基于蛋白质网络功能模块的蛋白质功能预测

在破译了基因序列的后基因组时代,随着系统生物学实验的快速发展,产生了大量的蛋白质相互作用数据,利用这些数据寻找功能模块及预测蛋白质功能在功能基因组研究中具有重要意义.打破了传统的基于蛋白质间相似度的聚类模式,直接从蛋白质功能团的角度出发,考虑功能团间的一阶和二阶相互作用,提出了模块化聚类方法(MCM),对实验数据进行聚类分析,来预测模块内未知蛋白质的功能.通过超几何分布P值法和增、删、改相互作用的方法对聚类结果进行预测能力分析和稳定性分析.结果表明,模块化聚类方法具有较高的预测准确度和覆盖率,有很好的容错性和稳定性.此外,模块化聚类分析得到了一些具有高预测准确度的未知蛋白质的预测结果,将会对生物实验有指导意义,其算法对其他具有相似结构的网络也具有普遍意义.     

蛋白质磁共振——从结构生物学到结构基因组学

在后基因组时代,随着大量物种全基因组序列的获得,结构生物学家面临着结构基因组学的新机遇和挑战。与传统的结构生物学不同的是,结构基因组学的研究主要集中在结构和功能未知并且与从前研究的蛋白质相似性很小的蛋白质。准确的来讲,结构基因组学通过高通量蛋白质表达、结构解析来完成所有蛋白质家族的结构表征,从而能够通过结构预测功能。加州结构基因组学联合实验室发展了高度自动化的蛋白质合成、结晶、结构解析生产线。然而由于一些蛋白质不能被结晶,要想覆盖所有蛋白质结构域还有很大困难。Wuthrich的研究小组通过一些高通量的目的蛋白质筛选和NMR结构解析的方法解决了这一难题。与X射线晶体学解析蛋白质结构相比,NMR技术由于能够解析更接近生理状态的溶液结构而具有互补性。通过获得溶液中的蛋白质稳定性、动力学特征和相互作用信息,正如在朊蛋白和SARS相关蛋白的研究中所表现的那样,NMR技术从扩大已知的蛋白质结构数据库、新的蛋白质功能到化学生物学研究中都扮演着激动人心的角色。     

蛋白质结构预测进展

蛋白质的序列决定结构,结构决定功能。新一代准确的蛋白质结构预测工具为结构生物学、结构生物信息学、药物研发和生命科学等许多领域带来了全新的机遇与挑战,单链蛋白质结构预测的准确率达到与试验方法相媲美的水平。本综述概述了蛋白质结构预测领域的理论基础、发展历程与最新进展,讨论了大量预测的蛋白质结构和基于人工智能的方法如何影响实验结构生物学,最后,分析了当前蛋白质结构预测领域仍未解决的问题以及未来的研究方向。     

细胞外基质蛋白质预测工具研究进展

细胞外基质蛋白质在细胞的一系列生物过程中发挥着重要作用,它的异常调节会导致很多重大疾病。理论细胞外基质蛋白质参考数据是实现细胞外基质蛋白质高效鉴定的基础,研究者们已经基于机器学习的方法开发出一系列的细胞外基质蛋白质预测工具。文中首先阐述了基于机器学习模型构建细胞外基质蛋白质预测工具的基本流程,之后以工具为单位总结了已有细胞外基质蛋白质预测工具的研究成果,最后提出了细胞外基质蛋白质预测工具目前面临的问题和可能的优化方法。     

蛋白质共进化分析研究进展

一些对蛋白质活性很重要的残基在进化过程中是高度保守的,另有一些残基通过共进化来维持蛋白质结构和功能上的稳定。由于共进化残基分析可在未知蛋白质结构时,仅依据序列推断残基间的相互作用,因此在蛋白质结构和功能预测上具有重要的研究意义。当前分析共进化残基的方法主要有基于相关系数的方法、基于微扰理论的方法、参数检验法等。然而,由于存在蛋白质系统进化的背景干扰,目前共进化残基分析的精度仍有待进一步提高。本文概述了蛋白质共进化分析的方法及其研究进展,并对其发展趋势进行了预测。     

使用伪氨基酸组成和模糊支持向量机预测蛋白质结构类

蛋白质结构类预测是生物信息和蛋白质科学中重要的研究领域.基于Chou提出的伪氨基酸离散模型框架,从蛋白质序列出发,设计一种新的伪氨基酸组成方法表示蛋白质序列样本.抽取氨基酸组合(10-D)在序列中出现的频率和疏水氨基酸模式(6-D)表示蛋白质序列的附加特征,用和传统的氨基酸组成(20-D)一起构成的36维的伪氨基酸组成向量来表示蛋白质序列的特征.使用遗传算法来优化附加特征的权重系数.伪氨基酸组成向量作为输入数据,模糊支持向量机作为预测工具.使用三个常用的标准数据集来验证算法的性能.Jack-knife检验结果说明本方法具有较高的准确率,有望成为潜在的预测蛋白质功能的工具.     

