Capítulo 6. Predicción de la topología de las proteínas de membrana.

6
Predicciónproteínas
de la topología
membrana
de las
de
Capítulo
lice
Hélice Hé
e
Hélice Hélic
Hélice Hélice
Hélice Hélice
Hélice Hélice
Hélice Hélice
Existen dos clases principales de proteínas de membrana: las que introducen
hélices en la bicapa lipídica y las que forman poros constituidos por barriles beta
(tipo porinas). La topología define la orientación de estas estructuras con respecto a
la membrana en la célula, en las hélices puede ser definida por la orientación del
primer residuo N-terminal precisada como “fuera” cuando el mismo está en la
región extra-citoplasmática y como “dentro” si está en el citoplasma.
Las proteínas de membrana juegan un papel importante en la célula como componentes claves en los mecanismos de señalización célula-célula iniciando las
cascadas de transducción de señales (Jung et al., 2006; Yan et al., 2006; Worman et
al., 2006). Por ello, la industria farmacéutica tiene un interés particular sobre las
proteínas con segmentos transmembrana (TM), dado que su participación como
receptores de membra-na (kaim et al., 2006), canales iónicos (Herve et al., 2005) y
transportadores (Launay et al., 2006), entre otros, los convierten en blancos
UNIVERSIDAD DE CARTAGENA
El análisis estructural de las proteínas de membrana es complejo en virtud de las
dificultades asociadas con el crecimiento de los cristales de las mismas, y su subsecuente análisis por Resonancia Magnética Nuclear (RMN). Por lo tanto, la
predicción de la estructura de este tipo de proteínas presenta un interés excepcional,
máxime al considerar que la mayoría de sus topologías no son conocidas.
Los métodos computacionales de predicción de topología son muy valiosos ya que
proveen las bases para su análisis experimental futuro. Una variedad de métodos
han sido implementados a partir de propiedades locales extractadas de la secuencias de aminoácidos que con frecuencia conforman la membrana. Algunos de los
más representativos emplean la energía libre de solvatación (Eisenberg y McLachlan
1986), el índice hidropático (Kyte y Doolittle 1982), mientras que otros utilizan
procedimientos tales como Tmpred (http://www.ch.embnet.org/software/ TMPRED
_form.html)(Hofmann et al., 1993) y DAS (http://www.sbc.su.se/~miklos/DAS/)
(Czerso et al., 1997). PHDhtm (Rost et al., 1996a) y PHDpsihtm (Rost et al., 1996b)
usan redes neuronales para predecir la topología de proteínas de membrana,
aunque sus resultados deben ser interpretados como una aproximación local.
Los servidores HMMTOP y TMHMM emplean parametrizaciones globales a través de
la implementación de Modelos de Markov ocultos, los cuales determinan
estadísticamente la topología más probable para la proteína completa. Los
servidores TMAP (http://www.mbb.ki.se/tmap/single.html) (Pearson y Argos et al.,
1996), MEMSAT (http://saier-144-37.ucsd.edu/memsat.html) (Jones et al., 1994) y
Toppred2 (http://bioweb.pasteur.fr/seqanal/interfaces/toppred.html) (Von Heigne
1994; Cserzö et al., 1997), representan formas combinadas en donde los resultados
a nivel local son evaluados por métodos heurísticos globales tales como la regla
interna-positiva. Esta regla propone que la mayoría de las hélices transmembrana
tiene una distribución característica de los aminoácidos con carga positiva (R y K) de
tal forma que las regiones loops en la zona interior de la membrana tienen más cargas positivas que los loops en la zona exterior de la misma, lo anterior permite
predecir la orientación de los residuos N-terminales de las hélices TM.
UNIVERSIDAD DE CARTAGENA
Debe quedar claro que los modelos topológicos predichos por servidores de internet
deben ser usados sólo como una guía para proveer bases experimentales en la
elucidación de la topología de las membranas (Tusnady et al., 2006). A continuación
serán descritos algunos de estos servidores.
TMHMM Server v. 2.0
URL: http://www.cbs.dtu.dk/services/TMHMM/
ENTIDAD ADMINISTRADORA
Centro para el Análisis de Secuencias Biológicas (CBS), Universidad Técnica de
Denmark (DTU), Dinamarca.
