You are on page 1of 6

ESTYLF 2010, Huelva, 3 a 5 de febrero de 2010

Importancia de las Propiedades Fsico-Qumicas de los Aminocidos en la


Prediccin de Estructuras de Protenas usando Vecinos ms Cercanos
Gualberto Asencio Corts 1
1

Jess S. Aguilar-Ruiz 1

Universidad Pablo de Olavide, {guaasecor,aguilar}@upo.es

Resumen
La prediccin de estructuras de protenas es
actualmente un importante campo de
investigacin dentro de la bioinformtica. En
esta rea, existen numerosos estudios realizados
en los que se ha usado la informacin de la
separacin entre los aminocidos de una cadena
para predecir la estructura de las protenas,
utilizndose en otros trabajos ciertas
propiedades fsico-qumicas de aminocidos. En
este trabajo se han usado ambas informaciones
y se ha estudiado cmo influyen en la
prediccin de estructuras de protenas
empleando el algoritmo de vecinos ms
cercanos. Hemos comprobado que la
informacin proporcionada por las propiedades
fsico-qumicas es de mayor inters que la
separacin, obtenindose mejores tasas de
acierto. Se han realizado cuatro experimentos en
los que se ha usado como atributos, la
separacin entre aminocidos y un conjunto
determinado de propiedades fsico-qumicas de
los mismos y, como ejemplos, todas las
subsecuencias posibles encontradas en un
conjunto de ms de 5000 protenas reales.
Finalmente se demuestra empricamente que la
separacin entre aminocidos, ampliamente
usada en la literatura, puede ser reemplazada
por propiedades fsico-qumicas de aminocidos, produciendo mejores predicciones. La
tasa de acierto conseguida usando slo la
separacin est en torno al 59%, ascendiendo
este valor hasta el 79% al usarse un conjunto de
propiedades fsico-qumicas de aminocidos.
Palabras Clave: propiedades fsico-qumicas,
separacin, vecinos ms cercanos, prediccin de
estructura secundaria de protenas.

1 INTRODUCCIN
Este trabajo se encuentra emplazado dentro del rea de la
bioinformtica y, dentro de la misma, en la prediccin de
estructuras secundarias de protenas.
La prediccin de la estructura secundaria de las protenas
consiste en averiguar un patrn de comportamiento en la
formacin tridimensional de las protenas, nicamente a
partir de la cadena de aminocidos que la forman.
Hoy en da se desconoce el carcter determinista de dicho
proceso de formacin, estudindose tan solo los estados
inicial (cadena de aminocidos) y final (protena
totalmente formada).
Para llevar a cabo la tarea de prediccin se pueden utilizar
mtodos de minera de datos, los cuales trabajan, en este
contexto, con bases de datos procedentes de protenas
conocidas, y mediante algoritmos de clasificacin y
regresin extraen el conocimiento suficiente para generar
un modelo que permita averiguar de forma determinista la
estructura que tendr una protena an sin formarse, con
un determinado grado de probabilidad de acierto. Entre
estos mtodos se encuentra la tcnica de vecinos ms
cercanos, empleada en la prediccin de estructuras de
protenas [4,13].
Para realizar las predicciones se pueden usar los llamados
mapas de contacto, que ilustran dnde se producen las
conexiones entre los aminocidos dentro de la cadena
proteica, y los llamados mapas de distancia, entre otros.
En estos ltimos, se representan los valores reales y
predichos de distancia entre dos aminocidos cualesquiera
de la cadena. En este trabajo se predicen mapas de
distancia, con lo que se hablar de regresin en lugar de
clasificacin, al ser la distancia un valor continuo. De esta
forma, los resultados de las predicciones realizadas
pueden ser expresados a posteriori en trminos de
contactos usando diferentes umbrales.
En numerosos estudios realizados se ha usado para la
prediccin la informacin de la separacin entre

