新抗菌肽设计及活性与功能预测

通过对影响抗菌肽活性因子的分析,确定可量化的因子参数,并对已有抗菌肽的活性因子数据进行统计分析,得到参数取值范围。采用Java技术,对已有抗菌肽序列进行剪切拼接,得到新肽。根据参数取值范围判断新肽,是否有活性,并进行功能预测,同时对抗菌肽构建三维空间结构图。分析证明,亲水端正电荷量是四类抗菌肽具有抗菌活性的重要共性;疏水氨基酸残基百分比和α-螺旋百分比两因子对区分四类抗菌肽功能效果显著。     

基于自相关函数的蛋白质-蛋白质作用位点预测研究

蛋白质-蛋白质相互在细胞生命过程扮演重要角色,广泛参与免疫反应,信号传导,基因表达,蛋白质合成等,研究蛋白质-蛋白质作用位点,将有助于揭示生命过程的许多本质,对预防、诊断疾病,以及突变设计、蛋白质相互作用网络构建等方面均具有重要的参考价值.根据蛋白质.蛋白质作用位点残摹倾向性及作用位点与其周围临近残基密切相关的特性,本文提出基于序列谱(或空间谱)构建自相关函数,度量邻近残基之间的相关程度,采用AdaB00st分类器预测蛋白质-蛋白质相互作用位点,精度达到67.6%,表明本文的方法预测蛋白质-蛋白质相互作用位点是有效的,为研究蛋白质-蛋白质相互作用位点研究提供了一种新方法.     

基于残基序列信息的蛋白质相互作用位点预测

蛋白质相瓦作用位点在细胞进程中有着非常重要的作用.尽管利用高通量方法发现蛋白质相瓦作用位点取得很大的成功,仍需要计算方法辅助预测实验中的相互作用位点.本文提出了基于残基序列谱、进化率和疏水性的预测异源蛋白质复合物作用位点的两种向量表示方法并以支持向量机实现预测.其中,提出新的向量表示法取得更好的预测性能.文中的数据集由66个异源复合物蛋白质链组成.     

μ阿片受体三维结构模建与芬太尼类似物分子对接研究(英文)

本文通过牛视紫质蛋白质晶体结构使用Composer模建程序进行了人类μ阿片受体的同源模建,预测了μ阿片受体的二级结构,用Ramachandran图和ProTable验证模型的可靠性.得到的模型91%的氨基酸残基位丁最佳区域,7个疏水区域表明有7个跨膜区与模型一致.并使用Surflex-Dock程序进行一系列芬太尼类似物分子与μ阿片受体的对接研究进而研究了其作用机制.活性位点主要包括ILE109,ASP112,TYR113,MET116,HIS262,TYR291.这些氨基酸残基都是芬太尼类似物与μ阿片受体的相互作用的主要残基.对接打分较高的分了均为与活性位点结合较好的分子,由此可对μ阿片受体有更深入的了解从而为设计出活性更高的芬太尼类化合物提供依据.     

蛋白质序列比对下的分子虚拟筛选方法

分子虚拟筛选方法旨在找到一种可以与受体蛋白质进行相互作用并适当修改其生物学行为的活性分子.大多数分子虚拟筛选方法的先决条件是已知蛋白质的结构或小分子结合物.然而对于大多数蛋白质而言,这些信息都是未知的.因此,本文提出了一种名为Screener的基于蛋白质序列比对和活性分子相似性评估的分子虚拟筛选方法.Screener首先从受体蛋白质的序列出发,生成位置特异性频率矩阵特征、二级结构特征以及溶剂可及性特征,利用I-LBR程序对受体蛋白质的潜在结合位点残基进行预测;其次,根据预测的结合位点残基以及相关特征信息构建模板蛋白质库;然后,将所有与任意模板蛋白质相互作用的活性分子收集起来构成潜在的种子分子库;最后,利用分子2D指纹之间的相似性来对待筛选分子集进行排序,完成分子虚拟筛选.在基准测试集DUD40和DUD-E65上,Screener的平均EF^1%分别为16.6和25.7,HR^1%分别为44.1和67.6.基准测试结果表明Screener的虚拟筛选平均性能优于基于对接的虚拟筛选方法AutoDock Vina及基于结构比对的虚拟筛选方法FINDSIT...     

