Información

¿Proteínas hidrofóbicas en el cuerpo?

¿Proteínas hidrofóbicas en el cuerpo?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Sé que podemos obtener aminoácidos hidrofóbicos, pero ¿hay proteínas en el cuerpo cuya superficie sea hidrofóbica? Si es así, ¿cuál es su función típica y dónde se pueden encontrar normalmente y, de no ser así, por qué no?


¿Hay proteínas en el cuerpo cuya superficie sea hidrofóbica?

Seguro. Aunque tiene razón al pensar que la mayoría de las proteínas tienen superficies hidrófilas, algunas son muy hidrófobas. Mi ejemplo favorito es la elastina, es el componente principal de la piel que le otorga elasticidad. De hecho, la naturaleza hidrófoba de la elastina es lo que le confiere su función. La idea, dicho brevemente, es que una estructura insoluble / hidrófoba tenderá a minimizar su área de superficie con agua, por lo que si estira dicha sustancia (es decir, aumenta el área de superficie), retrocederá al estado de superficie mínima.

Referencia: Li, Daggett. Base molecular para la extensibilidad de la elastina. Revista de investigación muscular y motilidad celular (2002).


Etiquetas grasosas para la eliminación de proteínas

La mayoría de las proteínas del cuerpo humano son objetivos difíciles de los fármacos de molécula pequeña. Este problema puede haberse superado con el descubrimiento de moléculas que inducen la degradación de proteínas, lo que sugiere enfoques modulares nuevos para el descubrimiento de fármacos.

Recientemente se descubrió 1,2 que las proteínas "etiquetadas" covalentemente con moléculas pequeñas, sintéticas e hidrófobas son degradadas por la maquinaria de control de calidad de la célula. Escribiendo en Química y biología, Largo et al. 3 ahora informan que la unión no covalente de tales moléculas también marca las proteínas para su degradación. Este hallazgo podría abrir una amplia gama de proteínas como objetivos para los programas de descubrimiento de fármacos.

La escasez de medicamentos recientemente aprobados en la última década refleja los desafíos que enfrenta la industria farmacéutica. Aunque los avances en genómica han identificado muchas proteínas que están implicadas en enfermedades, muchas de estas proteínas, especialmente aquellas que no son enzimas, no son dianas farmacológicas actualmente viables. De hecho, se ha estimado que sólo alrededor del 15% del proteoma humano es "farmacológico" con moléculas pequeñas 4.

Por tanto, muchos objetivos farmacológicos atractivos han sido calificados de "indiscutibles". Por ejemplo, existen aproximadamente 1.400 factores de transcripción humanos, proteínas que regulan la síntesis del ARN mensajero a partir del ADN, pero que carecen de actividad enzimática. Estas proteínas siguen siendo en gran parte indoloras, a pesar de que se sabe que la expresión aberrante de algunas de ellas causa cáncer. Una posible solución a este desafío ha sido el desarrollo de pequeños ARN interferentes (ARNip), que intervienen en la expresión génica uniéndose al ARNm. Sin embargo, la entrega de ARNip a sus objetivos en vivo ha sido un obstáculo difícil de superar, por lo que se necesitan pequeñas moléculas que puedan afectar la función de proteínas no farmacológicas.

Otro enfoque emergente es destruir, en lugar de inhibir, las proteínas diana en las células. El recambio normal de proteínas en las células está mediado principalmente por el sistema ubiquitina-proteasoma (UPS), que marca las proteínas no deseadas o mal plegadas con cadenas de la proteína ubiquitina. Una vez ubiquitinadas, las proteínas marcadas son reconocidas por el proteasoma, una gran máquina molecular en forma de barril que escinde las proteínas en pequeños péptidos. La eliminación eficaz de proteínas no deseadas es clave para la supervivencia celular, como lo demuestra el desarrollo de inhibidores del proteasoma como agentes antitumorales eficaces 5.

Se han informado varias estrategias que cooptan el UPS para la degradación de proteínas dirigida. Uno de estos utiliza 'moléculas quiméricas dirigidas a la proteólisis' para acercar la proteína de interés a una ubiquitina ligasa (una enzima que media la ubiquitinación de una proteína diana), provocando así la ubiquitinación de la proteína y su posterior degradación 6.

Un enfoque alternativo es imitar un estado de proteína mal plegada utilizando moléculas pequeñas. Normalmente, las cadenas laterales "grasosas" (hidrófobas) de los polipéptidos están enterradas en el interior de una proteína globular, con los residuos de aminoácidos hidrófilos en la superficie. Incluso un pequeño aumento en la hidrofobicidad de la superficie puede hacer que una proteína sea inestable. Por ejemplo, la eliminación de un solo aminoácido de la proteína CFTR es la principal causa de fibrosis quística. La deleción da como resultado la exposición de parches hidrofóbicos en la superficie de CFTR, lo que conduce a un plegamiento incorrecto y la posterior degradación de la proteína (Fig. 1).

aLas proteínas chaperonas celulares ayudan a otras proteínas que se han desplegado parcialmente a replegarse en su estructura terciaria correcta. Si el replegamiento falla, las chaperonas desencadenan la degradación de la proteína desplegada por el proteasoma, un gran complejo proteico. BLos grupos hidrófobos sintéticos unidos a la superficie de una proteína pueden imitar el estado parcialmente desplegado. Debido a que las chaperonas no pueden replegar estas proteínas, el proteasoma degrada las proteínas marcadas. Largo et al. 3 informan que las etiquetas hidrofóbicas no necesitan estar unidas covalentemente a una proteína para inducir la degradación.

Recientemente hemos demostrado 1,2 que la unión covalente de un grupo hidrófobo sintético (como el adamantano, un hidrocarburo voluminoso) a la superficie de las proteínas atrae a las proteínas chaperonas cuya función es ayudar a replegar las proteínas mal plegadas o, si no pueden replegarse , para apuntarlos a la degradación por parte del proteasoma. Pero la mayoría de los fármacos se unen a proteínas a través de interacciones no covalentes, y no estaba claro si las moléculas unidas de forma no covalente también podrían desencadenar esta secuencia de eventos.

Largo et al. 3 han resuelto esta preocupación. Investigaron el efecto biológico de unir un grupo hidrofóbico (Boc3Arg, un aminoácido de arginina modificado) a trimetoprima (TMP), una molécula de ligando que se une de forma no covalente a la enzima dihidrofolato reductasa (DHFR) de la bacteria. Escherichia coli. Los autores observaron que TMP – Boc3Arg induce 30 a 80% de degradación de DHFR en células de mamíferos, según la velocidad de síntesis de DHFR. Este efecto podría ser bloqueado por TMP, que compite con TMP – Boc3Arg para la unión a DHFR, o por inhibidores de la actividad del proteasoma.

