Биологический алфавит в молекулярной биологии¶

Биологический алфавит — совокупность символов (букв), используемых для записи последовательностей биологических макромолекул: нуклеиновых кислот (ДНК и РНК) и белков. Каждый символ обозначает определённый мономер — нуклеотид или аминокислоту, — а их линейная последовательность кодирует наследственную информацию. Понятие «алфавит» в биологии применяется как метафора языка: подобно тому как буквы складываются в слова и предложения, мономеры образуют гены, транскрипты и белки.

¶Нуклеотидный алфавит

¶ДНК

Молекула ДНК построена из четырёх типов нуклеотидов, различающихся азотистыми основаниями:

• A — аденин (пуриновое основание);
• G — гуанин (пуриновое);
• C — цитозин (пиримидиновое);
• T — тимин (пиримидиновое).

Эти четыре буквы составляют канонический алфавит ДНК. Основания комплементарны попарно: A связывается с T двумя водородными связями, G с C — тремя. Комплементарность обеспечивает точность репликации и транскрипции.

¶РНК

В рибонуклеиновых кислотах тимин заменён на урацил (U), а сахар рибоза содержит дополнительную гидроксильную группу. Алфавит РНК — A, G, C, U. Помимо четырёх стандартных, существуют модифицированные основания (псевдоуридин, дигидроуридин и другие), особенно abundant в транспортных и рибосомных РНК.

¶Вырожденность записи

В биоинформатике для обозначения неопределённых или вариабельных позиций используют расширенный алфавит IUPAC:

Символ N применяется, когда секвенирование не дало однозначного прочтения позиции.

¶Аминокислотный алфавит

Белки состоят из 20 стандартных аминокислот, кодируемых генетическим кодом. Каждой присвоена однобуквенная латинская литера:

• A — аланин, R — аргинин, N — аспарагин, D — аспарагиновая кислота;
• C — цистеин, Q — глутамин, E — глутаминовая кислота, 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.

Однобуквенный код предложен в 1968 году Маргарет Дейхофф и уточнён в базах данных, например PIR и Swiss-Prot. Некоторые аминокислоты кодируются несколькими кодонами (вырожденность генетического кода), но в белковой последовательности каждая позиция обозначается одной буквой.

¶Генетический код как отображение алфавитов

Генетический код описывает соответствие между триплетами нуклеотидов (кодонами) и аминокислотами. Четырёхбуквенный алфавит ДНК даёт 4³ = 64 кодона, которыми кодируются 20 аминокислот и сигналы остановки трансляции. Это классический пример перевода одного алфавита в другой — от нуклеотидной последовательности к аминокислотной. Код универсален для подавляющего большинства организмов, хотя митохондрии и некоторые простейшие используют небольшие вариации.

¶Применение

Запись последовательностей буквами лежит в основе:

• секвенирования — определения порядка нуклеотидов;
• биоинформатики — сравнения, выравнивания и аннотации геномов;
• молекулярной филогенетики — построения эволюционных деревьев;
• генной инженерии — синтеза и редактирования генов;
• баз данных — GenBank, EMBL, UniProt хранят миллиарды символов.

Форматы FASTA и FASTQ используют буквенные строки как основной способ представления данных.

¶Ограничения метафоры

Аналогия с алфавитом неполна. В языке буквы arbitrary, а в биологии символы отражают химическую структуру мономеров. Кроме того, «слова» биологического текста не имеют фиксированных границ: рамка считывания задаётся старт-кодоном, а один и тот же участок ДНК может кодировать разные белки при сдвиге рамки. Тем не менее буквенная нотация остаётся универсальным и компактным языком описания живого.