人类蛋白质结构互作网络——结构域对网络拓扑与蛋白质功能的影响

高通量的蛋白质互作数据与结构域互作数据的出现,使得在蛋白质组学领域内研究人类蛋白质结构互作网络,进一步揭示蛋白质结构与功能间的潜在关系成为可能.蛋白质上广泛分布的结构域被认为是蛋白质结构、功能以及进化的基本功能单元.然而,结合蛋白质的结构信息(例如蛋白质结构域数目、长度和覆盖率等)来研究这些表象后的内部机制仍然面临着挑战.将蛋白质分为单结构域蛋白质与多结构域蛋白质,并进一步结合蛋白质互作信息与结构域互作信息构建了人类蛋白质结构互作网络;通过与人类蛋白质互作网络进行比较,研究了人类蛋白质结构互作网络的特殊结构特征;对于单结构域蛋白质与多结构域蛋白质,分别进行了功能富集分析、功能离散度分析以及功能一致性分析等.结果发现,将结构域互作信息综合考虑进来后,人类蛋白质结构互作网络可以提供更多的单纯的蛋白质互作网络无法提供的细节信息,揭示蛋白质互作网络的复杂性.     

类蛋白质互作网络hub蛋白与其结构域关联分析

hub蛋白质作为参与较多互作的"中心蛋白".在实现蛋白质功能和生命活动中发挥着关键作用.而结构域作为蛋白质上的基本功能区域,决定着蛋白质功能及蛋白质互作的情况.互作网络中hub蛋白质和结构域对于蛋白质功能的实现均起到决定性的作用.对蛋白质互作与结构域的关系分析表明.蛋白质互作与结构域之间存在着密切的联系.对人类蛋白质互作网络中的hub蛋白与结构域进行关联分析.探讨hub蛋白及其互作partner与结构域数目之间的关系,并通过hub蛋白质之间的互作对相应结构域的关系进行进一步的论证.     

基于网络特征的药物靶蛋白识别

蛋白质很少孤立得发挥作用,往往通过网络中彼此互作来共同行使功能.因此分析药物靶蛋白在生物学网络中的性质将十分有助于从信息学角度理解药物的作用机制.但目前尚无研究对药物靶蛋白在人类蛋白质互作网络中的拓扑特性给与具体的分析和描述.本文首先将药物靶蛋白映射到人类蛋白质互作网络中,进而分析了药物作用靶蛋白在互作网络中的5种拓扑指标,并与互作网络中全蛋白质组集合及非药物靶点集合的拓扑指标进行了对比.结果显示,药物靶蛋白之间具有更高的连通性,信息能够得到更快得传递.基于这些拓扑特征,将互作网络中的所有蛋白进行排序.发现排序在前100位的蛋白中有48个是Drugbank中记录的药物靶点,另外的52个蛋白中有9个蛋白已在TTD,Matador等数据库中被记录为药物靶点,还有部分蛋白通过文献检索被证实为药物靶点.     

人类蛋白质互作网络hub蛋白与其结构域关联分析

hub蛋白质作为参与较多互作的“中心蛋白”,在实现蛋白质功能和生命活动中发挥着关键作用．而结构域作为蛋白质上的基本功能区域,决定着蛋白质功能及蛋白质互作的情况．互作网络中hub蛋白质和结构域对于蛋白质功能的实现均起到决定性的作用．对蛋白质互作与结构域的关系分析表明,蛋白质互作与结构域之间存在着密切的联系．对人类蛋白质互作网络中的hub蛋白与结构域进行关联分析,探讨hub蛋白及其互作partner与结构域数目之间的关系．并通过hub蛋白质之间的互作对相应结构域的关系进行进一步的论证．     

根据基因表达谱筛选间接互作蛋白质进行蛋白质功能预测

利用基因表达谱数据,通过计算互作蛋白质的表达相关系数,来筛选、优化蛋白质互作网络。结果显示,利用经过筛选的互作数据,根据邻居计数法和卡方法进行功能预测的预测效果明显提高,距离待测蛋白质较远的邻居也包含着与待测蛋白质功能一致的信息。     

互作蛋白质与复合物亚基的基因表达相关性比较分析

利用在多种应激条件下酵母的基因表达谱数据 ,分别计算互作蛋白质及复合物亚基编码基因的表达相关性。结果发现 ,相对于随机对照组 ,互作蛋白质的编码基因与蛋白质复合物的编码基因表达相关性均显著 (P <0 .0 1) ,即互作蛋白质及复合物亚基有共表达的倾向。通过比较 ,进一步发现蛋白质复合物亚基的基因表达相关性显著高于互作蛋白质的基因表达相关性 (P <0 .0 1) ,这与复合物亚基之间功能联系强于定义不甚确切的互作蛋白之间功能联系现象吻合。     