XV Congreso Espaol Sobre Tecnologas y Lgica Fuzzy

459

ESTYLF 2010, Huelva, 3 a 5 de febrero de 2010

aminocidos en las cadenas proteicas [2,3,11]. Esta


separacin mide el nmero de aminocidos intermedios
entre dos determinados en dichas cadenas. Parece claro
que esta informacin puede ser til para la prediccin de
la estructura de una protena puesto que revela la posicin
relativa de los aminocidos dentro de la cadena, y son
stos los que establecen contactos unos con otros.
Adems, se ha comprobado que dicha informacin es til
debido a que existen numerosos contactos entre
aminocidos bien distanciados en la cadena (long-range
interactions) [7,12], siendo stos ignorados en mtodos de
prediccin locales.
Por otra parte, analicemos la naturaleza del principal
fenmeno que acontece en la formacin de la estructura
de una protena: la formacin de un contacto entre
aminocidos. ste es un proceso biolgico donde
intervienen una serie de elementos materiales, tales como
los propios aminocidos, con una serie de propiedades
fsico-qumicas inherentes. Para determinar el lugar donde
se producen estos contactos, creemos que es necesario
observar los valores de dichas propiedades fsicoqumicas y usarlas en la prediccin de la estructura de las
protenas. Existen trabajos en los que se han usado este
tipo de propiedades fsico-qumicas [8,14] aunque son
empleadas, entre otros fines, para determinar dominios de
protenas e interfaces protena-protena.
En consecuencia, nos planteamos predecir con ambas
medidas: la separacin y las propiedades fsico-qumicas;
para luego omitir cada una y comprobar el
comportamiento ofrecido tanto en conjunto como
aisladamente. El objetivo es determinar cmo influyen las
propiedades fsico-qumicas de los aminocidos en la
prediccin de estructuras de protenas, en las cuales
confiamos que existe informacin til.

2 MTODO
Se han realizado tres actividades encaminadas a probar un
conjunto de datos de protenas reales, una serie de
propiedades fsico-qumicas conocidas y la separacin
entre aminocidos, mediante un algoritmo de vecinos ms
cercanos, para finalmente analizar los resultados
obtenidos y extraer conclusiones en relacin al objetivo
planteado.
Se ha escogido la herramienta Weka [5], ampliamente
utilizada en procesos de minera de datos, para predecir la
estructura de las protenas. En concreto, para predecir la
distancia entre cualquier par de aminocidos de sus
cadenas polipeptdicas.
Esta herramienta trabaja con archivos de datos donde
deben incluirse una serie de ejemplos con un conjunto de
atributos determinado y una clase o etiqueta, para la cual

460

se realizan las predicciones. Los archivos de datos


suministrados a Weka en los experimentos realizados en
este trabajo contienen los valores de separacin entre
aminocidos y de determinadas propiedades fsicoqumicas para todas las posibles subsecuencias
encontradas en un conjunto de protenas procedentes del
Protein Data Bank (PDB) [1].
En concreto, para los experimentos realizados se han
tomado todas las protenas existentes del PDB de una sola
cadena polipeptdica y de longitud mxima 100; lo cual
ha dado de resultado un total de 5380 protenas (en la
fecha en la que se tomaron los datos) que en adelante
denominaremos set5380p. En la figura 1 se puede
apreciar el procedimiento global empleado.

Figura 1: Proceso global empleado para obtener los


resultados

2.1. GENERACIN DE FICHEROS DE


PROPIEDADES DE SUBSECUENCIAS DE
AMINOCIDOS (ASPF)
Para cada protena analizada, se han considerado todos los
pares posibles de aminocidos naturales (20x20=400
pares posibles: A-A, A-C, ) y se han obtenido todas las
subsecuencias incluidas en la protena, clasificndolas
segn los aminocidos de inicio y fin de cada una. Se han
ignorado las subsecuencias con separacin 0 entre dichos
aminocidos. Por ejemplo: si la cadena de aminocidos es
CACAC, el nmero de subsecuencias obtenidas para cada
par de aminocidos inicio-fin seran: A-A:1,A-C:1,CA:1,C-C:2.
Todas las subsecuencias de todas las protenas analizadas
han sido organizadas en 20x20=400 ficheros de datos.
Cada fichero contiene un resumen de los valores de las
propiedades fsico-qumicas de los aminocidos
interiores, omitiendo los extremos, en todas las
subsecuencias con unos aminocidos inicio y fin
determinados.

