Гены, белки и 20 аминокислот

Ген — это участок ДНК с инструкцией для одного белка. Белок — строка из 20 «букв»-аминокислот.

Ген — участок ДНК, кодирующий функциональный продукт (чаще всего белок). Белок — цепочка из аминокислот, выполняющая работу в клетке.

До сих пор мы работали с одним алфавитом из четырёх букв. Теперь появляется второй — алфавит белков из 20 аминокислот. Понимание перехода между ними (4 буквы → 20 букв) — ключ ко всему разделу про генетический код.

Что такое ген

Геном — это весь текст ДНК. Гены — осмысленные «абзацы» в нём, между которыми много некодирующих участков. У человека около 20 тысяч белок-кодирующих генов, но они занимают лишь ~2% генома. Остальное — регуляторные области, повторы, и то, что раньше называли «мусорной ДНК» (часть её на деле функциональна).

Найти ген в геноме — отдельная задача (поиск открытых рамок считывания, мы дойдём до неё). Пока важно: ген — это подстрока генома с определённой структурой.

Белки — строки в алфавите из 20 букв

Белок собирается из 20 стандартных аминокислот. У каждой есть однобуквенное обозначение — и это снова строка, только алфавит шире.

amino_acids = {
    "A": "Аланин", "R": "Аргинин", "N": "Аспарагин", "D": "Аспартат",
    "C": "Цистеин", "E": "Глутамат", "Q": "Глутамин", "G": "Глицин",
    "H": "Гистидин", "I": "Изолейцин", "L": "Лейцин", "K": "Лизин",
    "M": "Метионин", "F": "Фенилаланин", "P": "Пролин", "S": "Серин",
    "T": "Треонин", "W": "Триптофан", "Y": "Тирозин", "V": "Валин",
}
print("Всего аминокислот:", len(amino_acids))
protein = "MFGAS"
for aa in protein:
    print(aa, "->", amino_acids[aa])

Вывод:

Всего аминокислот: 20
M -> Метионин
F -> Фенилаланин
G -> Глицин
A -> Аланин
S -> Серин

Почему 20 букв, а не 4

Четырёх нуклеотидов мало, чтобы напрямую закодировать 20 аминокислот. Природа решила это, читая ДНК тройками: тройка (кодон) даёт 4³ = 64 комбинации — с запасом на 20 аминокислот плюс стоп-сигналы. Так 4-буквенный код превращается в 20-буквенный. Подробно — в следующем разделе.

ДНК (4 буквы)  ->  кодоны по 3  ->  белок (20 букв)
A T G T T C       ATG  TTC          M    F

Зачем биологам считать белки

Функция белка определяется его последовательностью (а через неё — формой). Сравнивая последовательности белков, можно понять: похожи ли два белка, эволюционно ли они родственны, что сломает мутация. Посчитаем простую характеристику — состав аминокислот, который влияет на свойства белка.

from collections import Counter
protein = "MFGASMFKLGGAS"
counts = Counter(protein)
for aa, n in counts.most_common():
    print(f"{aa}: {n}")

Вывод:

G: 3
M: 2
F: 2
A: 2
S: 2
K: 1
L: 1

Как работает под капотом: от последовательности к функции

Цепочка аминокислот сворачивается в трёхмерную структуру, и именно форма определяет работу белка (фермент, рецептор, антитело). Предсказание этой формы — одна из великих задач биоинформатики (вспомните AlphaFold). Но даже не зная формы, по сходству последовательностей мы делаем выводы о функции: если новый белок похож на известный фермент, скорее всего, он тоже фермент.

У аминокислот есть и физико-химические свойства, которые объясняют, почему одни мутации безобидны, а другие катастрофичны. Аминокислоты делят на группы: гидрофобные (боятся воды, прячутся внутрь белка), гидрофильные и заряженные (любят воду, торчат наружу), особые случаи вроде глицина (очень гибкий) и пролина (наоборот, делает излом). Замена одной гидрофобной аминокислоты на другую гидрофобную обычно проходит незаметно — белок сохраняет форму. А замена заряженной на гидрофобную в ключевом месте может разрушить структуру и вызвать болезнь. Именно поэтому матрицы замен (BLOSUM, PAM), о которых пойдёт речь в разделе про выравнивание, дают разным заменам разный «штраф»: они кодируют, насколько биохимически похожи аминокислоты. Это превращает простое сравнение строк в биологически осмысленное.

Частые ошибки

• Путать алфавиты. ДНК — 4 буквы, белок — 20; буква «A» в ДНК (аденин) и «A» в белке (аланин) — разные вещи.
• Считать, что весь геном — гены. Кодирующая часть мала; большая часть генома некодирующая.
• Думать, что один ген = один белок жёстко. Альтернативный сплайсинг даёт из одного гена несколько белков.

Итог

• Ген — кодирующий участок ДНК; геном в основном некодирующий.
• Белок — строка из 20 аминокислот, у каждой есть однобуквенный код.
• 4-буквенный код ДНК превращается в 20-буквенный белок через чтение тройками (кодонами).
• Сходство последовательностей белков намекает на сходство функции — основа сравнительного анализа.