Los autores también demostraron que la enzima glutatión S-transferasa (GST) se degrada cuando se trata con un compuesto en el que Boc3Arg se une al ácido etacrínico (EA), un inhibidor de GST que se une covalentemente al sitio activo de la enzima. Esto demuestra que el efecto de degradación de Boc3Arg ocurre para al menos dos enzimas. Largo et al. pasó a producir una proteína de fusión en la que DHFR se une a GST, y luego las células tratadas que producen la proteína con TMP-Boc3Arg o EA – Boc3Arg. Observaron que DHFR-GST se degradaba de manera más eficiente por EA-Boc3Arg, que se une covalentemente a la proteína, que por TMP-Boc3Arg, que se une de forma no covalente. Esto sugiere que la unión covalente de etiquetas hidrofóbicas a enzimas es la estrategia más eficaz para la degradación de proteínas.

Como TMP es un inhibidor de alta afinidad de E. coli DHFR, se necesitan más estudios para determinar si una molécula pequeña que es tanto un inhibidor de proteínas como una señal de degradación es más eficaz para anular la función de las proteínas que un inhibidor simple. Como señalaron los autores, el caso de la toxina botulínica ilustra la ventaja del enfoque de degradación. La forma más potente de esta toxina, que causa parálisis muscular, tiene una vida media en el cuerpo de aproximadamente 3 meses. Aunque un inhibidor de la toxina podría suprimir la toxicidad a corto plazo, la eliminación de la toxina es obviamente un enfoque terapéutico preferible.

Sin embargo, el Boc3La fracción Arg es grande (casi 500 daltons en masa) y las moléculas grandes a menudo tienen propiedades farmacocinéticas deficientes que limitan su uso como fármacos. Por lo tanto, agregarlo a un inhibidor existente podría empeorar las propiedades farmacocinéticas de ese inhibidor. Curiosamente, aunque TMP tiene una gran afinidad por E. coli DHFR y se cree que tiene una excelente permeabilidad celular, Long et al. necesario para utilizar una alta concentración de TMP – Boc3Arg para observar la degradación de proteínas. Esto sugiere que TMP – Boc3Arg tiene dificultad para penetrar en las células.

Es necesario probar otros sistemas ligando-proteína no covalentes para establecer la afinidad mínima ligando-proteína necesaria para iniciar la degradación de la proteína. Mientras tanto, es intrigante especular sobre cómo se podría utilizar la modularidad de esta estrategia de degradación de proteínas para el descubrimiento de fármacos. Se podría concebir un proceso simplificado en el que se identifiquen ligandos para una proteína que no se puede administrar fármaco, junto con restos hidrófobos (como adamantano o Boc3Arg) y se probó su capacidad para degradar la proteína diana. Sin duda, será un desafío encontrar ligandos de alta afinidad para proteínas no farmacológicas, pero se están haciendo disponibles métodos para facilitarlo.

Por ejemplo, las bibliotecas químicas en las que cada compuesto se adjunta a un 'código de barras' de ADN único se pueden probar para determinar la unión a proteínas, y las entidades químicas que tienen las afinidades de unión más altas se pueden identificar posteriormente utilizando los códigos de barras 7. Este método permitiría el cribado rápido de hasta 10 9 compuestos, mientras que los cribados más grandes utilizan actualmente sólo alrededor de 10 6 compuestos 8. Una combinación de tales métodos de cribado de alto rendimiento con el enfoque de marcado hidrófobo podría hacer que las proteínas no farmacológicas de hoy en día sean dianas biológicas atractivas en la búsqueda de compuestos que mejoren la enfermedad humana.


Introducción

Una comprensión detallada de los orígenes moleculares del efecto hidrofóbico 1,2,3,4,5,6,7,8,9,10 en las proteínas y de su papel como fuerza impulsora en el plegamiento y ensamblaje de proteínas 10,11,12 , 13,14 sigue siendo un problema abierto. Esta situación surge porque las secuencias de proteínas incluyen una combinación compleja de regiones hidrófobas (no polares) e hidrófilas (polares). Los patrones resultantes de regiones no polares tienen dimensiones típicas que corresponden a un valor crítico para el efecto hidrofóbico 1,2,3,4,5,6,7,8. Este valor, que es de aproximadamente 1 nm, corresponde a la distinción entre solutos no polares pequeños y grandes 1,2,3,4,5,6,7,8,9. Para comprender el origen molecular de esta longitud característica, se debe partir de la observación de que las moléculas de agua tienden a formar redes de enlaces de hidrógeno a expensas de su entropía rotacional. Los solutos no polares menores de 1 nm ocupan un volumen que es demasiado pequeño para perturbar significativamente la formación de tales redes de enlaces de hidrógeno. Por el contrario, las moléculas de agua cercanas a las superficies de solutos no polares mayores de 1 nm no pueden formar todos los enlaces de hidrógeno que harían a granel. Estas dos situaciones corresponden a una escala diferente de las fuerzas hidrófobas, con el volumen o la superficie, para solutos hidrófobos ideales pequeños o grandes, respectivamente 1.

Aquí nuestro objetivo es aclarar primero si las proteínas, cuyas superficies como se mencionó anteriormente se caracterizan por la presencia de patrones polares y no polares complejos, se comportan efectivamente como solutos no polares pequeños o grandes, y luego investigar las consecuencias de este hecho en su comportamiento de plegado 11,12,13. Abordar esta pregunta requiere una caracterización precisa del espacio conformacional de una proteína en el agua para estudiar el número de enlaces de hidrógeno formados por moléculas de agua en las proximidades de su superficie con respecto a la masa.

Para atacar este problema, aprovechamos las oportunidades que ofrece el caso de la frataxina de levadura (Fig. 1a). La frataxina, que es una proteína involucrada en el ensamblaje de grupos de hierro-azufre, también está relacionada con la ataxia de Friedreich, una condición neurodegenerativa fatal 15. Consideramos la frataxina de levadura porque esta proteína representa uno de los pocos ejemplos en los que se han observado estados desnaturalizados tanto en frío como en caliente a pH neutro y sin adición de agentes desestabilizadores (a 272 K y 323 K, respectivamente), y se caracteriza por resonancia magnética nuclear. (RMN) cambios químicos y dicroísmo circular (CD) 15,16,17,18. Como muestra el trabajo pionero de Privalov, el análisis termodinámico de la desnaturalización en frío, en comparación con el de la desnaturalización térmica, ofrece ventajas únicas para comprender los determinantes moleculares de la hidrofobicidad 19,20. De hecho, se reconoce generalmente que mientras que la desnaturalización térmica es la consecuencia de un aumento inducido por la temperatura en las fluctuaciones conformacionales, la desnaturalización en frío es una consecuencia de una ganancia de entalpía del disolvente 19,20. Sin embargo, no se conocen muchos detalles atomísticos sobre las consecuencias estructurales de esta ganancia de entropía o entalpía en los estados desnaturalizados frío y caliente, respectivamente. Por lo tanto, modelar los estados desnaturalizados en frío y en caliente de la frataxina de levadura en ausencia de cualquier agente adicional debería resaltar los diferentes roles que desempeñan la proteína y el solvente a diferentes temperaturas.