DESCRIPCIÓN
TMHMM predice las hélices transmembrana en proteínas basándose en los modelos
de Markov ocultos. La predicción de hélices TM está entre el 97% y 98% (Möller et al.,
2001).
Ejemplo: La secuencia en formato Fasta de la Actinidina de 30 kD y el precursor de la
Actinidina cuya secuencia está almacenada bajo el código p00785 en la base de
datos Swiss-Prot, fueron utilizadas como secuencias de entrada al servidor TMHMM.
El reporte de salida muestra la longitud de la secuencia, número de hélices TM
predichas, número esperado de residuos en hélices intramembranales, número
esperado de aminoácidos en hélices transmembranales en los 60 primeros residuos
de la proteína y la probabilidad total de que los residuos N-terminales estén del lado
citoplasmático de la membrana (Figura 6.1A).
UNIVERSIDAD DE CARTAGENA
6.1A
Región 1-6 Región 7-25
Región 26-254
Péptido señal
6.1B
Figura 6.1. Reporte de salida del servidor TMHMM. A) Actinidina de 30 kD. B) Precursor de
la Actinidina.
UNIVERSIDAD DE CARTAGENA
La probabilidad total dentro del cual un residuo pertenece a una hélice transmembranal (línea de color rojo) exterior (línea de color violeta) e interior (línea de
color azul) de la membrana, es presentada en la Figura 6.1A. En el eje de las abcisas
está representada la posición del residuo en la proteína y en el de las ordenadas
aparece la probabilidad de que el mismo esté en cada uno de los casos descritos con
anterioridad. El rango establecido es de 0 a 1.2 y el grosor de la línea expresa este
rango. Un espesor mayor indica una alta probabilidad de que cada residuo pertenezca a uno de los tres estados. Estas líneas están ubicadas en la parte superior de la
gráfica (Figura 6.1).
Como era de esperarse, todos los residuos de la Actinidina de 30 kD muestran una
alta probabilidad (cercana a 1) de estar en el exterior de la membrana (Figura 6.1A).
Sin embargo, el precursor de esta misma proteína posee una región en el interior de
la membrana (Región 1-6, probabilidad cercana a 0.6) y otro comprendido por una
hélice transmembranal (Región 7-25, probabilidad aproximada a 0.8), lo cual corresponde al péptido señal (Figura 6.1B). Esta última región es presentada por líneas
verticales de color rojo cuya altura indica la probabilidad de cada residuo de estar en
la región transmembranal.
El servidor TMHMM posee además la opción de ofrecer resultados en forma de texto,
en el que son reportadas las probabilidades de cada aminoácido en la proteína de
encontrarse en la región intena, intra y externa de la membrana.
HMMTOP (Predicción de hélices
transmembrana y topología de proteínas).
URL: http://www.enzim.hu/hmmtop/
ENTIDAD ADMINISTRADORA
Centro de Recursos Biológicos, Academia de Ciencias de Hungría, Instituto de
Enzimología en Budapest, Hungría.
UNIVERSIDAD DE CARTAGENA
DESCRIPCIÓN
El servidor HMMTOP predice la localización de segmentos helicoidales transmembranales y la topología de las proteínas TM. Permite al usuario someter información adicional en relación con la localización del segmento para fortalecer la
predicción. Esta opción mejora la exactitud de tal modo que es utilizada como soporte en la interpretación de resultados experimentales (Tusnády et al., 1998; Tusnády y
Simón, 2001).
Servidor SPLIT 4.0
(Predicción de estructuras secundarias
de proteínas de membrana)
URL: http://split.pmfst.hr/split/4/
ENTIDAD ADMINISTRADORA
Universidad de Split y Universidad de Osijek, Croacia.
DESCRIPCIÓN
Split 4.0 predice la localización de hélices TM en la secuencia empleando la regla
interna-positiva descrita con anterioridad. La exactitud del servidor es del 99% para
predecir 178 hélices TM en todas las proteínas de membrana o subunidades de
estructura 3D conocidas (Juretic et al., 2002).
Al igual que con otros recursos de bioinformática, en la actualidad los servidores
están empleando consensos para lograr una mayor precisión en los resultados
(Patargias et al., 2006). Algunos de los que predicen regiones TM en la secuencia son
los siguientes:
Servidor ConPred II
(Método consenso de predicción para obtener modelos
de topología transmembrana con alta confiabilidad).