XV Congreso Espaol Sobre Tecnologas y Lgica Fuzzy

ESTYLF 2010, Huelva, 3 a 5 de febrero de 2010

Estos ficheros reciben el nombre de Ficheros de


Propiedades de Subsecuencias de Aminocidos (ASPF).
As, por ejemplo, el fichero A-C.aspf contendr un
resumen de las propiedades fsico-qumicas de los
aminocidos que constituyen cada una de las
subsecuencias con inicio en el aminocido A y fin en el
aminocido C encontradas en todo el set de protenas
estudiado.

automticamente los 400 ficheros ASPF descritos. Esta


herramienta ha sido usada para procesar 5 GB de archivos
de texto .ENT correspondientes al conjunto set5380p de
estudio, generando 1,80 GB en 400 ficheros ASPF,
empleando 180 hilos de ejecucin y 5 minutos en el
proceso.

Se ha usado un conjunto de 8 propiedades fsico-qumicas


descritas y evaluadas en [9], de las cuales, se han
considerado siete propiedades nominales y una real. En la
figura 2 se muestra un diagrama de Venn en el que se
recogen varias de las propiedades usadas (hydrophobic,
aliphatic, aromatic, polar, charge, small). Adems, se han
usado las
propiedades cbetabranched y functional
(numrica real), no descritas en la figura 2.

Una vez obtenidos los archivos de propiedades ASPF,


stos sern la entrada de la herramienta Weka para
predecir las distancias entre los aminocidos. En este
trabajo se ha usado Weka 3.6.0 Experimenter y el
clasificador IBk con K=1 (1-KNN).

Figura 2: Diagrama de Venn de algunas propiedades


fsico-qumicas de aminocidos

Experimento SOLO_SEP: En este experimento se ha


usado nicamente el atributo separacin en la obtencin
de vecinos ms cercanos. Este experimento ha servido
para sentar las bases a partir de las cuales intentar mejorar
las predicciones.

Clasificamos los 20 aminocidos naturales en funcin del


grado que ofrecen para cada una de estas propiedades. Por
ejemplo, para la propiedad charge, existen cuatro grados:
usualmente positivo, usualmente negativo, a veces
positivo y sin carga. Pueden consultarse los grados de
todas las propiedades usadas en [9].
Dado que, en general, no existe ninguna relacin de orden
entre estos grados, se han creado 21 atributos, uno por
cada grado de las 7 propiedades nominales. Cada uno de
estos 21 atributos es un nmero real y representa el tanto
por 1 de ocurrencia (en las subsecuencias) de aminocidos
que presentan cada grado de propiedad fsico-qumica. En
definitiva, se han usado 21+1(la propiedad functional, que
es numrica real)=22 atributos fsico-qumicos, que
denominaremos set22a, como se resume en la figura 1.

2.2. PREDICCIN CON WEKA (IBK)

Dado que los datos de entrada para la prediccin con


Weka son los archivos ASPF antes generados, se
predecir la distancia entre dos aminocidos cualesquiera
a partir del conocimiento obtenido en las propiedades
fsico-qumicas y los valores de separacin de todas las
subsecuencias con origen y fin en dichos aminocidos. De
este modo, el conocimiento est basado en similitudes de
naturaleza fsico-qumica entre los aminocidos
intermedios en las cadenas polipeptdicas.
Para comprobar las predicciones resultantes y descubrir
conocimiento acerca de la influencia de la separacin
entre aminocidos frente a sus propiedades fsicoqumicas, se han realizado con Weka cuatro
experimentos:

Experimento SOLO_PFQ: Aqu se ha usado nicamente


el set22a, antes descrito, de propiedades fsico-qumicas
sin atributo separacin en la obtencin de vecinos ms
cercanos. Este experimento ha sido realizado para
demostrar la validez de estas propiedades, aisladamente,
en la prediccin de estructuras de protenas.

Existen numerosas propiedades fsico-qumicas de


aminocidos publicadas que no se han usado [6,10,15], y
que nos proponemos utilizar en futuros trabajos.

Experimento IGUAL_SEP: Aqu se ha utilizado como


atributos el set22a, junto al atributo separacin, teniendo
en cuenta que se ha reducido el campo de exploracin de
vecinos ms cercanos (subsecuencias ms cercanas) a
slo aquellos con igual valor de separacin que el ejemplo
de test a clasificar. Se ha realizado este experimento para
determinar cmo se comportan las predicciones cuando
asumimos que las distancias entre aminocidos son
similares si stos tienen la misma separacin y similares
propiedades.