Bacillus fordii MH602海因酶序列及同源建模分析

海因酶是5-取代海因生物转化制备手性氨基酸的关键酶.通过同源建模法建立MH602海因酶的三维结构,经分析,91.3%的氨基酸残基在可信区间,无氨基酸残基在不可信区间,而且能量处于较低水平,此模型可进一步研究.将MH602海因酶序列和PDB数据库中现有的6个海因酶序列比较(PDB编号为:1KID,1YNY,1NFG,1GKP,1GKQ,1GKR),结果显示了保守的活性位点残基(4个HIS,1个ASP),3个立体化学环(SGLs)和底物环外侧链结合的残基(MET63,PHE65,LEU94,PHE152,TYR155,VAL158,LEU159).通过比较发现MH602海因酶在159位是LEU,比其他海因酶的PHE159提供更大的底物结合空间,可能降低了对映体选择性但增加了对羟基苯海因的活力.为利用定点突变改造酶分子,提高MH602菌株生产L氨基酸的能力提供理论指导.     

芹菜素和山萘酚对细胞色素CYP1A2抑制机理研究

目的:我们先前的体外肝微粒体抑制活性实验,已证实芹菜素和山萘酚对细胞色素CYP 1A2有较强的抑制作用。然而,其抑制机理仍然未知。分子模拟方法能更好了解这2个天然产物对1A2的抑制机理。方法:采用分子对接、分子动力学模拟及结合自由能计算的方法,研究它们对1A2的抑制作用。结果:芹菜素和山萘酚对1A2的预测结合自由能分别是-18.01和-16.40 kcal/mol,这与实验抑制活性结果一致。在1A2结合口袋中,残基呈平面性排列,与平面芹菜素和山萘酚存在紧密的范德华和疏水相互作用,因而小分子有较强的抑制作用。此外,活性位点残基也与小分子发生氢键和盐桥等相互作用,使小分子在结合口袋中的位置得到固定。     

PTP1B中Arg221各种突变下底物与催化结构域相互作用变化的理论研究(英文)

蛋白酪氨酸磷酸酯酶1B(PTP1B)在胰岛素受体去磷酸化过程中发挥重要作用.本研究目的在于阐述PTP1B催化位点中Arg 221的作用.各种Arg 221的突变体通过HyperChem Release 7.0软件生成.结果表明Arg 221的突变会对底物与蛋白相互作用产生显著影响.当Arg 221突变为碱性残基时,底物与蛋白之间总静电相互作用能增加,但与催化相关残基的静电相互作用能降低,其余的突变则导致底物与蛋白之间总静电相互作用能降低.这一结果表明,Arg 221突变为碱性残基町减弱PTP1B的催化活性,但使底物与蛋白的结合能力增强,其余的突变则会同时减弱酶的催化活性及底物与蛋白的结合能力.     

环糊精与咖啡豆α-半乳糖苷酶的分子对接研究

通过分子对接方法研究3种主要的环糊精(α-环糊精、β-环糊精及γ-环糊精)与咖啡豆α-半乳糖苷酶的相互作用模型与分子机理。结果表明,咖啡豆α-半乳糖苷酶活性口袋中的关键氨基酸残基为:Trp31、Trp179、Asp200,环糊精中的关键基团为:次甲基上的羟基、亚甲基上的羟基。环糊精覆盖在咖啡豆α-半乳糖苷酶亲水活性空腔的表面,从而抑制其活性,β-环糊精的抑制作用较为明显。分子对接结果为酶法合成α-半乳糖基-环糊精的相互作用研究提供了理论依据。     

中草药有效成分化合物与黄嘌呤氧化酶的分子对接及药物特性研究

运用Surflex-Dock和.FAF-Drugs2对5种能治疗高尿酸血症的中草药的65个成分与黄嘌呤氧化酶(简称XO)进行柔性分子对接和ADMET预测研究,并分析它们在XO的活性位点的结合模式。结果显示当中的51个化合物有比常用西药别嘌呤醇更佳的打分函数和更稳定的结合模式。其中以花旗松素-3-O-α-L-鼠李糖苷、阿斯特酚苷和虎杖甙的打分函数最高,它们亦被预测为有良好的口服药物特性,可用于研发新型黄嘌呤氧化酶抑制剂。     