(a) Estructura del estado nativo de la frataxina. (B) Superficie de energía libre del estado desnaturalizado en frío (CDS) determinada a 272 K en función del mapa esquemático 63 variables colectivas que describen las características conformacionales de los conjuntos (ver Métodos). Se muestran nueve microestados que representan los mínimos locales y globales. Estos microestados comprenden & gt90% de la población total. (C) Superficie de energía libre del estado desnaturalizado en caliente (HDS) determinada a 323 K en función de las mismas dos variables colectivas. Se muestran dieciséis microestados que representan los mínimos locales y globales. Estos microestados comprenden & gt90% de la población total (ver Métodos). (Delaware) Poblaciones de estructura secundaria del CDS (D) y HDS (mi). Las α-hélices se representan en azul, las β-cadenas en rojo y la poliprolina II en verde, las energías libres se expresan en kJ / mol.

A continuación, empleamos los cambios químicos medidos en condiciones de desnaturalización fría y caliente 15,16,17 junto con simulaciones de metadinámica promediada por réplicas (RAM) 21,22 (ver Materiales y métodos) para dilucidar a resolución atómica la estructura y la dinámica de el estado desnaturalizado en frío (CDS) y el estado desnaturalizado en caliente (HDS). En las simulaciones de RAM, la información experimental proporcionada por los cambios químicos de RMN se incorpora en términos de restricciones estructurales 22 y, al mismo tiempo, el muestreo del espacio conformacional se mejora mediante la metadinámica 23. Este enfoque general permite cambiar simultáneamente el campo de fuerza utilizado en las simulaciones de dinámica molecular para mejorar su concordancia con los datos experimentales en el espíritu del principio de máxima entropía 24 y disminuir significativamente los recursos computacionales necesarios para obtener la convergencia en el muestreo. Luego, mediante el uso de análisis de valores Φ 25,26,27 y simulaciones moleculares restringidas de valores Φ 26, determinamos su estado de transición fría (CTS) y su estado de transición caliente (HTS) para describir las diferencias en los procesos de desnaturalización fría y caliente correspondientes a las diferencias entre los estados desnaturalizados frío y caliente.


Hormonas esteroides

Las hormonas esteroides, al ser moléculas hidrófobas, se difunden libremente en todas las células. Sin embargo, sus células "objetivo" contienen proteínas citoplásmicas y / o nucleares que sirven como receptores de la hormona. La hormona se une al receptor y el complejo se une a elementos de respuesta hormonal & mdash tramos de ADN dentro de los promotores de genes que responden a la hormona. El complejo hormona / receptor actúa como factor de transcripcion convirtiendo los genes diana en "on" (o "off").


Una historia de dos tipos

Aprenderá sobre dos tipos de proteínas de membrana: periférico proteínas y integral proteínas. Las proteínas periféricas tienen conexiones más débiles y temporales con la membrana. Algunos simplemente se sientan en la superficie, anclados con algunos enlaces iónicos, mientras que otros pueden tener pequeñas secciones que se sumergen en la sección hidrófoba de la bicapa. Cuando observa toda la membrana, hay más proteínas periféricas en comparación con la cantidad de proteínas integrales.

Como puede adivinar por el nombre, las proteínas integrales están conectadas permanentemente a la membrana celular. Son muy trabajadores y tienen grandes secciones incrustadas en el hidrofóbico capa (media) de la membrana.

Transmembrana Las proteínas son proteínas integrales que atraviesan la membrana y pueden actuar como vías para iones y moléculas. Politópico las proteínas transmembrana atraviesan la membrana varias veces. Algunas son proteínas receptoras mientras que otras forman canales. El movimiento de iones que no requiere trabajo se denomina transporte pasivo, mientras que los sistemas de transporte activo utilizan el trabajo para mover moléculas. El transporte activo se utiliza regularmente cuando las proteínas de membrana bombean iones contra el gradiente de concentración.


Conclusiones

El presente análisis sugiere que una estrategia de haloadaptación compartida de proteínas en presencia de concentración de sal molar, pero no en presencia de osmolitos, necesita un debilitamiento de las interacciones hidrofóbicas en general, y en particular a nivel del núcleo y de los contactos hidrofóbicos conservados. El debilitamiento de estas interacciones contrarresta su fortalecimiento por la presencia de sales en solución y puede ayudar a la estructura a prevenir la agregación y / o pérdida de función en ambientes hipersalinos. De hecho, la disminución de la hidrofobicidad hace que las proteínas halófilas sean inestables en soluciones de sal de baja concentración y puede explicar en parte la solicitud de las proteínas halófilas de altas concentraciones de sal. Para completar el cuadro, debe considerarse la desestabilización de proteínas halófilas a baja concentración de sal debido a la fuerte repulsión electrostática [18, 33]. La contracción de los contactos hidrófobos debe ser incluso más crítica para las primeras etapas de plegado cuando los núcleos hidrófobos intramoleculares deben formarse correctamente para guiar el polipéptido a través del embudo de plegado al estado nativo.

Teniendo en cuenta también el aumento significativo de las aplicaciones biotecnológicas de los halófilos, la comprensión de la etiología multifacética de la halofilia (incluidos los factores electrostáticos) puede proporcionar la base teórica para la ingeniería de proteínas de gran interés porque son estables a concentraciones de sales que causan la desnaturalización o agregación. de la mayoría de macromoléculas.


Resultados

Un marco para describir las interacciones que estabilizan el estado de la gota.

La premisa de este trabajo es que el estado de la gota se caracteriza por interacciones de baja especificidad y entropía conformacional similar a un líquido. Por lo tanto, planteamos la hipótesis de que las proteínas que son conformacionalmente heterogéneas en sus estados nativos y mantienen esta propiedad al unirse serían particularmente propensas a formar el estado de gota. Al estimar el grado de heterogeneidad conformacional tanto en el estado nativo como en el unido, observamos que las proteínas abarcan un continuo entre el orden estructural y el desorden (23, 24), que expresaremos por las probabilidades de pagD (estado libre) y pagDD (estado vinculado). También observamos que las interacciones con alta entropía conformacional se realizan a través de muchas configuraciones de unión diferentes, que pueden lograrse tanto por dominios ordenados como desordenados (25). Por el contrario, los modos de unión ordenados con baja entropía conformacional están mediados por interfaces bien definidas, como lo ejemplifica el acoplamiento rígido o el plegado con plantilla (26).

