acción contra especies de mosquitos vectores como el Aedes aegypti
y Anopheles sp., que transmiten enfermedades como el dengue es de suma importancia para mitigar la
incidencia de esta enfermedad. El mecanismo de acción de este controlador biológico es producir unas
proteínas llamadas cristal a través de sus esporas, las cuales eventualmente son ingeridas por las larvas
destruyendo su funcionalidad orgánica, la producción óptima de este bioinsecticida, se lleva a cabo mediante
condiciones ambientales específicas, como la temperatura ambiental y el pH, igualmente requiere de un
adecuado medio de cultivo para su crecimiento y la estimulación a través de un mutágeno que intervenga en
la producción. El objetivo general fue evaluar el efecto de la tartrazina en la producción de bioinsecticida de
Bacillus thuringiensis var. israelensis en condiciones de laboratorio. Se utilizó un testigo y cuatro
concentraciones del mutágeno con 0 ppm, 50 ppm, 250 ppm, 500 ppm y 750 ppm, con 3 repeticiones para
cada uno en un diseño experimental completamente al azar. La producción de biomasa se realizó en
biorreactores tipo tanque cilíndrico aireado y agitado, las fermentaciones se llevaron a cabo por 72 horas a
temperatura de 30°C, pH inicial de 7,0 y un inóculo microbiano de 109 UFC/ml. La curva de crecimiento se
estimó por recuento en placa, obteniéndose los valores más altos para el tratamiento de 250 ppm. del
mutágeno.

Palabras clave (keywords): tartrazina, mutante, producción, bioinsecticida, Bacillus thuringiensis.

Tienen que ser redactadas en español e inglés y deben ser máximo seis. Deben figurar al final del párrafo del
resumen (abstracts) en orden alfabético y de preferencia que no coincidan con el título. Las palabras deben
estar en el Tesauro de la UNESCO.

ABSTRACT
The Summary must: State the main objectives and scope of the investigation, describe the methodology used,
Summarize the results and the main conclusions. The abstract must be clear, coherent and succinct, for which
it is suggested to review and verify data, syntax, spelling, not to errata and not include equations, figures, tables
or bibliographic references. The abstract should not be longer than 250 words and should accurately reflect the
content of the article. Your writing must be in the third person.
Keywords: Keyword 1, keyword 2, …………… keyword 6
Corresponde a la traducción precisa al inglés, del resumen ya presentado en español. (Arial 10)

1
 Universidad Nacional de Trujillo

1. INTRODUCCIÓN

Las proteasas son enzimas catalizadoras de la escisión de proteínas en polipéptidos más pequeños o
aminoácidos individuales. Dicha cualidad le permite abarcar una amplia gama de aplicaciones en
procesos y productos industriales (1). De modo que, las proteasas son importantes en el mercado de
enzimas, estas representan aproximadamente el 40% de la producción mundial total de enzimas (2),
principalmente se emplean en la elaboración de detergentes (3).
Las especies del género Bacillus pertenecen a los principales productores de proteasas, entre ellas
Bacillus licheniformis , Bacillus subtilis y Bacillus pumilusson. Dichas especies tienen altas tasas de
crecimiento específico y la capacidad natural de secretar grandes cantidades de proteínas en el medio
extracelular (4) (2). Las proteasas son enzimas clave en la regulación de la actividad celular y en
muchos procesos biológicos importantes. Estas enzimas tienen una estructura tridimensional única
que determina su función, y la predicción de la estructura de las proteasas es un área de investigación
importante en la biología estructural y la bioinformática (5).
La predicción de la estructura de las proteasas es un desafío complejo debido a la gran cantidad de
interacciones que se producen entre los aminoácidos en la estructura de la proteína, lo que hace que
sea difícil predecir cómo se plegará la proteína en su forma nativa. Sin embargo, existen varias
herramientas y métodos que se han desarrollado para abordar este problema, incluida la modelización
por homología, la simulación de dinámica molecular y el uso de algoritmos de aprendizaje automático
(6). La comprensión de la estructura de las proteasas es de importancia ya que nos permite entender
su función biológica y diseñar fármacos en conjunto con la ingeniería genética, de modo que tiene
implicancia en la determinación y predicción de enfermedades (7).
Actualmente, la predicción computacional de la estructura de una proteína a partir de su secuencia
primaria está íntimamente relacionada a la bioinformática, química y la dinámica de las proteínas (8).
Recientemente ha habido mayor facilidad para realizar dichas predicciones debido al crecimiento
constante de las estructuras de proteínas experimentales depositadas en el Banco de datos de proteínas
(PDB) (9).

