蛋白质亚细胞定位预测中的序列编码技术研究

随着后基因组时代的来临,蛋白质序列数量增长迅速,利用实验手段分析蛋白质亚细胞定位不易大规模进行.近年来,通过提取蛋白质的各种特征信息(序列编码技术),自动预测蛋白质的亚细胞定位的算法得到了较快的发展.综述了当前已有的序列编码技术成果,并指出了存在的问题及可能的发展方向.     

蛋白质相互作用预测算法在帕金森病中的应用

对蛋白质相互作用的研究不仅能够理解生命的过程,也能为疾病治疗提供线索.通过对现有蛋白质相互作用预测计算方法的分析,将计算方法和生命科学相结合,在利用现有的知名生物数据库获得大量蛋白质相互作用关系数据的基础上,建立人类蛋白质相互作用网络,通过计算来预测可能导致帕金森病的蛋白质.在总结前人算法的基础上,利用改进的APM[1]算法,实现了对蛋白质一级网络以及二级网络的预测工作.     

动态加权蛋白质相互作用网络构建及其应用研究

一个蛋白质可能在不同条件或不同时刻与不同的蛋白质发生相互作用,这称为蛋白质的动态特性.蛋白质在分子处理的不同阶段参与到不同的模块,与其他的蛋白质共同完成某项功能.因此, 动态蛋白质相互作用的研究有助于提高蛋白质功能预测的准确率.结合蛋白质相互作用网络和时间序列基因表达数据,构建动态蛋白质相互作用网络.为降低PPI网络中假阴性对功能预测产生的负面影响,结合结构域信息和复合物信息,预测和产生新的相互作用,并对相互作用加权.基于构建的动态加权网络,提出一种功能预测方法D-PIN (Dynamic protein interaction networks). 基于三个不同的酵母相互作用网络实验结果表明, D-PIN 方法的综合性能比现有方法提高了14%以上.结果验证了构建的动态加权蛋白质相互网络的有效性.     

纳米管传感仪检测蛋白质

有两个研究小组都已研制出一种能够可靠检测和鉴别蛋白质的微型传感仪.这种仪器的基本部件是一个碳纳米管,当碰到目标蛋白质时,它会发出电信号.在多种混杂物中鉴别一种特定的蛋白质是很棘手的,通常,需利用抗体作为引导物来搜寻目标蛋白质,但必须配附标记分子,以便抗体粘附在蛋白质上时能发光显示.这种搜寻过程很耗时,而对于许多蛋白质来说,找到对应抗体并单独地附上标记是不可能的.所以研究人员希望有更好的方法来做这项工作.     

组织工程造新骨

骨修复可能是组织工程的首要目的之一.用新奇的型模、成骨蛋白质、基因疗法和干细胞来促进新骨的生长,都显示出了光明的前景.     

蛋白质折叠计算机模拟研究进展

蛋白质折叠过程中的结构变异可能导致"折叠病",比如老年痴呆症和多聚谷氨酰胺疾病等。因此蛋白质折叠研究对于揭示"折叠病"致病机理、指导药物设计等具有重大意义。文章阐述了蛋白质折叠计算机模拟研究的研究近况,分别介绍了蛋白质侧链研究、蛋白质折叠算法、蛋白质折叠病研究、蛋白质的分子动力学模拟和蛋白质结构预测等几个方面。     

基于并行遗传算法的蛋白质空间结构预测

1 前言蛋白质是生命的基础。从细胞分裂到细胞运动,从代谢到免疫,已知的生物功能没有一个能够离开蛋白质而实现。一个典型的细胞可能含有的蛋白质种类就有大约10万种,而且每种蛋白质的作用都不尽相同。更进一步,基因是生物细胞中的遗传物质,它也必须以蛋白质形式表达出来,才能显示出生物的各种遗传性状。因此,对于蛋白质的研究在生命科学中是最重要的课题之一。     

科学家对基因遥控

用微小的黄金微粒标记DNA链可以使科学家通过遥控对人体内的基因进行开关.该方法也可用来通知细胞何时产生特殊的蛋白质,例如胰岛素. "用这种方法,我们将可能控制几乎任何种类的生物过程,"金伯力·哈马-斯基福利说.     