Los modos de encuadernación ordenados y desordenados exhiben firmas de secuencia características. Los motivos que median los modos de unión ordenados tienen un fuerte sesgo de composición en comparación con sus regiones proteicas de incrustación. Por el contrario, los motivos que median modos de unión desordenada son más similares a sus regiones flanqueantes, que se pueden realizar a través de una variedad de patrones de secuencia y tipos de contacto, ya que su especificidad se deriva de su carácter distintivo en comparación con sus regiones flanqueantes (23). Hemos demostrado previamente (27) que al identificar tales elementos de interacción basados ​​en el sesgo de composición, es posible estimar el orden estructural o el desorden en condiciones celulares en excelente acuerdo con los estudios proteómicos in vivo (28).

Propiedades de las proteínas que pueden formar el estado de gotitas.

Conjuntos de datos de proteínas que representan el estado de la gota.

Hemos analizado tres conjuntos de datos públicos de proteínas que, según se informa, se someten a separación de fase líquido-líquido (Materiales y métodos). El primero es el conjunto de datos PhaSepDB (http://db.phasep.pro/) (29), que reúne datos de tres recursos (Materiales y métodos y Conjunto de datos S1): 1) proteínas de la literatura con datos experimentales in vivo e in vitro sobre la separación de fase líquido-líquido (REV, 351 proteínas Materiales y métodos y Dataset S1), 2) proteínas de UniProt asociadas con orgánulos conocidos (UNI, 378 proteínas Materiales y métodos y Dataset S1), y 3) proteínas identificadas mediante experimentos de alto rendimiento de separación de fase líquido-líquido (HTS, 2572 proteínas Materiales y métodos y conjunto de datos S1). El segundo conjunto de datos es PhaSePro (https://phasepro.elte.hu) (30), que identifica las regiones proteicas asociadas con la separación de fase líquido-líquido (PSP, 121 proteínas Materiales y métodos y conjunto de datos S1). El tercer conjunto de datos es LLPSDB (http://bio-comp.org.cn/llpsdb) (31), que ensambla proteínas que se observa que se someten a una separación de fase líquido-líquido in vitro con condiciones experimentales bien definidas y diagramas de fase (Materiales y métodos y conjunto de datos S1). LLPSDB distingue si las proteínas pueden separarse en fase espontáneamente como un componente (proteínas impulsoras de gotas, LPS-D, 133 proteínas Materiales y métodos y Dataset S1) o requieren que un socio se someta a una separación de fase líquido-líquido (proteínas gota-cliente, LPS-C, 41 proteínas Materiales y métodos y conjunto de datos S1). En este conjunto de datos, 77 proteínas exhiben comportamientos tanto de conducción de gotas como de cliente de gotas.

Para crear un conjunto de datos para la separación de fases líquido-líquido, fusionamos las proteínas en los conjuntos de datos REV, PSP y LPS-D, que consideramos como impulsores de la formación de gotas (453 proteínas únicas, conjunto de datos LLPS Materiales y métodos y conjunto de datos S1). Generamos dos conjuntos de datos de control negativo, uno solo con proteínas humanas y otro con una mezcla de organismos (Dataset S2). Para el conjunto negativo humano (conjunto de datos hsnLLPS, 18,108 proteínas Materiales y métodos), excluimos del proteoma humano Swiss-Prot todas las proteínas que aparecían en cualquiera de los conjuntos de datos de separación de fase líquido-líquido (REV, UNI, HTS, PSP, LPS-D, LPS-C) (29 ⇓ –31) (Conjunto de datos S2). Para el conjunto negativo correspondiente a múltiples organismos (nsLLPS Materiales y métodos), derivamos la distribución de organismos del conjunto de datos LLPS. Para construir un conjunto de datos de control, consideramos organismos poblados más del 1% en el conjunto de datos LLPS y usamos sus proteomas de UniProt (Caenorhabditis elegans, Chlamydomonas reinhardtii, Drosophila melanogaster, Homo sapiens, Mus musculus, Rattus norvegicus, Saccharomyces cerevisiae, Schizosaccharomyces pombe, Xenopus laevis Materiales y métodos) y eliminó todas las proteínas presentes en los conjuntos de datos LLPS o HTS. Luego, elegimos aleatoriamente secuencias de acuerdo con las frecuencias de estos organismos en el conjunto de datos LLPS con un enriquecimiento de 10 veces (nsLLPS Materiales y métodos y conjunto de datos S2).

Análisis de las composiciones de aminoácidos de las proteínas conductoras de gotitas y clientes de gotitas.

Las proteínas impulsoras de gotitas se enriquecen en residuos promotores de trastornos (P, G, S) y se reducen en residuos promotores de orden (F, I, V, C, W) en comparación con las proteínas que no separan fases (Fig.2A). N y Q, que se distinguen en dominios similares a priones (32), son más abundantes en proteínas impulsoras de gotitas que las que no se informa que se someten a LLPS. Sin embargo, las proteínas impulsoras de gotas no están significativamente enriquecidas en residuos que median las interacciones π-π y catión-π (Y, R), en comparación con las proteínas sin separación de fases (nsLLPS) (Fig.2A y conjunto de datos S3). Estos resultados indican que la formación de gotas no depende de un tipo de contacto específico, sino que puede realizarse de muchas formas mediante interacciones de baja especificidad. La composición de las proteínas impulsoras de gotas se encuentra entre la de las proteínas globulares (33) y las proteínas desordenadas en la base de datos DisProt (33), más abundante en residuos promotores de orden (W, C, Y, F, I, V) en comparación con proteínas desordenadasApéndice SI, Fig. S1B) y enriquecido en residuos promotores de trastornos (P, D, E) en comparación con proteínas globulares (34) (Apéndice SI, Fig. S1A). Los residuos aromáticos observados en regiones desordenadas, por ejemplo en nucleoporinas, a menudo median interacciones de baja afinidad (35). Estas propiedades de composición reflejan la preferencia de las proteínas impulsoras de gotas por el estado desordenado en la forma unida, que es comparable a los complejos de proteínas con modos de unión desordenados (23).

Composiciones diferenciales de aminoácidos de proteínas conductoras de gotas y clientes de gotas. (A) Diferencias en las composiciones de aminoácidos (ΔAA) de las proteínas conductoras de gotas en el conjunto de datos de LLPS y de las proteínas que no se informaron para separar las fases (nsLLPS). (B) Diferencias en las composiciones de aminoácidos de las proteínas del cliente de gotitas que requieren componentes adicionales para la separación de fases (conjunto de datos de LPS-C) y de proteínas que no se ha informado que se separen en fases (nsLLPS). (C) Diferencias en la composición de aminoácidos de proteínas cliente de gotas (LPS-C) y proteínas conductoras de gotas (LLPS). Aminoácidos agrupados en hidrofóbicos (verde claro), aromáticos (verde), hidrofílicos (turquesa), cargados (azul acero) y promotores de desorden (azul oscuro) (34). Los SE y los significados de las diferencias según la prueba de Kolmogorov-Smirnov se muestran en el conjunto de datos S3.