URL:http://bioinfo.si.hirosaki-u.ac.jp/~ConPred2/
ENTIDAD ADMINISTRADORA
Universidad de Hirosaki, Departamento de Electrónica y Sistemas de Información en
Ingeniería. Universidad Tohoku, Departamento de Desarrollo en Biología y Neurociencia. Sendai, Japón.
UNIVERSIDAD DE CARTAGENA
DESCRIPCIÓN
ConPred II es un servidor para predicción de topologías de segmentos TM basados en
una aproximación consenso que combina resultados de varios métodos propuestos
(Arai et al., 2004) tales como KKD (Klein et al., 1985), TMpred, TopPred II, DAS,
TMAP, MEMSAT 1.8, SOSUI (Hirokawa et al., 1998), TMHMM 2.0 y HMMTOP 2.0.
Este sistema predice topologías de secuencias de proteínas TM ejecutando los dos
pasos siguientes: a) Las secuencias introducidas en el servidor son primero corridas
a través del programa interno ConPred_elite (Xia et al., 2004); b) las secuencias para
las cuales ConPred_elite no genera la topología TM, son trasladadas al programa
ConPred_all (Ikeda et al., 2002; Ikeda et al., 2003). Este sistema automático
muestra modelos teóricos de topología TM y representaciones gráficas (gráficos
hidropáticos y diagramas de ruedas helicales).
TUPS (Un predictor de topologías de
hélices de proteínas de transmembrana)
URL: http://sparks.informatics.iupui.edu/Softwares-Services_files/tups.htm
ENTIDAD ADMINISTRADORA
Universidad Estatal de Buffalo en New York.
DESCRIPCIÓN
TUPS combina la predicción de THUMBUP y UMDHMMTMHP para proteínas con
segmentos TM y PHOBIUS (http://phobius.cgb.ki.se/constrained.html) (Käll et al.,
2004; Käll et al., 2005), para la identificación de péptidos señales (Zhou et al.,
2005). THUMBUP (http://theory.med.buffalo.edu/) utiliza una escala que mide la
probabilidad de encontrar residuos en el interior (Propensidad de internalización) de
la proteína (Zhou et al., 2003) y emplea la regla interna-positiva (VonHeijne et al.,
1994). THUMBUP ofrece una excelente predicción para proteínas TM con estructuras
conocidas (Base de datos de hélices en 3D).
UNIVERSIDAD DE CARTAGENA
Sin embargo, es deficiente en la predicción utilizando bases de datos de proteínas
helicales 1D, las cuales contienen información topológica de las proteínas TM
obtenidas a partir de técnicas experimentales, tales como fusión de genes, digestión
proteolítica in situ, modificación química, entre otras (Zhou et al., 2003).
UMDHMMTMHP emplea una versión modificada del programa desarrollado por la
universidad de Maryland (versión1.02 http://www.cfar.umd.edu/~kanungo
/software/software.html) para la predicción de la topología de hélices transmembrana. El algoritmo que emplea el servidor UMDHMMTMHP difiere de la versión 1.02
en que únicamente utiliza parámetros obtenidos de bases de datos de hélices en
3D.
Ejemplo: La secuencia en formato Fasta de la Actinidina fue utilizada como dato de
entrada por el servidor TUPS. Los resultados obtenidos por el servidor son presentados en tres partes. La primera describe el nombre de la secuencia, número de
residuos y hélices TM. Después aparece un resumen que incluye el porcentaje de
segmentos hélices, transmembranales y segmentos singulares en la proteína. Por
último muestra una breve descripción de la versión del programa y sus referencias
Figura 6.2. Archivo de salida del
servidor TUPS.
La Actinidina no es una proteína de
membrana por tal razón tiene una
alta probabilidad de no poseer hélices transmembranales.
6.2
UNIVERSIDAD DE CARTAGENA
PREDICCIÓN DE SEGMENTOS HOJAS BETA TM
ConBBPRED (Predicción Consenso de Proteínas Beta-barril Transmembranales)
URL: http://bioinformatics.biol.uoa.gr/ConBBPRED
ENTIDAD ADMINISTRADORA
Departamento de Biología Celular y Biofísica, Facultad de Biología, Universidad de
Atenas, Grecia.
DESCRIPCIÓN
ConBBPRED optimiza la predicción de topologías de dominios de proteínas transmembranales tipo beta-barril con algoritmos de programación dinámica. La predicción de métodos consenso mejora la significancia de cada predictor evaluable de
manera individual (Bagos et al., 2005).