核酸－蛋白质互作的生物化学研究方法

研究核酸－蛋白质的互作是揭示生命活动机理的基础, 文章简要综述了用于研究核酸－蛋白质互作的各种生物化学方法。从体内、体外两个研究角度, 针对核酸、蛋白以及复合物3个研究水平, 概述了硝化纤维膜过滤实验、足迹法、EMSA、Southwestern杂交等经典分析方法的原理、发展和运用。还着重介绍了最近在表观遗传学领域中广泛运用的nChIP、xChIP等基本染色质免疫沉淀(ChIP)技术及其衍生出的ChIP-on-chip等方法。     

致心律失常性右心室心肌病致病蛋白的挖掘

目的:鉴定疾病蛋白对深入理解致心律失常性右心室心肌病(ARVC)致病机制至关重要。可以采用计算生物学的方法,在ARVC疾病相关网络中挖掘新的潜在的致病蛋白。方法:本文整合HPRD和BioGRID的蛋白质互作数据,获得了较为全面且真实可靠的蛋白质互作数据;通过结合文本挖掘和统计学检验筛选出ARVC种子蛋白,应用最近邻居扩增的方法,构建ARVC蛋白质互作网络(PPIN),并采用PRINCESS法则对网络中每对互作蛋白加权;最后,基于ARVC关联得分策略对网络中的每个蛋白质打分并排秩。结果:分析发现排秩前50的候选蛋白大都与ARVC关系密切,如PRKCA,CDH1,SMAD4,SMAD2,CDH5,CTNNA1,DSC1等在调节心肌收缩、细胞程序性死亡、心脏的发育过程及维持桥粒的完整性方面起重要作用。结论:我们提出的方法为鉴定与ARVC致病机制相关的新致病蛋白提供了有效的途径。     

基于蛋白质互作网络的COVID-19对肺动脉高压的影响机制

通过构建肺动脉高压差异基因和冠状病毒侵入人体后免疫反应相关基因的互作网络,探索COVID-19对肺动脉高压的影响机制。首先通过Meta分析挖掘肺动脉高压相关差异表达基因;其次通过SARS-CoV侵染人体后的基因表达数据,挖掘主要功能通路;最后构建肺动脉高压差异表达基因和冠状病毒主要功能通路基因的互作网络,挖掘网络的显著功能模块。发现肺动脉高压与血管平滑肌细胞、成纤细胞、T/B细胞免疫过程、转录调节因子通路、Toll样信号通路等密切相关,互作网络发现ITGAM、HBB、VCAM1、IL1R2等基因是COVID-19感染肺动脉高压患者的重要调节基因。通过肺动脉高压与冠状病毒感染机体后蛋白质互作网络探索了COVID-19对肺动脉高压的影响机制,为肺动脉高压感染COVID-19的研究及治疗提供了新思路。     

基于质谱的蛋白质组学信号网络研究进展

细胞信号转导网络调控着所有细胞和器官的生物学过程。以往信号转导网络的研究主要采用一些生物化学方法开展,如抗体技术。目前,基于质谱的大规模蛋白质组学研究可以在翻译后修饰、蛋白质互作及蛋白质表达水平上,系统地研究信号转导事件。基于蛋白质组学的大规模信号转导的研究将改变我们对信号转导网络的理解。从蛋白质组翻译后修饰、蛋白质互作及蛋白质表达3个方面综述了质谱在信号转导方面的研究。     

基于质谱技术的蛋白质互作研究进展

蛋白质作为生命活动的执行者,其功能往往体现在与其他蛋白质的相互作用中,研究蛋白-蛋白相互作用对于人们深入了解和预防传染病、靶向治疗多基因疾病、阐明蛋白质的分子作用机制及各种复杂的生命现象具有重要意义。目前,有多种技术被用来研究蛋白间的相互作用,研究难点在于实时捕获瞬时或弱蛋白质间的相互作用,质谱技术（mass spectrometry, MS）可在某种程度上解决该难点。由于质谱技术可研究简单的蛋白质复合物再到大规模的蛋白质组实验,基于质谱技术研究蛋白质间相互作用被越来越多地应用于科学研究中。综述了蛋白质间相互作用检测方法的研究进展,重点介绍了氢氘交换质谱法和化学交联质谱法研究蛋白质间相互作用的优缺点及其应用,最后对基于质谱技术研究蛋白质间相互作用进行了总结与展望,以期为深入开展相关研究提供借鉴。     

大规模蛋白质相互作用组实验技术及其应用

大规模蛋白质相互作用研究的主要实验技术包括酵母双杂交技术、串联亲和纯化技术和蛋白质芯片技术,随着这些技术的不断发展和完善,科学家们在模式生物、哺乳动物、病原微生物中展开了大规模的蛋白质相互作用组研究,并进行了药物研发方面的研究,绘制了多种生物的蛋白质相互作用连锁图,揭示了多种蛋白质的新功能,为全面研究蛋白质（群）的分子作用机制、药物研发和疾病的临床预防与治疗等提供了崭新的线索。     