En comparación con las proteínas que no separan fases, las proteínas cliente de gotas están enriquecidas en residuos cargados (D, K, E) y prolina que promueven el trastorno (Fig.2B y conjunto de datos S3). Las proteínas cliente de gotitas exhiben diferencias características de las proteínas impulsoras de gotitas, ya que están enriquecidas en residuos cargados (K, E) y motivos hidrofóbicos (L, V, I), mientras que se reducen en fosforilación promotora de amiloide (N, Q). residuos promotores (S) y promotores de trastornos (G) (Fig.2C y conjunto de datos S3). La composición de aminoácidos de los clientes de gotitas es, por tanto, más similar a las proteínas estructuradas que a las desordenadas (Apéndice SI, Fig. S1B).

Análisis de la entropía conformacional de proteínas impulsoras de gotas y clientes de gotas.

Observamos que diferentes conjuntos de datos de proteínas que representan el estado de la gota tienen características marcadamente diferentes en su entropía conformacional en el estado libre y su cambio al unirse. Los impulsores de la formación de gotas (LPS-D) tienen altos niveles de desorden en libre (pagD) y estados ligados (pagDD), mientras que los clientes de gota (LPS-C) se ordenan principalmente en ambas formas (Fig.3 A y B). Las proteínas en los conjuntos de datos REV y PSP exhiben modos de unión desordenados, que son comparables a las proteínas impulsoras de gotas, por lo que es probable que se separen en fases de forma espontánea. Las proteínas asociadas con orgánulos sin membrana conocidos (UNI) o identificadas mediante experimentos de alto rendimiento (HTS) (29) tienen una entropía conformacional significativamente menor en los estados libre y unido y, por lo tanto, es probable que tengan componentes que forman gotas a través de interacciones de pareja. Comparación de proteínas que separan y que no separan de fase espontáneamente (Fig.3 C y D) indica que una alta entropía conformacional es una característica del estado de gota.

Propiedades conformacionales en diferentes conjuntos de datos de proteínas LLPS en los estados libre y unido. Literatura PhaSepDB revisada (azul claro), proteínas asociadas a orgánulos humanos PhaSepDB de UniProt (azul acero), proteínas PhaSepDB identificadas mediante experimentos de alto rendimiento (azul oscuro), PhaSePro (naranja), proteínas LLPSDB de un componente (conductores de gotas de trigo), y proteínas de separación de fases de dos componentes (clientes de gotitas grises). (A) La probabilidad del estado desordenado (pagD) en la forma libre se caracterizó por la fracción de residuos desordenados, calculada por el programa ESpritz NMR (36). Los residuos se clasifican como desordenados si tienen una puntuación de ID ≥0,3089. La fracción de residuos desordenados se calculó por proteína como norteIDENTIFICACIÓN/norteAutomóvil club británico y estos valores se promediaron para cada conjunto de datos. (B) Probabilidad de encuadernación desordenada (pagDD) fue calculado por el programa FuzPred (23). La mediana pagDD Se determinó el valor para cada proteína y estos valores se promediaron para cada conjunto de datos. (C y D) Comparación de pagD y pagDD en proteínas impulsoras de gotas (LLPS azul claro) y proteínas sin separación de fases (nsLLPS azul oscuro). Los significados estadísticos fueron calculados por Mann-Whitney U prueba usando el programa R (**PAG & lt 10 −3, ***PAG & lt 10 −5, ****PAG & lt 10 −10).

Predicción basada en secuencia de perfiles de propensión a gotas de proteínas.

Con base en el análisis informado anteriormente, en esta sección, presentamos un método para predecir el perfil basado en la secuencia de la propensión de las proteínas a formar espontáneamente el estado de gota (pagDP). Para lograr este resultado, definimos la probabilidad de residuo AI estar involucrado en la separación de fases espontánea por pagDP (AI) utilizando un modelo logístico binario como p DP (A i) = exp FS (A i) 1 + exp FS (A i), [1] donde FS (A i) es la función de puntuación para el residuo FS (A i) = λ 1 p D (A i) + λ 2 p DD (A i) + γ, [2] donde p D (A i) es la probabilidad de desorden en el estado libre yp DD (A i) es la probabilidad para encuadernación desordenada (23). p D (A i) contiene una estimación de la entropía conformacional en la forma libre, mientras que p D D (A i) contiene una estimación de la entropía de unión. λ1 y λ2 son los coeficientes lineales de las variables predictoras y γ es una constante escalar (intersección), que se determinaron utilizando el modelo logístico binario (Materiales y métodos y conjunto de datos S4). pagD se derivó de la puntuación de trastorno calculada mediante el algoritmo de RMN de ESpritz (36), con el mejor rendimiento en complejos de proteínas desordenados (23). los pagDD Los valores se predijeron mediante el método FuzPred, que describe los modos de unión en condiciones celulares (27). los pagD y pagDD los valores capturan el equilibrio entre entalpía y entropía que estabiliza el estado de la gota, que está asociado con la naturaleza inespecífica de una variedad de interacciones de cadena lateral.

Para entrenar nuestro modelo, usamos un conjunto de datos de regiones promotoras de gotas, con evidencia para mediar espontáneamente en la separación de fases (Materiales y métodos y conjunto de datos S1). Como conjunto negativo, definimos regiones en proteínas sin separación de fases con la misma distribución de longitud que en el conjunto positivo (Materiales y métodos). El tamaño del conjunto negativo fue 10 veces mayor que el del conjunto positivo y aplicamos un muestreo estratificado en el entrenamiento. Descubrimos que los coeficientes lineales eran robustos en muchas selecciones aleatorias de los conjuntos positivos y negativos, así como el tamaño del conjunto de entrenamiento (Conjunto de datos S4). En la parametrización final, los coeficientes lineales de los modos de desorden y enlace fueron positivos, lo que refleja la preferencia por un estado de enlace desordenado en las gotitas. El umbral para mediar en la formación de gotas se derivó del modelo logístico binario (pagDP ≥ 0.60).

Para estimar el rendimiento del método, calculamos un valor de área bajo la curva (AUC) del 87,0% en el conjunto de entrenamiento y un valor de AUC del 85,9% en el conjunto de prueba (Materiales y métodos y conjunto de datos S4). Aplicamos estos coeficientes a todas las regiones de gotitas y obtuvimos un valor de AUC del 84,4%. Estos resultados ilustran que los parámetros son robustos en las regiones de gotitas de diferentes organismos. También observamos que los perfiles de propensión de las proteínas que promueven las gotas que se observó que forman gotas en condiciones celulares y las que se detectaron solo mediante experimentos in vitro no son significativamente diferentes (Apéndice SI, Fig. S3).