Se ha implementado una aplicacin denominada


ASPFGenerator que permite, a partir de archivos .ENT de
datos de protenas descargados desde el PDB, generar

Experimento CUALQ_SEP: En este experimento se han


usado los mismos atributos que en el experimento
IGUAL_SEP pero explorando entre todas las

XV Congreso Espaol Sobre Tecnologas y Lgica Fuzzy

461

ESTYLF 2010, Huelva, 3 a 5 de febrero de 2010

subsecuencias disponibles. Se pretende probar la


prediccin de estructuras de protenas usando la
separacin y las propiedades fsico-qumicas sin ninguna
restriccin.
Para la prediccin en los cuatro experimentos se han
usado todas las subsecuencias encontradas cuyo
aminocido de inicio es A, C, D, E, F, G, H, I, K o L.
Los atributos que se han usado en dicha distancia estn
todos normalizados entre 0 y 1. La distancia usada ha sido
la distancia eucldea sin ponderacin alguna de atributos:

(1)

De sta se deducen fcilmente los siguientes casos


particulares: en el experimento IGUAL_SEP la componente dSEP = 0, en el experimento SOLO_PFQ la componente dSEP no existe, y en el experimento SOLO_SEP la
componente dPFQ no existe.
Para obtener resultados adecuados al objetivo perseguido
en el estudio, se han introducido algunas modificaciones
al cdigo fuente original de la herramienta Weka, de tal
forma que permita obtener el error relativo cometido en
las predicciones. No obstante, el comportamiento del
clasificador IBk de Weka no ha sido alterado, usando para
todos los experimentos K=1 (1-KNN).
2.3. ANLISIS DE RESULTADOS
Finalmente, una vez obtenidos los resultados de la
prediccin con Weka, se han analizado con Excel para
descubrir, a partir de los resultados, el comportamiento de
las predicciones; ilustrando mediante tablas y grficas, las
cuales se vern en el siguiente apartado, la informacin
pertinente para justificar las conclusiones.

3 EXPERIMENTACIN
A continuacin, se mostrarn las tablas y grficas
generadas a partir de los resultados obtenidos en la
experimentacin y se extraern las conclusiones de las
mismas en el marco de los objetivos planteados en este
trabajo.
3.1 TASA DE ERRORES EN LOS EXPERIMENTOS
En primer lugar mostramos en la figura 3, mediante un
grfico de Boxplot, el error relativo medio cometido en
cada experimento.

462

Figura 3: Grfico Boxplot del error relativo cometido en


los experimentos
Segn se aprecia en la figura 3, se consigue menor tasa de
errores (aprox. 0,216) cuando interviene, junto a la
separacin, la informacin de las propiedades fsicoqumicas de los aminocidos en la bsqueda de vecinos
ms cercanos (CUALQ_SEP).
No obstante, es de inters destacar que la tasa de errores
(0,227) y la desviacin tpica (0,272) obtenidas usando
nicamente las propiedades fsico-qumicas (SOLO_PFQ)
es similar a la conseguida en el experimento
CUALQ_SEP; incluso se consigue una desviacin
estndar menor. Esto indica el buen comportamiento de
dichas propiedades, por s solas, a la hora de determinar
las distancias entre aminocidos.
Ntese, por otra parte, cmo el experimento IGUAL_SEP
no ha arrojado tan buenos resultados como CUALQ_SEP,
usando ambos la separacin y las propiedades. Esto se
debe a que las distancias entre aminocidos no son
siempre similares teniendo stos la misma separacin.
3.2 ANLISIS PORMENORIZADO DE ERRORES
PARA CADA VALOR DE SEPARACIN
A continuacin analizamos en detalle el error relativo
cometido en las predicciones en funcin de la separacin
existente en las subsecuencias de protenas estudiadas.
Para cada experimento, estudiamos mediante una grfica
estos valores de error. En todas las grficas que siguen se
representa en el eje de abscisas la separacin entre los
aminocidos para los cuales se ha predicho su distancia, y
en el eje de ordenadas los valores de error relativo
promedio cometido para cada par de aminocidos
estudiado.
En primer lugar, se presenta en la figura 4 la grfica de
errores para el experimento SOLO_SEP, donde se ha
usado nicamente el atributo separacin en la obtencin
de vecinos ms cercanos.