大规模高通量方法在蛋白质相互作用研究中的应用

随着后基因组时代的到来,阐明蛋白质间相互作用关系成为蛋白质研究的又一热点,促进了相关技术的不断产生、发展和完善.其中涉及到诸多大规模高通量的方法,如双杂交系统、噬菌体展示、质谱、蛋白质芯片以及生物信息学等,这为系统分析蛋白质相互作用提供视点,有望在蛋白质组学研究中发挥重要作用.每种方法各有其优缺点且适用范围不同,在一定程度上各方法的实验结果互为补充.现拟就这些大规模高通量方法的研究进展及其在蛋白质相互作用研究中的应用作一综述.     

串联亲和纯化（TAP）技术在蛋白质组学中的应用

蛋白质是各种生命活动的主要执行者,因此构建蛋白质相互作用的网络图对于准确理解蛋白质功能、揭开各种细胞活动的奥秘十分重要.串联亲和纯化（TAP）,是近年来发展出来的一种能够快速研究在生理条件下蛋白质相互作用,揭示蛋白质复合体相互作用网络的新技术,已成为研究蛋白质组学的一个重要工具.随着该技术的不断完善,TAP技术在认识蛋白质相互作用的过程中必将发挥越来越重要的作用.     

一类蛋白质相互作用网络比对的线性规划算法

随着越来越多的蛋白质相互作用数据被公布,网络比对在预测蛋白质的新功能和推测蛋白质网络进化历史上发挥着越来越重要的作用。但是,目前主要的网络比对方法要么忽略蛋白质的同源信息或蛋白质网络的结构信息,要么采用启发式算法。文章作者通过将网络比对转化为线性规划问题给出了一个精确的网络比对算法,并且针对水痘病毒和卡波济(氏)肉瘤病毒的蛋白质相互作用数据进行了比对分析。     

Functional protein microarray: an ideal platform for investigating protein binding property

Functional protein microarray is an important tool for high-throughput and large-scale systems biology studies.Besides the progresses that have been made for protein microarray fabrication,significant ...     

大规模蛋白质相互作用研究方法进展

随着2000年酵母大规模蛋白质相互作用网络图谱的成功描绘,蛋白质相互作用特别是大规模蛋白质相互作用研究成为生命科学领域的又一个研究热点。酵母、果蝇、线虫以及人类蛋白的大规模相互作用图谱的相继完成,不仅对系统研究细胞内各种生命活动有着重要意义,也标志着蛋白质相互作用研究方法的不断发展和完善。本文综述了当前大规模研究蛋白质相互作用的技术方法并进行了比较分析。每种技术都有其各自的优缺点,在实验中要根据不同的要求和目的选择适宜的方法。     

Co-evolutionary analysis reveals insights into protein-protein interactions

Protein-protein interactions play crucial roles in biological processes. Experimental methods have been developed to survey the proteome for interacting partners and some computational approaches have been developed to extend the impact of these experimental methods. Computational methods are routinely applied to newly discovered genes to infer protein function and plausible protein-protein interactions. Here, we develop and extend a quantitative method that identifies interacting proteins based upon the correlated behavior of the evolutionary histories of protein ligands and their receptors. We have studied six families of ligand-receptor pairs including: the syntaxin/Unc-18 family, the GPCR/G-alpha's, the TGF-beta/TGF-beta receptor system, the immunity/colicin domain collection from bacteria, the chemokine/chemokine receptors, and the VEGF/VEGF receptor family. For correlation scores above a defined threshold, we were able to find an average of 79% of all known binding partners. We then applied this method to find plausible binding partners for proteins with uncharacterized binding specificities in the syntaxin/Unc-18 protein and TGF-beta/TGF-beta receptor families. Analysis of the results shows that co-evolutionary analysis of interacting protein families can reduce the search space for identifying binding partners by not only finding binding partners for uncharacterized proteins but also recognizing potentially new binding partners for previously characterized proteins. We believe that correlated evolutionary histories provide a route to exploit the wealth of whole genome sequences and recent systematic proteomic results to extend the impact of these studies and focus experimental efforts to categorize physiologically or pathologically relevant protein-protein interactions.     

利用基因共表达网络分析蛋白质的相互作用

基于Hom in的基因共表达网络的比较分析,发现人类基因共表达网络和蛋白质相互作用数据之间存在一定的相关性。采用基因本体论对这两个网络重叠区域进行基因分类后发现,这些编码的蛋白质主要集中在对刺激物的应答途径之中。通过对该途径中的蛋白质相互作用网络作图,获得了两个独立的功能模块。通过对模块中的基因分类和关键基因分析得出两者分别对应于内外源刺激物的应答功能。本研究对于利用不断丰富的核酸公共数据信息挖掘蛋白质相互作用的研究具有积极的促进作用。