从一级结构预测蛋白质稳定性——Guruprasad, Reedy和Pandit方法

介绍了一种从一级结构预测蛋白质稳定性的方法.Guruprasad,Reedy 和 Pandit 对32种稳定蛋白质和12种不稳定蛋白质进行了统计分析,发现存在这样一些二肽,它们在稳定的和不稳定蛋白质中的出现频率是明显不同的.通过一系列的统计学计算处理,计算出所有400种二肽各自对蛋白质稳定性(或不稳定性)的影响大小,给它们设计了一个二肽不稳定性权值(DIWV).对一个给定的蛋白质,与它的序列长度相一致的这些 DIWV 的加和能帮助区分不稳定蛋白质和稳定蛋白质.这种方法对如何提高蛋白质的稳定性具有一定的指导意义.我们根据 Guruprasad 等人的方法计算了几个已知序列的蛋白质的稳定性指数,并由此推出它们的稳定性.     

从一级结构预测蛋白质稳定性——Guruprasad,Reedy 和 Pandit 方法

介绍了一种从一级结构预测蛋白质稳定性的方法.Guruprasad,Reedy 和 Pa-ndit 对32种稳定蛋白质和12种不稳定蛋白质进行了统计分析,发现存在这样一些二肽,它们在稳定的和不稳定蛋白质中的出现频率是明显不同的.通过一系列的统计学计算处理,计算出所有400种二肽各自对蛋白质稳定性(或不稳定性)的影响大小,给它们设计了一个二肽不稳定性权值(DIWV).对一个给定的蛋白质,与它的序列长度相一致的这些 DIWV 的加和能帮助区分不稳定蛋白质和稳定蛋白质.这种方法对如何提高蛋白质的稳定性具有一定的指导意义.我们根据 Guruprasad 等人的方法计算了几个已知序列的蛋白质的稳定性指数,并由此推出它们的稳定性.     

蛋白质的二级结构预测研究进展

认识蛋白质的二级结构是了解蛋白质的折叠模式和三级结构的基础,并为研究蛋白质的功能以及它们之间的相互作用模式提供结构基础,同时还可以为新药研发提供帮助。故研究蛋白质的二级结构具有重要的意义。随着后基因组时代的到来,越来越多的蛋白质序列不断被发现,给蛋白质的二级结构研究带来巨大的挑战和研究空间。而依靠传统的实验方法很难获取大规模蛋白质的二级结构信息。目前,采用生物信息学手段仍然是获得大部分蛋白质二级结构的途径。近年来,许多研究者通过构建用于二级结构预测的蛋白质数据集,计算、提取蛋白质的各种特征信息,并采用不同的预测算法预测蛋白质的二级结构得到了快速的发展。本文拟从蛋白质的特征信息的提取与筛选、预测算法以及预测效果的检验方法等方面进行综述,介绍蛋白质二级结构预测领域的研究进展。相信随着基因组学、蛋白质组学和生物信息学的不断发展,蛋白质二级结构预测会不断取得新突破。     

癌症研究的生物信息学资源

随着癌症研究的发展,生物信息学成为癌症研究的一个非常重要的方法和手段,本文从微阵列芯片数据管理和分析软件、微阵列数据仓库、蛋白质功能预测工具和蛋白质结构预测工具等四个方面介绍癌症研究的生物信息学资源信息,以给相关研究提供帮助.     

同源建模关键步骤的研究动态

应用同源建模的蛋白质结构预测已经成为一种快速获得蛋白质结构的技术,这种技术也将成为完成结构基因组计划的有力工具.同源建模是指寻找与目标序列同源而且有实验测定结构的蛋白质作为模板,从而构建目标序列的结构模型的方法.限制这种方法的应用主要是同源建模的关键步骤,即目标与模板之间序列比对和环区建模的准确性.当模型的准确性达到令人信服的程度时,更为精确的计算机辅助药物设计和改造蛋白质,甚至设计全新功能的蛋白质将成为可能.综述了从算法和策略上提高同源建模关键步骤准确性的研究进展.     

基于SVM的蛋白质二级结构预测

蛋白质结构预测是现代计算生物领域最重要的问题之一,而蛋白质二级结构预测是蛋白质高级结构预测的基础。目前蛋白质二级结构的预测方法较多,其中SVM方法取得了较高的预测精度。重在阐述使用SVM用于蛋白质二级结构预测的步骤,以及与其他方法进行比较时应该注意的事项,为下一步的研究提供参考及启发。     

基于遗传算法预测2D三向的蛋白质结构

本文基于范德华力势能预测2D三向的蛋白质结构。首先,将蛋白质结构预测这一生物问题转化为数学问题,并建立基于范德华力势能函数的数学模型。其次,使用遗传算法对数学模型进行求解,为了提高蛋白质结构预测效率,我们在标准遗传算法的基础上引入了调整算子这一概念,改进了遗传算法。最后,进行数值模拟实验。实验的结果表明范德华力势能函数模型是可行的,同时,和规范遗传算法相比,改进后的遗传算法能够较大幅度提高算法的搜索效率,并且遗传算法在蛋白质结构预测问题上有巨大潜力。     