利用植物工厂生产抗体

美国杰斐逊医学院的科学家正在利用烟草生产能跟踪追击癌细胞的单克隆抗体--微型蛋白质导弹,因此烟草有望提供一种更廉价、更快速生产抗癌抗体的方法,使该技术有朝一日能够应用于人类的可能大大增加.     

基于关键功能模块挖掘的蛋白质功能预测

精确注释蛋白质功能是从分子水平理解生物体的关键.由于内在的困难和昂贵的开销,实验方法注释蛋白质功能已经很难满足日益增长的序列数据.为此,提出了许多基于蛋白质相互作用（Protein-protein interaction,PPI）网络的计算方法预测蛋白质功能.当今蛋白质功能预测的趋势是融合蛋白质相互作用网络和异构生物数据.本文提出一种基于多关系网络中关键功能模块挖掘的蛋白质功能预测算法.关键功能模块由一组紧密联系且共享生物功能的蛋白质组成,它们能与网络中的剩余部分较好地区分开来.算法通过从多关系网络的每一个简单网络中挖掘高内聚、低耦合的子图形成关键功能模块.关键功能模块中邻居蛋白质的功能用于注释待预测功能的蛋白质.每一个简单网络在蛋白质功能预测中的重要性各不相同.实验结果表明,提出的方法性能优于现有的蛋白质功能预测方法.     

饲粮类型和蛋白质水平对早期断奶仔猪结肠结构和功能、结肠内蛋白质代谢的影响

选用 2 6日龄断奶的长白×荣昌杂交仔猪 (平均体重 4 .8kg) ,研究饲粮类型和蛋白质水平对早期断奶仔猪结肠结构和功能、结肠内蛋白质代谢的影响。结果显示 :( 1 )与采食复合蛋白型饲粮的仔猪比较 ,采食全植物蛋白型饲粮的仔猪 ,其结肠组织病变指数较高 (P <0 .0 5) ,结肠吸水率较低 (P <0 .0 5) ,腹泻程度较重。 ( 2 )与采食常规粗蛋白质 (CP)水平 ( 2 1 .8%)饲粮的仔猪比较 ,低蛋白质 (CP1 7.8%)氨基酸平衡饲粮使仔猪结肠组织病变指数降低 (P <0 .0 5) ,结肠吸水率增高 (P <0 .0 5) ,腹泻程度减轻一半。 ( 3 )与全植物蛋白型饲粮比较 ,复合蛋白型饲粮有利于降低 (P <0 .1 0 )结肠内容物中含氮腐败产物含量。 ( 4)与常规CP水平 ( 2 1 .8%)饲粮比较 ,低蛋白质 (CP1 7.8%)氨基酸平衡饲粮显著 (P <0 .0 5) ,使结肠内容物中含氮腐败产物含量降低。结果表明 ,复合蛋白型饲粮和低蛋白质氨基酸平衡饲粮有利于降低结肠内蛋白质腐败产物产量 ,从而减少结肠组织结构的变化 ,增强结肠的吸水力 ,降低仔猪腹泻程度 ;结肠内蛋白质腐败产物增多 ,进而引起结肠组织结构改变和结肠吸水功能降低 ,可能是大肠蛋白质腐败性腹泻的重要发生机制     

蛋白质亚细胞定位预测的机器学习方法

蛋白质亚细胞定位与其功能密切相关.蛋白质在细胞中的正确定位是细胞系统高度有序运转的前提保障.研究细胞中蛋白质定位的机制和规律,预测蛋白质的亚细胞定位,时于了解蛋白质的性质和功能,了解蛋白质之间的相互作用,探索生命的规律和奥秘具有重要意义.基于机器学习方法的蛋白质亚细胞定位预测是生物信息学研究的热点之一.从数据集的建立、蛋白质序列特征刻画和蛋白质亚细胞定位预测算法3个方面,总结和评述了在过去十几年里机器学习方法在蛋白质亚细胞定位研究中的应用情况和取得的成果,分析了机器学习方法在蛋白质亚细胞定位预测方面存在的问题和面临的挑战,指出了蛋白质亚细胞定位研究的主要方向.     

