化学交联质谱技术的研究进展

化学交联质谱技术是解析蛋白质结构和研究蛋白质相互作用的重要工具。近5年以来,该技术在方法和应用上都取得了很大的进步。方法上,一方面可断裂交联剂与新型分离富集方法展现了较好的应用前景,另一方面更加高效的交联肽段搜索引擎和质量控制方法为交联质谱数据分析提供了有力的工具。应用上,一方面与冷冻电镜技术结合解析了大量蛋白质的结构,另一方面从研究蛋白质复合物的相互作用发展到研究全蛋白质组水平的相互作用网络。化学交联质谱技术在方法和应用上的蓬勃发展,体现了这一技术的重要作用。本文对化学交联质谱技术的各个环节进行了详细的综述,包括交联剂选择、交联反应、酶切、交联肽段富集、液质联用、交联肽段鉴定、质量控制和生物学应用,重点介绍了最近5年的研究进展。最后,讨论了化学交联质谱技术面临的挑战及未来的发展方向。     

蛋白质组学肽段鉴定可信度评价方法

蛋白质组学基于质谱数据鉴定肽段和蛋白质，从而给出基因表达的直接证据，帮助解析蛋白质的结构和功能，研究蛋白质与疾病的关系，提供靶向治疗方案，而这些都取决于鉴定的肽段和蛋白质的准确性。蛋白质组学常采用目标-诱饵库方法（target-decoy approach，TDA）对鉴定的肽段和蛋白质进行质量控制，并对其进行改进演化后应用到子类肽段（比如突变肽段和修饰肽段等）和交联肽段等特殊鉴定结果的可信度评价中。然而，TDA存在两个局限，即错误率估计值不够准确以及不能评价单个鉴定结果的可信度，经过TDA质量控制后的结果还需要进一步检验，因此领域内也提出了一系列其他方法（本文统称为Beyond-TDA方法），协同加强肽段的可信度评价。本文对数据依赖模式下采集的质谱数据肽段层面的TDA常规方法和特殊方法进行了综述，对Beyond-TDA方法进行了分类阐述，并总结了各种方法的优势与不足。     

深度学习在药物活性预测研究中的应用

药物从研发到临床应用需要耗费较长的时间，研发期间的投入成本可高达十几亿元。而随着医药研发与人工智能的结合以及生物信息学的飞速发展，药物活性相关数据急剧增加，传统的实验手段进行药物活性预测已经难以满足药物研发的需求。借助算法来辅助药物研发，解决药物研发中的各种问题能够大大推动药物研发进程。传统机器学习方法尤其是随机森林、支持向量机和人工神经网络在药物活性方面能够达到较高的预测精度。深度学习由于具有多层神经网络，模型可以接收高维的输入变量且不需要人工限定数据输入特征，可以拟合较为复杂的函数模型，应用于药物研发可以进一步提高各个环节的效率。在药物活性预测中应用较为广泛的深度学习模型主要是深度神经网络（deep neural networks，DNN）、循环神经网络（recurrent neural networks，RNN）和自编码器（auto encoder，AE），而生成对抗网络（generative adversarial networks，GAN）由于其生成数据的能力常常被用来和其他模型结合进行数据增强。近年来深度学习在药物分子活性预测方面的研究和应用综述表明，深度学习模型的准确度和效率均高于传统实验方法和传统机器学习方法。因此，深度学习模型有望成为药物研发领域未来十年最重要的辅助计算模型。