TMBETA-NET (Discriminación y predicción de
hojas beta transmembrana en proteínas externas
de membrana a partir de la secuencia).
URL: http://psfs.cbrc.jp/tmbeta-net/
ENTIDAD ADMINISTRADORA
Centro de Recursos en Biología Computacional, AIST. Instituto de Tecnología Kyushu
de Japón.
DESCRIPCIÓN
La composición de aminoácidos de proteínas globulares y externas de membrana
han sido sistemáticamente analizados y métodos estadísticos han sido propuestos
para discriminar residuos de proteínas externas de membrana.
UNIVERSIDAD DE CARTAGENA
.
Este programa toma la secuencia de aminoácidos y muestra el tipo de proteína junto
con los segmentos correspondientes a hojas beta que atraviesan la membrana. Las
proteínas externas de membrana son predichas con una precisión de 89% y sus
segmentos hojas beta TM con el 73%, a partir de la información de la secuencia de
aminoácidos (Gromiha, et al., 2005a; Gromiha, et al., 2005b).
Recientemente han sido desarrollados los algoritmos de Viterbi, los cuales utilizan
programación dinámica para encontrar la secuencia más probable de estados
ocultos (conocidos como trayectoria de Viterbi (TV)) que resultan de una secuencia
de eventos observados, especialmente en el contexto de los Modelos Ocultos de
Markov. Estos algoritmos forman un subconjunto de la teoría de la información. Los
algoritmos TV han resultado en la preedición de topologías de proteínas de
membrana de tipo β-barril (Fariselli et al., 2005).
MINNOU (Identificación de proteínas de
membranas com uso explicito de perfiles
hidropáticos y alinamientos)
URL: http://minnou.cchmc.org/
ENTIDAD ADMINISTRADORA
Grupo de Recursos de Jarek Meller´s, Fundación de Investigación del Hospital de los
Niños (CHRF) y Universidad de Cincinnati, Ohio, Estados Unidos.
DESCRIPCIÓN
MINNOU propone un nuevo método para predecir α-hélices y hojas β transmembranales. La aproximación es basada en la representación compacta de aminoácidos y su ambiente químico, lo cual consiste en predecir la accesibilidad al
solvente y la estructura secundaria de cada aminoácido. Además utilizan explícitamente perfiles evolutivos extraídos de alineamientos múltiples (Cao et al., 2006).
Recursos de proteínas
de membrana
URL: http://gila.bioengr.uic.edu/lab/
UNIVERSIDAD DE CARTAGENA
ENTIDAD ADMINISTRADORA
Laboratorio de bioingenieria de sistemas computacionales y moleculares
(MoSCoBL). Universidad de Illonois, Chicago, USA.
DESCRIPCIÓN
Este recurso contiene 5 servidores que analizan regiones TM en proteínas y sugieren
los sitios de interacción con fosfolípidos. Lo anterior es importante para dilucidar el
montaje de las hélices TM y para estudiar el plegamiento de las proteínas de
membrana. El servidor TMLIP (Hélice-lípido transmembrana) emplea escalas que se
apoyan en análisis estadístico de información extraída de proteínas de membranas
(polytopic) resueltas por rayos X de alta resolución. Existen dos escalas separadas:
TMLIP-H es utilizada para las regiones de proteínas de membrana que principalmente interaccionan con cabezas de grupo de fosfolipidos y TMLIP-C para las
región hidrocarbonada de la bicapa fosfolipidica (Adamian et al., 2005). También
contiene el servidor LIPS (Predicción de la superficie de hélices TM-lípido) (http://
gila.bioengr.uic.edu/lab/larisa/lips.html) que predice la interfase lípido-hélices TM a
partir de información de la secuencia con una precisión cercana al 90%.
El servidor RANTS (Rankig de hélices transmembrana por accesibilidad al solvente)
emplea un método para la predicción de hélices TM internas a partir de información
extraída de la secuencia (Adamian et al., 2006). Al igual se encuentran los servidores
MHIP (Potenciales interhelicales de parejas de residuos de aminoácidos en regiones
TM) y el servidor MHIT (Triplete interhelical firmemente empaquetado de residuos de
aminoácido en la región TM) lo cual proporciona una librerías de tripletes presentes
UNIVERSIDAD DE CARTAGENA
REFERENCAS
•Arai, M., Mitsuke, H., Ikeda, M., Xia, J.X., Kikuchi, T., Satake, M., Shimizu, T. (2004). ConPred II: a
consensus prediction method for obtaining transmembrane topology models with high reliability. 32.