Por lo tanto, hemos desarrollado el método FuzDrop para predecir las propensiones de residuos de la secuencia primaria a promover las gotas en función de la entropía conformacional de los modos de unión desordenados en las gotas.

Perfiles de propensión a la promoción de gotitas de TDP-43 y α-sinucleína.

Aplicamos el método FuzDrop para predecir las propensiones promotoras de gotitas de dos proteínas que, según se informa, experimentan separación de fase líquido-líquido, TDP-43 (37) y α-sinucleína (38, 39). Nuestros resultados indican que la región de baja complejidad de TDP-43 (residuos 262 a 414) media la separación de fases espontánea. We note that the α-helical segment (residues 320 to 331), which constitutes the amyloid core in TDP-43 fibrils (40) (Fig. 4A) and is predicted to undergo disorder-to-order transition upon binding, also has a high droplet-promoting propensity (Fig. 4A).

Droplet-promoting propensity profiles (pagDP) of the TDP-43 low-complexity (LC) domain and of α-synuclein. (A) The TDP-43 LC domain has overall high droplet-promoting propensities. The depletion in the droplet profile corresponds to the α-helical segment (orange), which is involved in the amyloid core. The N- (lime) and C- (blue) flanking regions are disordered in the NMR structure of the G335D mutant (PDB ID code 2n4g). (B) The disordered C-terminal region of α-synuclein (blue) is predicted to drive droplet formation. The N-terminal region (lime), which folds into an α-helix, has intermediate pagDP valores. The ensemble is derived from the Protein Ensemble Database (PED9AAC). los pagLLPS threshold is indicated by a bold gray line.

In the case of α-synuclein, the highly disordered C-terminal region (residues 98 to 140), which also remains disordered upon binding to lipid vesicles (41), is predicted to drive the formation of the droplet state (Fig. 4B). The central non-amyloid beta component (NAC) region has lower pagDP propensity to spontaneously phase separate, but may be involved in droplets via hydrophobic protein interactions, which are absent from β-synuclein and γ-synuclein (38).

Sequence-Based Prediction of Droplet-Driving Proteins.

In this section, we present a method of ranking proteins according to their propensity to form the droplet state. In order to achieve this result, we estimate the probability of liquid–liquid phase separation (pagLLPS) using a binary logistic model (Materiales y métodos) with a scoring function (FLLPS) derived from residue droplet-promoting propensities and a term for hydrophobic interactions F L L P S = λ 1 ∗ m e d i a n < p D P ( A i ) >+ λ 2 ∗ n D P R + λ 3 ∗ H + γ , [3] where m e d i a n < p D P ( A i ) >is the median of the residue droplet-promoting propensities, n D P R is the number of long droplet-promoting regions (DPRs ≥25 consecutive residues with pagDP ≥ 0.6), and H is a hydrophobic term (≥6-residue hydrophobic motifs within disordered regions) (Materiales y métodos). λ1, λ2, and λ3 are the linear coefficients of the predictor variables and γ is a scalar constant (intercept), which we determined on the LLPStren and nsLLPStren datasets (Materiales y métodos and Dataset S5). We found that the linear coefficients were robust over many random selections of the positive and negative sets, as well as the training set size (Dataset S5). The threshold to mediate spontaneous liquid–liquid phase separation was derived from the binary logistic model (pagLLPS ≥ 0.61). We propose that the pagLLPS value expresses the droplet-driving potential under physiological conditions, as droplet-promoting propensities of proteins that form droplets under physiological conditions and those that were detected to phase separate only in vitro do not deviate significantly (SI Appendix, Fig. S2). We also note that using nonphysiological conditions, such as high concentrations of protein and crowding agents, can induce liquid–liquid phase separation at pagLLPS values below the threshold, especially if droplet-promoting regions are present.

To estimate the performance of the method, we calculated an AUC value of 88.3% on the training set (0.75 of the LLPS dataset) and an AUC value of 90.7% on the test set, using stratified sampling (Materiales y métodos and Dataset S5). As an attempt to further improve performance, we incorporated a π–π term (19) into the scoring function of the logistic model (Materiales y métodos). Adding this term slightly increased the performance of the model (AUC 92.2% Dataset S5) with a moderate contribution to the scoring function. These results are in accord with the presence of π–π interactions in many droplet proteins, but also show that these interactions are not prerequisites for droplet formation.

The performance and robustness of the model (Eq. 3 and Dataset S5) demonstrate that the droplet state can be predicted from sequence based on the estimated conformational entropy of binding and a nonspecific enthalpy term. We also note that our model by Eq. 3 serves as a general framework for predicting droplet-driver proteins. Accumulating data collected using more systematic and uniform experimental approaches (8) will enable further refinement of the parameters in our model and to predict the minimum concentration for phase separation, although this property can be expected to be highly dependent on the cellular conditions.

Region Specificity of the FuzDrop Method and Experimental Validation of the Predictions.

We note that estimates of the overall propensity of a protein to form the droplet state cannot be readily obtained by a simple average of the values of the profiles of Eq. 2. This overall propensity is also determined by specific regions, rather than only by the general properties of the entire sequence, including in particular droplet-promoting regions and short motifs within disordered regions, which are prone to establish hydrophobic interactions (Eq. 3). This point can be illustrated by distinct behaviors of α-synuclein and β-synuclein (38). The C-terminal region of both proteins possesses a droplet-promoting region, with a preference for disordered binding modes (Fig. 4 and SI Appendix, Fig. S3). In addition, the NAC region of α-synuclein contains eight hydrophobic residues, biased for disordered binding, which can exert a nonspecific driving force (resembling hydrophobic collapse) for droplet formation. Notably, however, β-synuclein and γ-synuclein, which lack these residues (SI Appendix, Fig. S3), were not observed to undergo liquid–liquid phase separation under physiological conditions (38).