La presente investigación tiene como objetivo predecir la estructura de proteasas en diferentes

especies utilizando su secuencia de aminoácidos y herramientas bioinformáticas.

2. MATERIALES Y MÉTODOS

Se eligieron las secuencias de cuatro proteínas disponibles en el Protein Data Bank (PDB) ingresando
palabras clave en la búsqueda, a la vez se analizó la estructura 3D disponible (10). Para la
identificación de los dominios proteicos y familia a la que pertenecen se utilizaron las herramientas
SMART, e InterPro (11) (12). Finalmente, para la predicción de estructuras secundarias se utilizó el
Psi-Pred, y para la predicción de estructuras terciarias se empleó Phyre 2 (13) (14).

2
 Universidad Nacional de Trujillo

3. RESULTADOS

Tabla 1. Propiedades fisicoquímicas de las proteínas de Bacillus obtenidas de la base de datos

UniProt.
N° Nombre Peso pI teórico Residuos Residuos Í. inestabilidad Í. alifático GRAV
molecular cargados - cargados + Y
(Asp + Glu) (Arg + Lys)
1 >1ST3_1| 26809.64 9.30 11 14 25.22 82.79 -0.058
(estable)

2 >1GCI_1|l 26698.50 9.30 10 13 25.45 82.42 -0.036

(estable)
3 >1HI9_1| 30243.67 5.34 35 28 37.21 80.11 -0.167
(estable)
4 >1AH2_1| 26725.52 9.30 10 13 24.74 82.42 -0.046
estable

Figura 1. Prediccion de la estructura secundaria de la proteína

>1AH2_1|Chain A|SERINE PROTEASE PB92|Bacillus alcalophilus

3
 Universidad Nacional de Trujillo

Figura 2. Gráfico de la secuencia >1AH2_1|Chain A|SERINE

PROTEASE PB92|Bacillus alcalophilus (1445)

Figura 3. Prediccion de la estructura secundaria de la proteína

1GCI_1|Chain A|SUBTILISIN|Bacillus lentus (1467)

4
 Universidad Nacional de Trujillo

Figura 4. Gráfico de la secuencia 1GCI_1|Chain A|SUBTILISIN|Bacillus

lentus (1467)

Figura 5. Predicción de la estructura secundaria de la proteína

1ST3_1|Chain A|SUBTILISIN BL|Bacillus lentus (1467)

5
 Universidad Nacional de Trujillo

Figura 6. Gráfico de la secuencia 1ST3_1|Chain A|SUBTILISIN

BL|Bacillus lentus (1467)

Figura 5. Predicción de la estructura secundaria de la proteína

1HI9_1|Chains A, B, C, D, E|DIPEPTIDE TRANSPORT PROTEIN
DPPA|BACILLUS SUBTILIS (1423)

6
 Universidad Nacional de Trujillo

Figura 8. Gráfico de la secuencia 1HI9_1|Chains A, B, C, D,

E|DIPEPTIDE TRANSPORT PROTEIN DPPA|BACILLUS SUBTILIS
(1423)

Figura 9. Estructura terciaria de la proteína

7
 Universidad Nacional de Trujillo

4. DISCUSIÓN

5. CONCLUSIONES

6. AGRADECIMIENTOS
Los reconocimientos de personas, subvenciones, fondos, etc., deben ser breves. Esta sección no es
obligatoria para artículos de investigación, en esta parte del artículo el autor hace un reconocimiento a las
personas o instituciones que le ayudaron en sus investigaciones. Esta sección es opcional para artículos de
reflexión.