Nucleic Acids Res. (Web Server issue):390-393.
•Adamian, L., Jackups, R. J., Binkowski, A., Liang, J. (2003). Higher-order interhelical spatial interactions in membrane proteins. J. Mol. Biol. 327(1):251-272.
•Adamian, L., Liang, J. (2006). Prediction of buried helices in multispan alpha helical membrane proteins. Proteins. 63(1):1-5.
•Adamian, L., Nanda, V., DeGrado, F., Liang, J. (2005). Empirical lipid propensities of amino acid residues in multispan alpha helical membrane proteins. Proteins. 59(3):496-509.
•Bagos, P.G., Liakopoulos, T.D., Hamodrakas, S.J. (2005). Evaluation of methods for predicting the
topology of beta-barrel outer membrane proteins and aconsensus prediction method. BMC Bioinformatics. 6(1):7.
•Basta-Kaim, A., Budziszewska, B., Jaworska-Feil, L., Leskiewicz, M., Tetich, M., Otczyk, M., Kubera, M.,
Lason, W. (2006). Effects of neurosteroids on glucocorticoid receptor-mediated gene transcription in
LMCAT cells-A possible interaction with psychotropic drugs. Eur Neuropsychopharmacol. Mar 6. [Epub
ahead of print]
•Cao, B., Porollo, A., Adamczak, R., Jarrell, M., Meller, J. (2006). Enhanced recognition of protein
transmembrane domains with prediction-based structural profiles. Bioinformatics. 22(3):303-309.
•Cserzö, M., Wallin, E., Simon, I., Heijne, G., Elofsson, A. (1997). Prediction of transmembrane alphahelices in procariotic membrane proteins: the dense alignment surface method. Prot. Eng. 10(6):673676.
•Eisenberg, D., McLachlan, A.D. (1986). Solvation energy in protein folding and binding. Nature.
319(6050):199-203.
•Gromiha, M.M., Ahmad, S., Suwa, M. (2005a). TMBETA-NET: Discrimination and prediction of membrane spanning β-strands in outer membrane proteins. Nucleic Acids Res. 33(Web Server issue):164167.
•Gromiha, M., Suwa, M. (2005b). Predicting the topology of beta-barrel outer membrane proteins.
Bioinformatics. 21(7):961-968.
UNIVERSIDAD DE CARTAGENA
•Fariselli, P., Martelli, P.L., Casadio, R. (2005b). A new decoding algorithm for hidden Markov models
improves the prediction of the topology of all-beta membrane proteins. BMC Bioinformatics. 6(Suppl
4):S12
•Hofmann, K., Stoffel, W. (1993). TMBASE-A database of membrane spanning protein segments. Biol.
Chem. Hoppe-Seyler. 374(47):166.
•Jones, D.T., Taylor, W.R., Thornton, J.M. (1994). A model recognition approach to the prediction of allhelical membrane protein structure and topology. Biochemistry. 33(10):3038-3049.
•Jung K., Morimoto, R., Otsuka, M., Omote, H. (2006). Transmembrane topology of vesicular glutamate
transporter 2. Biol Pharm Bull. 29(3):547-549.
•Juretic, D., Zoranic, L., Zucic, D. (2002). Basic charge clusters and predictions of membrane protein
topology. J. Chem. Inf. Comput. Sci. 42(3):620-632.
•Herve, C., Sarrouilhe, D. (2005).Connexin-made channels as pharmacological targets. Curr Pharm Des.
11(15):1941-1958.
•Hirokawa, T., Boon-Chieng, S., Mitaku, S. (1998). SOSUI: classification and secondary structure
prediction system for membrane proteins. Bioinformatics. 14(4):378-379.
•Käll, L., Krogh, A., Sonnhammer, L. (2004). A combined transmembrane topology and signal peptide
prediction method. J. Mol. Biol. 338(5):1027-1036.
•Käll, L., Krogh, A., Sonnhammer, L. (2005). An HMM posterior decoder for sequence feature prediction
that includes homology information. Bioinformatics. 21(Suppl 1):251-257.