The predicted pagLLPS values by the FuzDrop method (0.62 for α-synuclein, 0.54 for β-synuclein, and 0.40 for γ-synuclein) suggest that β-synuclein and γ-synuclein have lower propensity to adopt the droplet state as compared with α-synuclein. Indeed, γ-synuclein did not phase separate under any of the experimental conditions tested (38). To validate the predictions close to the prediction threshold, we explored β-synuclein phase behavior in a set of in vitro experiments (Fig. 5). In line with previous observations (38, 39), we did not observe any droplets after incubating high concentrations of fluorescein 5-isothiocyanate (FITC)-labeled β-synuclein on a glass surface, whereas we did observe droplets for FITC-labeled α-synuclein (Fig. 5 A y B). As hydrophobic effects are important for α-synuclein droplet formation and considering that β-synuclein lacks the predominantly hydrophobic segment in the NAC region, we reasoned that raising the experimental temperature would increase the strength of residual hydrophobic interactions, allowing the protein to cross the phase barrier. Indeed, β-synuclein formed micrometer-sized droplets when the temperature was raised by 10 °C and at high concentrations (Fig. 5C). Droplets formed by FITC–β-synuclein were initially liquid-like, as evidenced by fluorescence recovery after photobleaching (FRAP), but showed rapid conversion to a gel-like state (Fig. 5C). The phase separation behavior of β-synuclein illustrates that protein phase separation is highly dependent on the experimental conditions, that proteins with a predicted pagLLPS below the threshold (pagLLPS ≥ 0.61) require more extreme conditions to adopt the droplet state, and that the droplet state of these proteins is generally short-lived.

Region-specific phase behavior of α-synuclein and β-synuclein. (A) FITC-labeled β-synuclein (pagLLPS 0.54), which lacks the characteristic NAC region found in α-synuclein, does not phase separate at high concentrations (200 μM) and under crowding conditions (10% [weight/volume] PEG), whereas FITC-labeled α-synuclein (pagLLPS 0.62) readily forms droplets under the same conditions. (B) Increasing the experimental temperature by 10 °C does lead to rapid coalescence of β-synuclein into micrometer-sized droplets. (C) Rapid FRAP of a small area within a droplet (Top) 1 min after phase separation FRAP 3 min after phase separation (Fondo) and a nonlinear fit of fractional fluorescence recovery over time (Right). (Scale bars, 10 μm [A y B] and 5 μm [C].)

As an additional test of our predictions, we ranked a set of proteins associated with Alzheimer’s disease (42) based on their predicted FuzDrop scores (Dataset S6) and selected one of the top candidates, complexin-1, to experimentally test our predictions (Fig. 6). To assess whether complexin-1 can form droplets through liquid–liquid phase separation, we incubated Alexa 488-labeled complexin-1 on a glass surface under crowding conditions at physiological pH (Materiales y métodos). After a brief lag phase (<1 min), complexin-1 formed micrometer-sized droplets in suspension (Fig. 6A). The droplets were characteristic of a liquid phase, as they showed distinct wetting behavior after prolonged incubation (>10 min) (Fig. 6A) and fused upon making contact (Fig. 6B). Furthermore, molecules within the droplets showed local rearrangement, as evidenced by rapid FRAP (Fig. 6C). We also predicted that the disordered N-terminal region of complexin-1 drives its liquid–liquid phase separation (SI Appendix, Fig. S4). This region cooperatively interacts with the SNARE complex and plasma membrane (43) to facilitate synaptic vesicle fusion (44). Phase separation may contribute to activation of complexin-1 by relieving its autoinhibition, which is a common mechanism by the droplet state (21).

Complexin-1 undergoes liquid–liquid phase separation. (A) Alexa 488-labeled complexin-1 (10 μM) coalesces into micrometer-sized droplets under crowding conditions (Left). Droplets exhibit a wetting phenotype when encountering a glass surface (Right). (B) Complexin-1 droplets readily fuse when in close proximity (<1 μm) and relax into a round structure after fusion, as noted by the arrows. (C) Rapid FRAP of a small area within a droplet (Top) nonlinear fit of fractional fluorescence recovery over time (Fondo). (Scale bars, 5 μm [A] and 1 μm [B y C].)

Droplet-Driving and Droplet-Client Proteins in the Human Proteome.

We applied the prediction method to estimate the proteins capable of undergoing spontaneous liquid–liquid phase separation (droplet-driving proteins) in the Swiss-Prot human proteome. We thus ranked the proteins in the human proteome according to their propensity to form the droplet state (Dataset S7), and estimated that about 40% of them are capable of spontaneous droplet formation.

This list contains only about 60% of the human proteins currently associated with membraneless organelles (UNI). This fraction is even lower for proteins identified by high-throughput experiments (HTS), including organelle purification (45, 46), affinity purification (47, 48), immunofluorescence image-based screen (49, 50), and proximity labeling (51, 52) (SI Appendix, Fig. S5). As the FuzDrop approach was developed for proteins that drive droplet formation, our results indicate that membraneless organelles contain also proteins that undergo phase separation by being driven by a partner (droplet-client proteins). We observed that droplet clients have a lower conformational disorder in both free and bound states (Fig. 3), suggesting the involvement of distinguished, local motifs. Thus, the droplet-client mechanism can provide a route for structured proteins to be engaged in condensates via specific droplet-promoting regions.

To investigate the properties underlying the droplet-client mechanism, we analyzed the presence of long and short droplet-promoting regions in the droplet-driver (LLPS) and droplet-client (LPS-C) datasets (Table 1). We found that ∼90% of droplet-client proteins contain a short droplet-promoting region (≥10 residues), while only ∼60% have long ones (≥25 residues). The frequency of short and long droplet-promoting regions in proteins, identified by high-throughput experiments, is comparable to droplet-client proteins (Table 1), indicating that they follow a partner-induced client mechanism. In contrast, the frequency of droplet-promoting regions in proteins associated with human membraneless organelles is comparable to droplet drivers (Table 1). Considering their lower droplet-promoting propensities (Dataset S7), these results indicate that proteins in membraneless organelles likely follow both driver and client mechanisms.

Percentage in different datasets of proteins containing regions predicted to be droplet promoting

Overall, we thus estimate that over 80% of the proteins in the human proteome contain regions that can mediate droplet formation. Half of these proteins can condensate spontaneously, while the other half can do so by interacting with other components (Table 1). We have also observed that the number of droplet-promoting regions is comparable in proteins observed to form droplets under physiological conditions or detected by in vitro experiments (SI Appendix, Fig. S2), corroborating the relevance of the predictions under cellular conditions. We then extended these results to other organisms (Dataset S8), leading to the suggestion that the droplet state is a proteome-wide phenomenon.


Hydrophobic proteins in the body? - biología

Proteins have complex and dynamic shapes. The function of a protein is determined by its structure a change in the protein’s activity involves a change in some portion of the protein’s structure (shape). Entonces, ¿qué determina la estructura de una proteína?

Proteins are assembled as a linear chain of amino acids covalently linked by peptide bonds. As this chain is being assembled (each subsequent amino acid is added onto the free carboxy- terminus of the nascent polypeptide chain), the polypeptide chain begins to fold.

Los biólogos distinguen 4 niveles de estructura proteica. Los estudiantes deben ser capaces de identificar los cuatro niveles de estructura de proteínas y las fuerzas moleculares o interacciones responsables de estabilizar cada nivel de estructura.

Cuatro niveles de estructura proteica

Primary – the linear sequence of amino acids, held together by covalent peptide bonds.

Secondary – alpha helices and beta sheets, stabilized by hydrogen bonds between peptide backbone amino groups and carboxyl groups of amino acids within the same polypeptide chain, but not immediately next to each other.

Tertiary – overall 3-D shape of the folded polypeptide chain, that can be described as the spatial relationships of the secondary structure elements linked by loops. Stabilized by various types of amino acid side chain interactions, including: hydrophobic and van der Waals interactions, hydrogen bonding, ionic bonds, covalent disulfide bonds between cysteine residues, and interactions with solvent water molecules.

Quaternary – assemblage of two or more folded polypeptides into a functional unit. Stabilized by interchain hydrophobic and van der Waals interactions, hydrogen bonding, ionic bonds, and covalent disulfide bonds between cysteine residues on different polypeptide chains.

1. The classic case exploring protein structure is hemoglobin. Functional hemoglobin is a tetramer, consisting of two alpha-globin and two beta-globin polypeptide chains. Hemoglobin also requires a cofactor, heme (also called a prosthetic group), containing an iron atom that binds oxygen.

a) What levels of protein structure does hemoglobin exhibit?

b) The most common sickle-cell disease mutation changes a glutamic acid (a negatively charged amino acid) in beta-globin to valine (a hydrophobic amino acid). Where would you most commonly expect to find a charged amino acid like glutamic acid, in the interior of the folded protein or on the surface?

c) Which of the following changes do you think might also cause sickle-cell disease?

i) the glutamic acid changes to an aspartic acid, a different negatively charged amino acid

ii) the glutamic acid changes to a lysine, a positively charged amino acid

iii) the glutamic acid changes to a tryptophan, a hydrophobic amino acid

iv) the glutamic acid changes to a serine, an uncharged, hydrophilic amino acid

d) Sickle cell hemoglobin mutations alter what levels of protein structure (when sickling of red blood cells is apparent)?

2. The most common mutation associated with cystic fibrosis causes a single amino acid, a phenylalanine, to be omitted from the protein called CFTR (cystic fibrosis transmembrane conductor). The CFTR protein functions as a chloride channel in the membrane, formed as the single long CFTR polypeptide chain crosses the membrane back and forth several times. The absence of this phenylalanine, which has a large hydrophobic side chain, causes the protein to be mis-folded. This mis-folded protein is recognized by the cellular quality control system and sent to the cellular recycling center (the proteasome) only about 1 percent makes it to the proper destination, the plasma membrane. My case study is published as a blost post:

3. Microbes that live in extreme environments of temperature, salt and pH have proteins that are adapted for structural stability in these extreme environments.

Edits: 9/30/12 – replaced link to single video with 2 split videos of protein structure and sickle cell hemoglobin


Materiales y métodos

Protein Engineering.

Glu-containing variants of the Δ+PHS variant of SNase were prepared with QuickChange site-directed mutagenesis on a pET24A+ vector as described previously (9, 16). Purification was performed as described previously (33).

Thermodynamic Stability Measurements.

Stability measurements were performed with guanidinium chloride titrations using an Aviv Automated Titration Fluorimeter 105, as described previously (34). Linkage analysis of pH dependence of stability to obtain pKa values was performed as described previously (9, 10, 12).

Optical Spectroscopy.

pH titrations monitored with CD at 222 nm or with Trp fluorescence were performed with an Aviv Automated Titration Fluorimeter model 105 and with an Aviv circular dichroism spectrometer model 215, respectively. The experiments were performed following protocols published previously (34).


Difference Between Hydrophilic and Hydrophobic

Solvents, mixtures, compounds, and particles are just some of the components of a chemist’s life. Studies involving the observance of molecule behavior in any given state or environment may seem to be one of the most brain-whacking jobs for those with little background in chemistry and related sciences, but these are very helpful in coming up with the latest products and developments in various industries.

Chemists, biologists, and other individuals pursuing a career in the field of science, start their career by attaining the necessary training from universities and colleges. When they decide to have a career related to biochemistry, their education starts with lessons that give them a deeper understanding of molecular activities and behavior.

That being said, it is safe to assume that the basic courses offered during their first year of college include an evaluation of the hydrophobic and hydrophilic nature of molecules and other particles.

The word “hydro-” means “water.” Thus, studying hydrophobic and hydrophilic molecules concerns the solubility and other properties of particles as they interact with water. The term “–phobic,” originating from “phobia,” would translate into “fearful of (water).” Hydrophobic molecules and particles, therefore, can be defined as those that do not mix with water – they repel it. On the other hand, hydrophilic molecules are those that interact well with H2O.

In other words, the distinction between hydrophobic and hydrophilic molecules is drawn by observance of the hydrophobic particles’ repellency of water and hydrophilic molecules’ attraction to water.

In a laboratory experiment, for example, one can observe that there are particular solubles that dissolve in water, and others that do not. Crushed and powdered makeup, for example, may be able to dissolve in a glass full of cooking oil, but not in a glass full of water. Salt, on the other hand, is easily absorbed by water, but it may not dissolve in oil.

Crushed and powdered makeup, therefore, can be seen as hydrophobic particles. Meanwhile, students can arrive at the conclusion that the molecules of salt are hydrophilic. Salt can keep a strong affinity in water, cuales can absorb and dissolve it. On the other hand, the oil-based makeup contains molecules that repel and refuse to combine with the molecules of water.

Aside from laboratory experiments, this molecular behavior in reference to the hydrophobic and hydrophilic nature is also observed when biologists look into the permeability of cell membranes. Note that several particles may enter and exit the cell through the membrane, which is made of lipid bilayers and proteins.

When the particles are hydrophobic, a simple passive diffusion occurs, which means that the molecule does not need the exertion of energy to enter or exit the cell. This is because the cell membrane comes with hydrophobic components that match the molecules.

On the other hand, hydrophilic particles may need protein carriers for facilitated diffusion. This is because the components of the molecules reject those of the cell membrane.

To get a clearer understanding of this, picture a glass of water and a glass of cooking oil. When water is added to the oil, there is repulsion between the molecules. But when one puts water into water and oil into oil, no reaction will be observed.

Organic chemistry provides an explanation for this phenomenon. Note that water contains polar molecules it therefore follows that polar substances and particles get absorbed or attracted by H2O. Hydrophilic molecules are known to be polar and ionic – they have positive and negative charges, which can attract water molecules. Conversely, hydrophobic particles are known to be non-polar.

Resumen:

1.Hydrophilic means water loving hydrophobic means resistant to water.
2.Hydrophilic molecules get absorbed or dissolved in water, while hydrophobic molecules only dissolve in oil-based substances.
3.Hydrophilic molecules require facilitated diffusion, while hydrophobic molecules are suitable for passive diffusion in cellular activities.
4.Hydrophilic molecules are polar and ionic hydrophobic molecules are non-polar.