XV Congreso Espaol Sobre Tecnologas y Lgica Fuzzy

ESTYLF 2010, Huelva, 3 a 5 de febrero de 2010

La mejora conseguida es apreciable en varios sentidos. En


primer lugar, el error relativo adopta mejores valores,
situndose en valores medios en torno a 0,2 y 0,25. Por
otra parte, el error relativo desciende conforme aumenta
la separacin, al contrario que en el experimento anterior,
lo cual es altamente deseable. Adems, se conserva la
clara tendencia al descenso del error relativo para valores
altos de separacin, con la gran ventaja aadida de una
considerable menor dispersin de valores de error.
Figura 4: Grfica de errores para el experimento
SOLO_SEP
Como se puede apreciar en la figura 4, el error relativo
medio aumenta conforme lo hace la separacin entre
aminocidos, situndose en valores medios en torno a
0,35 y 0,4. Existe en este experimento una gran dispersin
de valores de error para valores altos de separacin, lo
cual no es deseable. No obstante, tal como ocurrir en el
resto de experimentos, existe una tendencia clara al
descenso del error relativo para valores altos de
separacin. En este caso, a partir del valor 80 de
separacin aproximadamente, los errores se hacen cada
vez ms cercanos a 0; realizndose perfectas predicciones
en la distancia entre aminocidos con alta separacin.
Adems, podemos apreciar tanto en la figura 4 como en
las correspondientes al resto de experimentos, que para
valores de separacin pequeos (1,2) el error relativo
cometido es siempre menor (entre los valores 0.05 y 0.3).
Esto se debe a que la distancia entre aminocidos
prximos en la cadena proteica (separacin pequea)
suele ser siempre la misma, debido a la cercana de stos
en la cadena proteica y no debido a la formacin de un
contacto. De este modo, se encuentran vecinos con misma
separacin y distancia muy parecida y el error cometido
desciende.
Mostramos a continuacin en la figura 5 la grfica de
errores para el experimento SOLO_PFQ, donde se han
usado nicamente las propiedades fsico-qumicas sin
atributo separacin en la obtencin de vecinos ms
cercanos.

A continuacin se muestra en la figura 6 la grfica de


errores para el experimento CUALQ_SEP, donde se han
utilizado tanto la separacin como las propiedades de
aminocidos, usando en la exploracin todos los ejemplos
(subsecuencias de protenas) disponibles en la base de
datos. Habiendo observado los resultados conseguidos
nicamente con las propiedades fsico-qumicas,
comprobamos ahora cmo interviene la separacin
cuando sta se incorpora en las predicciones.

Figura 6: Grfica de errores para el experimento


CUALQ_SEP
Comprobamos que el comportamiento del error relativo
es prcticamente el mismo que en el experimento
SOLO_PFQ (vanse las figuras 5 y 6). Recordemos que el
error relativo medio obtenido en la figura 3 era muy
parecido en ambos experimentos (SOLO_PFQ y
CUALQ_SEP). Adems, se obtuvo un valor menor de
desviacin tpica en el experimento SOLO_PFQ. Con
ello, parece deseable usar de cualquier modo las
propiedades fsico-qumicas, ya sea en presencia o en
ausencia de la informacin de la separacin entre
aminocidos.
En la figura 7 se presenta la grfica de errores para el
experimento IGUAL_SEP, donde se ha utilizado tanto la
separacin como las propiedades de aminocidos,
teniendo en cuenta que se ha reducido el campo de
exploracin de vecinos ms cercanos a slo aquellos con
igual valor de separacin que el ejemplo de test.

Figura 5: Grfica de errores para el experimento


SOLO_PFQ

XV Congreso Espaol Sobre Tecnologas y Lgica Fuzzy

En este caso, como se coment anteriormente, la


componente dSEP de la distancia es siempre 0, puesto que
el espacio de exploracin de vecinos est formado
nicamente por ejemplos con igual valor de separacin
que la instancia de test. Con ello, se reduce dicho espacio
de exploracin con respecto al total disponible y se

463

ESTYLF 2010, Huelva, 3 a 5 de febrero de 2010

pueden dejar de considerar subsecuencias que pueden ser


mejores, en el sentido de proporcionar mejor prediccin.

[3] Fariselli, P., Olmea, O., Valencia, A., Casadio R.