不同品系北京鸭血清前白蛋白多态性的研究

应用聚丙烯酰胺凝胶电泳法研究了北京鸭的血清前白蛋多态性,在2个位点观察到多态,Pam位点为单态,在Pas位点发现有5种表现型,它们的频率是：Pas2-2O 26．67％,Pas1-2为12％,Pas2-1为45.33%,Pas1-1为2．67％,Pas2-0为13．33％,在Paf位点发现有4种表现型,它们的频率是：PafF为29．33％,PafS为41．33％,PafFS为10．67％,Paf0为18．67％,并计算了它们的基因频率,群体平均杂合度和遗传距离,遗传分析表明,樱桃谷鸭和奥白星鸭遗传结构相似,而与B系北京鸭遗传结构有明显差异。     

CMKLR1 与 chemerin 及 α-NETA 复合体结构预测

他扎罗替尼诱导基因 2(tazarotene-induced gene 2，TIG2)的产物 chemerin 是孤儿 G 蛋白耦联受体趋化因子样受体 1(chemokine-like receptor 1，CMKLR1)的内源性配体。chemerin/CMKLR1 信号系统在体内多组织器官发挥着重要的功能和作用。chemerin 的 C 端在体内被蛋白酶切后形成多种亚型，该文通过 Alphafold2 对 chemerin 的 6 种亚型进行结构预测与建模，并将其中有活性的 3 种形式与 CMKLR1 进行复合体建模，对复合体进行结合位点分析后，阐明不同活性形式的差异结合位点。此外，将 CMKLR1 的小分子拮抗剂 2-(α-萘甲酰基)乙基三甲基碘化铵(2-(α-naphthoyl) ethyltrimethylammonium iodide，α-NETA)与 CMKLR1 进行对接，确定二者的相互结合位置。实验结果从蛋白质分子结构层面解释了两点：(1)具有活性的 chemerin 与 CMKLR1 的互作方式；(2)小分子拮抗剂 α-NETA 与 CMKLR1 的互作方式。研究内容将为 CMKLR1 的靶向药物设计提供理论依据和实验基础。     

多特征融合的蛋白质相互作用位点预测

蛋白质相互作用位点预测为蛋白质功能和药物设计的理解提供重要线索。而蛋白质的各种特征为蛋白质相互作用位点预测提供了大量有用信息,特别是进化信息、残基序列邻近和空间邻近性。不同的蛋白质特征对蛋白质间的相互作用的贡献也不一样。通过提取蛋白质序列谱、保守性和残基熵,提出了特征融合技术对蛋白质相互作用位点进行研究,采用SVM构建三种预测器,分别对各种不同的特征加以验证,实验结果表明了基于特征融合方法的有效性和正确性。     

基于进化保守性的蛋白质相互作用位点预测

为了从蛋白质结构数据库中提取经验知识,进行蛋白质作用位点预测,提出了以蛋白质序列谱作为特征向量,采用支持向量机算法进行训练和预测蛋白质相互作用位点的方法。从蛋白质一级序列出发,以序列上邻近残基的序列谱为输入特征向量,采用支持向量机方法构建预测器,来预测蛋白质相互作用位点,预测精度达到70.47%,相关系数CC=0.1919。实验结果表明,利用蛋白质序列谱,结合支持向量机算法进行蛋白质相互作用位点预测的方法是有效的。     

基于级联神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出一种由两层网络构成的级联神经网络模型。第1层网络采用具有差异度的5个子网构成的网络模型,对第2层网络的输入编码进行改进。对PDBSelect25中的36条蛋白质共6 122个残基进行测试,结果表明,该模型能有效预测蛋白质二级结构,其预测精度分别比SNN, DSC, PREDSATOR方法提高5.31%, 1.21%和0.92%,平均预测精度提高到69.61%。     

基于支持向量机的蛋白质相互作用位点预测

蛋白质的功能常体现在生物大分子的相互作用中,识别蛋白质相互作用位点对于研究蛋白质功能发挥着重要作用.蛋白质问主要通过表面残基发生相互作用,蛋白质相互作用形成复合体时,只有部分表面残基参与了该过程.基于序列谱信息,提取序列上相邻残基的序列谱作为输入特征向量,对大小为3和7的残基信息窗(win3,win7),分别采用支持向量机(SVM)分类器对蛋白质相互作用位点进行预测、比较和分析.最终实验结果为:win3的平均正确率为69.31%,win7的平均正确率为69.68%.     

支持向量回归预测蛋白质残基的B因子

蛋白质分子的柔性在各种生物进程中如酶催化、蛋白质分子绑定和识别等发挥着重要的作用。研究蛋白质分子柔性有助于更好地理解蛋白质的功能,研究证明从X射线晶体衍射结构而来的B因子能够较好的衡量蛋白质分子的柔性。从蛋白质序列出发,以保守信息、预测的二级结构、预测的相对溶剂可及性和氨基酸4种物理化学性质作为特征向量,利用支持向量回归方法对蛋白质的B因子进行预测。考察了邻近残基的影响,采用滑动窗口方法对所有特征变量进行了处理。通过对位置特异得分矩阵的平滑窗口处理,提高了预测精度。以皮尔逊相关系数为算法评价指标,最终得到独立测试集的皮尔逊相关系数为0.56,表明该方法有效提高预测精度。     

预测外膜蛋白的核最近邻算法

外膜蛋白由于其位于细菌的表面,从而对于抗生素和疫苗开发具有重要的研究价值.如何准确地将外膜蛋白从球蛋白和内膜蛋白等中识别出来对于从基因组序列中确认外膜蛋白以及预测其二级、三级结构都是一项重要的研究任务.近年来人们已经提出了若干从蛋白质序列出发预测外膜蛋白的方法.本文利用1种新的核方法,即核最近邻算法,结合蛋白质序列的子序列分布预测外膜蛋白,并和支持向量机方法、传统的最近邻算法进行了比较.结果表明本文算法不亚于已有的预测方法,而且新算法更为简洁、容易实现.同时我们发现残基顺序在外膜蛋白预测中具有重要作用.     

机器学习预测化合物的雌雄激素受体活性

预测一种化合物的雌雄激素受体的活性，对于避免暴露于环境中类似雌雄激素的化学物质是非常重要的。采用包括支持向量机、随机森林等多种机器学习方法，利用Binding Database数据库建立了预测活性的定量结构-活性关系（quantitative structure-activity relationship,QSAR）模型，并对模型进行验证与评估。评估结果发现，随机森林结合扩展连通性分子指纹对数据集预测准确率为0.83，其受试者工作特征曲线（receiver operating characteristic curve, ROC）得到的数据集曲线下面积（area under curve, AUC）为0.892，表明该模型具有广泛且良好的预测能力。该研究建立的活性预测模型可用于化合物的活性预测，为内分泌化合物的活性评估和风险管理提供参考。     

利用序列和组合图卷积网络预测蛋白质功能

蛋白质功能的准确预测有利于推进生物医学发展,高通量测序技术的快速发展加快了蛋白质序列的提取速度,从而产生了大量未注释的蛋白质,并且新测序序列缺乏结构等生物信息,针对该问题提出了基于序列和组合图卷积网络的蛋白质功能预测模型(Protein Function Prediction using Sequences and Combined Graph Convolutional Networks, PFP-SCGCN).首先通过深度学习方法捕获蛋白质序列的多维特征信息,再通过多序列比对从蛋白质序列中提取进化耦合信息和氨基酸残基群落,然后利用进化耦合信息和氨基酸残基群落生成序列氨基酸之间两种不同连接程度的邻接矩阵,将这两种邻接矩阵与序列特征信息一起输入给组合图卷积网络进行信息融合,最后通过多个全连接层获得蛋白质功能类别信息.本文还通过分析PFP-SCGCN的特定网络层识别蛋白质功能位点,可帮助人们推测出新序列中的重要氨基酸.模型结果表明,PFP-SCGCN模型的功能预测准确率远高于对比方法,具有较好的鲁棒性,并且可以较准确的识别功能位点.