CBSG-PPI:基于图神经网络的蛋白质-蛋白质相互作用的预测算法

为提高蛋白质-蛋白质相互作用(protein-protein interaction, PPI)预测的准确性,并深入探索细胞信号传导和疾病发生的生物学机制,本文提出一种简称为CBSG-PPI的预测算法。该算法首先利用3层前馈网络来处理蛋白质的k-mer特征,采用CT方法和Bert方法提取蛋白质的氨基酸序列以及使用卷积神经网络提取蛋白质的序列特征,再结合图神经网络和多层感知机来准确预测PPI。与现有的预测技术相比,CBSG-PPI在准确率、 F1分数、召回率和精确率等多个关键性能指标上展现了明显的优势,在公开数据集上分别达到了0.855、 0.853、 0.840和0.866的高分。此外,本算法采用了一种改进的参数调整方法,显著提高了计算效率,其预测速度比传统算法快了约140倍。这一显著的性能提升,不仅证实了CBSG-PPI在预测PPI方面的研究价值,也为未来蛋白质间相互作用网络的构建和分析提供了有用的计算工具。     

简单的一致性方法预测蛋白质二级结构

蛋白质二级结构预测对于我们了解蛋白质空间结构是至关重要的一步。文章提出了一种简单的二级结构预测方法,该方法采用多数投票法将现有的3种较好的二级结构预测方法的预测结果汇集形成一致性预测结果。从PDB数据库中随机选取近两年新测定结构的57条相似性小于30%的蛋白质,对该方法的预测结果进行测试,其Q3准确率比3种独立的方法提高了1.12—2.29%,相关系数及SOV准确率也有相应的提高。并且各项准确率均比同样采用一致性方法的Jpred二级结构预测程序准确率要高。这种预测方法虽然原理简单,但无须使用额外的参数,计算量小,易于实现,最重要的前提就是必须选用目前准确性比较出色的蛋白质二级结构预测方法。     

数据与计算驱动的蛋白质元件预测和设计

为实现特定合成生物系统,需要使用恰当的蛋白质元件,即具有所需的特异性分子识别、酶催化活性等功能的天然蛋白质或工程改造蛋白质。以转录因子所识别的DNA序列的预测以及蛋白质-小分子特异性结合口袋的预测和设计为例,介绍计算方法在蛋白质功能预测和设计中的作用。强调了不同类型计算工具的整合以及它们与生物背景知识整合、计算方法通用性和准确性之间的平衡;讨论了有待解决的问题、计算的潜力和新方法的发展需求。     

基于进化信息改进蛋白质定点突变稳定性预测准确率

定点突变后蛋白质稳定性的增加还是降低,是分子生物学和蛋白质工程的核心问题之一,也是目前生物信息学研究的重要领域。基于蛋白质序列信息对蛋白质定点突变后的稳定性进行预测的方法,因其简易、适用面广而得到广泛的研究应用。通过对编码策略（coding schemes）的探索,发现不同编码策略对预测准确率有较大影响,并发现基于进化信息的BLOSUM打分矩阵可以用于蛋白质定点突变稳定性预测,具有较高的预测准确率。应用基于BLOSUM62打分矩阵的神经网络（ANN）和支持向量机（SVM）算法,可以改进蛋白质定点突变后稳定性的预测,而且ANN+ BLOSUM62在1623条序列的数据集上的实测结果优于目前国际通用的几款预测 软件。     

计算方法在蛋白质相互作用研究中的应用

计算方法在蛋白质相互作用研究的各个阶段扮演了一个重要的角色。对此,作者将从以下几个方面对计算方法在蛋白质相互作用及相互作用网络研究中的应用做一个概述：蛋白质相互作用数据库及其发展;数据挖掘方法在蛋白质相互作用数据收集和整合中的应用;高通量方法实验结果的验证;根据蛋白质相互作用网络预测和推断未知蛋白质的功能;蛋白质相互作用的预测。     

利用互联网预测cDNA蛋白质产物的结构和功能

人类基因组计划预计近两三年内即可完成,我们将会得到许多序列已知但未知功能的cDNA。本简单介绍利用互联网上信息资源分析cDNA序列和预测它所编码的蛋白质的结构和功能的方法和常用工具。     

基于质谱的BLAST方法在金鱼胚胎蛋白质鉴定中的应用

未知基因组及蛋白质序列数据库有限的物种的蛋白质组学分析是当前一些非模式生物物种蛋白质组学研究领域的瓶颈之一.基于同源性搜索的BLAST方法（MS BLAST）,是近年新发展起来的一种用于未知基因组的蛋白质鉴定的搜索工具,已成功应用于许多未知基因组物种的蛋白质鉴定.SPITC化学辅助方法是本实验室建立的一种改进的de novo质谱测序方法.采用MS BLAST方法对经Mascot软件数据库搜索未能鉴定到的19个金鱼胚胎蛋白质进行鉴定,其中12个蛋白质是直接测序后进行MS BLAST搜索得到的结果,另外7个蛋白质是联合MS BLAST和SPITC衍生方法得到的鉴定结果.实验结果证明,采用MS BLAST方法进行蛋白质的跨物种鉴定具有可行性和可靠性,给蛋白质的跨物种鉴定提供了一条新的途径.