Prediction of contact maps with neural networks and
correlated mutations. Protein engineering vol.14
no.11 pp. 835-843, 2001.
[4] Frishman, D., Argos, P. Incorporation of non-local
interactions in protein secondary structure prediction
from the amino acid sequence. Protein Engineering 9,
133-142, 1996.
[5] Ian H. Witten and Eibe Frank. Data Mining: Practical
machine learning tools and techniques, 2nd Edition,
Morgan Kaufmann, San Francisco, 2005.

Figura 7: Grfica de errores para el experimento


IGUAL_SEP
Ntese que la grfica de la figura 7 es similar a la de la
figura 4 (experimento SOLO_SEP), salvo que, mientras
en esta ltima la banda de errores se sita, en trminos
medios, por encima del valor 0,3, en este experimento
IGUAL_SEP (donde se introducen las propiedades fsicoqumicas) se sita por encima del valor 0,2. Esto est en
consonancia con el menor error relativo medio del
experimento IGUAL_SEP, como revela la figura 3.

4 CONCLUSIONES
Las propiedades fsico-qumicas de los aminocidos
repercuten positivamente en la tasa de acierto de la
prediccin de estructuras protenas mediante un clsico
algoritmo de vecinos ms cercanos, ya sea en presencia o
en ausencia de la informacin de separacin entre
aminocidos.
Segn los resultados obtenidos en este trabajo, parece
conveniente explorar ms propiedades fsico-qumicas y
aadirlas al conjunto de estudio, para determinar cul es
el conjunto o conjuntos de propiedades que mejor ayudan
a la prediccin de estructuras de protenas.
Los resultados nos conducen a pensar que algn
subconjunto de todas las posibles propiedades fsicoqumicas de aminocidos conocidas, con una asignacin
oportuna de ponderaciones, permitira realizar
predicciones de mayor calidad y minimizar el error.

Referencias
[1] Berman, H.M., Westbrook, J., Feng, Z., Gilliland, G.,
Bhat, T.N., Weissig, H., Shindyalov, I.N., Bourne,
P.E. The Protein Data Bank. Nucleic Acids Research,
28 pp. 235-242, 2000.

[6] Kawashima, S. and Kanehisa, M. AAindex: Amino


acid index database. Nucleic Acids Res. 28, 374, 2000.
http://www.genome.jp/aaindex/
[7] Kihara, D., The effect of long-range interactions on
the secondary structure formation of proteins. Protein
Sci., 14:1955-1963, 2005.
[8] Ladunga, I. PHYSEAN PHYsical SEquence ANalysis
for the identification of protein domains on the basis
of physical and chemical properties of amino acids.
Bioinformatics vol.15 no.12 pp. 1028-1038, 1999.
[9] M.J. Betts, R.B. Russell. Amino acid properties and
consequences of subsitutions. In Bioinformatics for
Geneticists, M.R. Barnes, I.C. Gray eds, Wiley, 2003.
http://www.russell.embl-heidelberg.de/aas/
[10] Nakai, K., Kidera, A., Kanehisa, M. Cluster analysis
of amino acid indices for prediction of protein
structure and function. Protein Eng. 2, 93-100, 1988.
[11] Olmea, O.,
Valencia, A.
Improving
contact
predictions by the combination of correlated mutations
and other sources of sequence information. Folding &
Design 2, s25-s32, 1997.
[12] Pan, X.M., Niu, W.D., Wang, Z.X. What is the
minimum number of residues to determine the
secondary structural state? J. Protein Chem. 18:579584, 1999.
[13] Salamov, A.A., Solovyev, V.V. Protein Secondary
Structure Prediction Using Local Alignments. J. Mol.
Biol.,268,31-36, 1997.
[14] Surendra, S. Negi, Werner Braun. Statistical analysis
of physical-chemical properties and prediction of
protein-protein interfaces. J Mol Model. November
2007; 13(11): 11571167. doi:10.1007/s00894-0070237-0.
[15] Tomii, K., Kanehisa, M. Analysis of amino acid
indices and mutation matrices for sequence
comparison and structure prediction of proteins.
Protein Eng. 9, 27-36, 1996.

[2] Fariselli, P., Casadio, R. A neural network based


predictor of residue contacts in proteins. Protein
Engineering vol.12 no.1 pp.1521, 1999.

464

XV Congreso Espaol Sobre Tecnologas y Lgica Fuzzy

You might also like