•Klein, P., Kanehisa, M., DeLisi, C. (1984). Prediction of protein function from sequence properties:
Discriminant analysis of a database. Biochim. Biophys Acta. 787:221-226.
•Klein, P., Kanehisa, M., DeLisi, C. (1985). The detection and classification of membrane-spanning
proteins. Biochim. Biophys. Acta. 815(3):468-476.
•Kyte, J., Doolittle, R.F. (1982). A simple method for displaying the hydropathic character of protein. J.
Mol. Biol. 157(1):105-132.
•Ikeda, M., Arai, M., Lao, D.M., Shimizu, T. (2002). Transmembrane topology prediction methods: a reassessment and improvement by a consensus method using a dataset of experimentally-characterized
transmembrane topologies. In Silico Biol. 2(1):19-33.
UNIVERSIDAD DE CARTAGENA
•Ikeda, M., Arai, M., Okuno, T., Shimizu, T. (2003). TMPDB: a database of experimentally-characterized
transmembrane topologies. Nucleic Acids Res. 31(1):406-409.
•Launay-Vacher, V., Izzedine, H., Karie, S., Hulot, S., Baumelou, A., Deray, G. (2006). Renal Tubular Drug
Transporters. Nephron Physiol. 22:103(3):97-106
•Möller, S., Croning, R., Apweiler, R. (2001). Evaluation of methods for the prediction of membrane
spanning regions. Bioinformatics. 17(1): 646-653.
•Patargias, G., Zitzmann, N., Dwek, R., Fischer, W. (2006). Protein-Protein Interactions: Modeling the
Hepatitis C Virus Ion Channel p7. J. Med. Chem. 48:648-655.
•Persson, B., Argos, P. (1996). Topology prediction of membrane proteins. Protein Sci. 5(2): 363-371.
•Rost, B., Fariselli, P., Casadio, R. (1996a). Topology prediction for helical transmembrane proteins at
86% accuracy. Protein Sci. 5(8):1704-1708.
•Tusnady, E., Sarkadi, B., Simon, I., Varadi, A. (2006). Membrane topology of human ABC proteins. FEBS
Lett. 580(4):1017-1722.
•Tusnady, E., Simon, I. (1998). Principles governing amino acid composition of integral membrane
proteins: Application to topology prediction. J. Mol. Biol. 283(2):489-506.
•Tusnady, E., Simon, I. (2001). The HMMTOP transmembrane topology prediction server. Bioinformatics. 17(9):849-850.
•Tusnady, E., Sarkadi, B., Simon, I., Varadi, A. (2006). Membrane topology of human ABC proteins. FEBS
Lett. 580(4):1017-22.
•Von Heijne, G. (1992). Membrane protein structure prediction. J. Mol. Biol. 225(2): 487-494.
•Von Heijne, G. (1994). Membrane proteins: From sequence to structure. Annu. Rev. Biophys. Biomol.
Struct. 23:167-192.
•Worman, J. (2006). Inner nuclear membrane and regulation of Smad-mediated signaling. Biochim
Biophys Acta. [Epub ahead of print].
•Xia, J.-X., Ikeda, M., Shimizu, T. (2004). ConPred_elite: a highly reliable approach to transmembrane
topology prediction. Comput. Biol. Chem. 28(1). 51-60.
UNIVERSIDAD DE CARTAGENA
•Yan, X., Yang, W., Zhang, R., Chen, L., Tang, L., Zhai, B., Liu, Q., Cao, F., Man, B., Wu, P., Wu, C., Wang, Y.
(2006). Protein tyrosine phosphatase PCP-2 inhibits beta -catenin signaling and increases E-cadherindependent cell adhesion. J. Biol. Chem. [Epub ahead of print].
•Zhou, H., Zhang, C., Liu, S., Zhou, Y. (2005). Web-based toolkits for topology prediction of transmembrane helical proteins, fold recognition, structure and binding scoring, folding-kinetics analysis
and comparative analysis of domain combinations. Nucleic Acids Res. 33(Web Server issue):193-197.
•Zhou, H., Zhou, Y. (2003). Predicting the topology of transmembrane helical proteins using mean burial
propensity and a hidden-Markov-model-based method. Protein Sci. 12(7):1547-55.
UNIVERSIDAD DE CARTAGENA