7. CONTRIBUCIÓN DE LOS AUTORES

Todos los autores deben haber hecho contribuciones sustanciales en cada uno de los siguientes aspectos: (1)
la concepción y el diseño del estudio, o la adquisición de datos, o el análisis y la interpretación de los datos,
(2) el borrador del artículo o la revisión crítica del contenido intelectual, (3) la aprobación definitiva de la versión
que se presenta.
8. CONFLICTO DE INTERESES
Los autores declaran que no existe conflicto de interés.

9. REFERENCIAS BIBLIOGRÁFICAS

1. Habicher T, Klein T, Becker J, Daub A, Büchs A. Screening for optimal protease producing Bacillus
licheniformis strains with polymer-based controlled-release fed-batch microtiter plates. Microb Cell Fact.
2021; 20(1).

2. Jaouadi B, Ellouz-Chaabouni S, Rhimi M, Bejar S. Biochemical and molecular characterization of a

detergent-stable serine alkaline protease from Bacillus pumilus CBS with high catalytic efficiency.
Biochimie. 2008; 90(9).

3. Mahakhan P, Apiso P, Srisunthorn K, Vichitphan K, Vichitphan S, Punyauppa-Path S. Alkaline protease

production from Bacillus gibsonii 6BS15-4 using dairy effluent and its characterization as a laundry
detergent additive. J Microbiol Biotechnol. 2023; 33(2).

4. Zhou C, Zhou H, Li D, Zhang H, Wang H, Lu F. Optimized expression and enhanced production of alkaline
protease by genetically modified Bacillus licheniformis 2709. Microb Cell Fact. 2020; 19(1).

5. Lu C, Lubin J, Sarma V, Stentz S, Wang G, Wang S. Prediction and design of protease enzyme specificity
using a structure-aware graph convolutional network. bioRxivorg. 2023.

6. Baek M, DiMaio F, Dauparas J, Ovchinnikov S, Lee G. Accurate prediction of protein structures and
interactions using a three-track neural network. Science. 2021; 373(6557).

8
 Universidad Nacional de Trujillo

7. Halim S, Waqas M, Khan A, Al-Harrasi. In silico prediction of novel inhibitors of SARS-CoV-2 main protease
through structure-based virtual screening and molecular Dynamic simulation. Pharmaceuticals. 2021;
14(9).

8. Bouatta N, Sorger P, AlQuraishi M. Protein structure prediction by AlphaFold2: are attention and
symmetries all you need? Acta Crystallogr D Struct Biol. 2021; 77(8).

9. Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O. Highly accurate protein structure
prediction with AlphaFold. Nature. 2021; 596(7873).

10. Burley S, Bhikadiya C, Bi C, Bittrich S, Chao H, Chen L. RCSB Protein Data bank: Tools for visualizing and
understanding biological macromolecules in 3D. Protein Sci [Internet]. 2022; 31(12).

11. Giannakara M, Koumandou V. Evolution of two-component quorum sensing systems. Access Microbiol.
2022; 4(1).

12. Paysan-Lafosse T, Blum M, Chuguransky S, Grego T, Pinto B, Salazar G. InterPro in 2022. Nucleic Acids
Res. 2023; 51(1).

13. Buchan D, Jones D. The PSIPRED Protein Analysis Workbench: 20 years on. Nucleic Acids Res [Internet].
2019; 47(1).

14. McGreig J, Uri H, Antczak M, Sternberg M, Michaelis M, Wass M. 3DLigandSite: structure-based

prediction of protein-ligand binding sites. Nucleic Acids Res [Internet]. 2022; 50(1).

ANEXO: