串联质谱图谱从头测序算法研究进展

近年来,基于质谱技术的高通量蛋白质组学研究发展迅速,利用串联质谱图谱鉴定蛋白质是其数据处理中一个基础而又重要的环节．由于不需要利用蛋白质序列数据库,从头测序方法能够分析新物种或者基因组未测序物种的串联质谱数据,具有数据库搜索方法不可替代的优势．简要介绍高通量串联质谱图谱从头测序问题及其研究现状．归纳出几种典型的计算策略并分析了各种策略的优缺点．总结常用的从头测序算法和软件,介绍算法评估的各种指标和常用评估数据集,概括各种算法的特点,展望未来研究可能的发展方向．     

高通量细菌鉴定方法研究进展

高通量细菌鉴定是微生物领域的重要研究课题,对于疾病诊断和环境监测具有重要意义。相比传统的表型鉴定方法,分子遗传学鉴定方法具有稳定性高、检测周期短以及成本较低等特点,成为了主流的鉴定方法。特别是下一代DNA测序技术、核酸分子检测基础上的细菌检测芯片、质谱技术基础上的蛋白质图谱分析为高通量、快速、准确乃至定量的细菌鉴定提供了可行性方案。     

PNmerger: 一个整合生物学通路和蛋白质相互作用网络的Cytoscape插件

Cytoscape是一个广泛应用于分子相互作用网络可视化的软件．发展了一个基于java的Cytoscape插件PNmerger．对于一个蛋白质相互作用网络,PNmerger能够使用KEGG数据库中的通路信息自动注释网络中的蛋白质．并通过网络和通路的比较发现网络中已知的通路元件,预测可能的通路元件及通路交联元件．该软件可以可视化网络中存在的通路模块,并将连接不同通路间的潜在交联元件显示出来．PNmerger软件能够有效地帮助实验人员发现网络中重要的功能线索,帮助实验人员进行实验设计．用户可以通过网站http://www.hupo.org.cn/PNmerger下载PNmerger插件．     

基于生物信息学方法发现潜在药物靶标

药物靶点通常是在代谢或信号通路中与特定疾病或病理状态有关的关键分子.通过绑定到特定活动区域抑制这个关键分子进行药物设计.确定特定疾病有关的靶标分子是现代新药开发的基础.在药物靶标发现的过程中,生物信息学方法发挥了不可替代的重要的作用,尤其适用于大规模多组学数据的分析.目前,已涌现了许多与疾病相关的数据库资源,基于生物网络特征、多基因芯片、蛋白质组、代谢组数据等建立了多种生物信息学方法发现潜在的药物靶标,并预测靶标可药性和药物副作用.     

动态分子网络的构建与分析

分子网络研究是从全局角度揭示生物系统的结构和功能的重要手段,现有的网络分析大部分是基于静态网络.实际上,在不同的环境条件、组织类型和疾病状态以及生长和分化的过程中,分子网络时刻都在发生变化.经过研究人员的努力,人们已经提出了一些可用于分析分子网络动态的生物信息学方法,如节点的动态性分类、动态蛋白质复合物的预测、条件特异子网的构建以及网络动态行为的模拟等.本文综述了动态分子网络的构建与分析方法.可以预见,动态网络分析将成为未来网络研究的标准模式.     

蛋白质组研究中离子阱串联质谱数据搜库结果解释方法

基于离子阱串联质谱仪的鸟枪法是一种高通量的蛋白质鉴定方法。得到的数据一般使用软件SEQUEST搜索蛋白质序列数据库,得到肽段鉴定列表以及相应的打分。为了得到蛋白质鉴定列表,还需要进行肽段鉴定结果的过滤和假阳性率的计算,然后根据肽段鉴定结果组装蛋白质列表。这两个问题目前还没有很好地解决。对已有的方法进行总结和比较,可以给搜库结果解释方法的选择提供参考,对数据质量控制方法的改进也有所帮助。     

基于马尔科夫链的胰蛋白酶肽段蛋白酶切位点概率预测

在基于质谱技术的蛋白质鉴定过程中,数据库搜索是主要的方法。漏切位点和酶切规则决定了图谱候选肽段的范围,是数据库搜索算法的重要参数。对于常用的胰蛋白酶切来说,除了局部构象、三维结构、实验条件,以及其它偶然因素会影响赖氨酸K或者精氨酸R后的位点能否被酶切外,该位点附近的其它氨基酸也会影响蛋白水解酶的酶切效果。从质谱图谱中时常会鉴定出包含漏切位点的肽段,因此,预测蛋白质的酶切位点能够为数据库搜索算法提供更为可靠的模型,也能够为了解和分析蛋白质的酶切规律提供依据。本文提出了一种基于马尔科夫(Markov)链的预测方法,能够利用蛋白质的序列信息来预测候选酶切位点的酶切概率,在蛋白酶切过程中,预测肽段的覆盖率可以达到85%以上。     

蛋白质质谱分析的无标记定量算法研究进展

作为发现疾病相关生物标志物的重要途径,定量研究已成为蛋白质组学的热点问题.随着实验方法的发展和改进,定量数据处理算法也在不断更新和完善.将现有的无标记定量方法归纳为需要/不需要鉴定结果两类方法,分析比较了两类方法的异同及优缺点,详细讨论了所涉及的主要算法,总结了一些常用的无标记定量软件及对应的网络资源.展望了无标记定量数据分析的未来研究方向.     

基于组合探针识别的大规模细菌分类16 S rRNA基因芯片设计

随着16 S rRNA序列资源的不断丰富,以及寡核苷酸微阵列基因芯片技术的不断进步,检测复杂微生物菌落中的微生物种群构成成为可能．现有的序列特异性探针设计算法缺乏足够的覆盖度、灵活性以及效率,不能满足大规模细菌检测基因芯片的设计要求．很多组特异性探针设计算法的思路多局限于针对某个目标序列组设计唯一的组特异性探针．在很多应用场合,设计单个探针检测组内所有目标序列的目标是很难达到的．因此,设计多个探针通过组合方式进行检测是很有必要的．每个探针能特异性地检测组内一部分目标序列,通过组合就能提高覆盖率．然而,在所有可能的探针组合中找到一个优化的探针组合是很耗时的．提出了一个可行的基于相对熵和遗传算法的组合探针设计算法．     

基因组织特异性相关研究进展

研究基因的组织特异性是了解生命活动进程和组织功能的重要一步.尽管对于看家基因和组织特异基因的研究由来已久,但是对于它们仍缺少统一的定义方式和检测方法.在定义方式上,可以从基因的组织表达数和在各组织间的表达变化情况来分别定义看家基因和组织特异基因.通常将在大多数正常组织中有表达,且表达水平较稳定的基因称为看家基因,而将在一个或少数组织中优势表达的基因定义为组织特异基因或组织选择基因.在检测方法上,高通量实验技术,包括基因芯片、RNA-seq和质谱技术等已成为检测基因组织特异性的主要方法.通过比较多个典型研究的实验结果,发现不同检测方法的覆盖度和灵敏度存在很大差异,其中RNA-seq技术最为灵敏,获得的看家基因数目最多,质谱技术检测出来的看家基因和组织特异基因数目较少,而基因芯片方法给出的多个检测结果间差别较大.尽管不同的定义方式和检测方法所导致的看家基因(或组织特异基因)的集合不完全一致,但不同的看家基因数据集(或组织特异基因)却展现出非常一致的功能和特性.看家基因通常实现所有组织和细胞都必须的基本功能,而看家基因与其他组织表达基因间的相互作用以及组织特异基因间的相互作用则实现了组织的特有功能.同时,基因的组织特异性与疾病之间具有密切联系,相比其他基因,看家基因更有可能成为癌基因,而组织特异基因则更有希望发展成为药物靶标.