一种新颖的蛋白质序列与其串联质谱的匹配打分算法

为了有效的利用蛋白质串联质谱数据,提高蛋白质鉴定的准确性,提出一种基于KNN的蛋白质序列与蛋白质串联质谱的匹配打分算法.蛋白质序列与蛋白质串联质谱的匹配打分是蛋白质数据库搜索鉴定过程中的关键技术.然而,现有的算法没有很好的利用蛋白质串联质谱中离子的强度信息.针对此问题,本文根据质谱中离子的类型给出了全体离子的一个合理的划分.进而抽象出一个高维的强度特征向量,在已知的高精度的数据集上建立了强度匹配知识集合,最后基于KNN技术构造了序列和质谱的匹配打分算法.实验结果表明,本文算法更加有效的利用了蛋白质串联质谱的结构信息,提高了蛋白质鉴定的准确性.     

利用决策树方法对蛋白质鉴定结果二次评价

为了有效地利用蛋白质串联质谱数据,进一步提高蛋白质鉴定的准确性,提出一种基于决策树的蛋白质鉴定结果的二次评价算法.目前,串联质谱已经成为解决蛋白质鉴定问题的最为有效的技术手段.随着蛋白质串联质谱数据的大量聚集,蛋白质鉴定算法也日益增加.然而,现有的蛋白质鉴定算法通常返回数量庞大的结果列表,因此对列表中的鉴定结果进行二次评价是提高蛋白质鉴定准确性的一个重要环节.针对此问题,首先利用频繁模式挖掘方法获得了b离子的特征信息,进而基于决策树理论提出一种蛋白质鉴定结果的二次评价算法即ReCheck算法.实验结果表明,该算法有效的提高了蛋白质鉴定的准确性.     

基于模式驱动和模糊查询的模式发现方法

在蛋白质序列的比对研究中,拥有相似模式的蛋白质常常具有相似的功能.通过已知的蛋白质序列模式可以很方便地对新蛋白质序列的功能结构进行研究和确认.蛋白质序列的发现已成为一个很有意义的题目.对基于模式驱动Pratt算法进行改进以提高其效率,在原来基础上引入模糊查询方法,能够更为快捷地从互不相关的蛋白质序列集合中找出最具代表性的蛋白质模式.     

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.     

ProFaM:一个蛋白质序列家族挖掘算法

有效分析蛋白质家族是生物信息学的一项重要挑战,聚类成为解决这一问题的主要途径之一.基于传统序列比对方法定义蛋白质序列间相似关系时,假设了同源片断问的邻接保守性,与遗传重组相冲突.为更好地识别蛋白质家族,提出了一种蛋白质序列家族挖掘算法ProFaM.ProFaM首先采用前缀投影策略挖掘表征蛋白质序列的模式,然后基于模式及其权重信息构造相似度度量函数,并采用共享最近邻方法,实现了蛋白质序列家族聚类.解决了以往方法在蛋白质模式挖掘及相似度设计中的不足.在蛋白质家族数据库Pfam上的实验结果证实了ProFaM算法在蛋白质家族分析上有良好的结果.     

基因序列内部特征与蛋白质对称结构的相关性分析

蛋白质的翻译是一个非常复杂且至关重要的生命过程。翻译速率会沿着mRNA上发生改变借以调控伴随翻译的蛋白质折叠,并对蛋白质的最终构象产生重要影响。本文以TIMbeta-alphabarrel折叠子中的两个不同物种HisA蛋白质为研究对象,初步分析了它们基因序列中局部密码子使用偏好、局部残基带电性分布、局部GC含量分布与蛋白质对称结构的相关性,探讨翻译过程中各种因素在蛋白质对称结构形成过程中的可能调控机制。结果表明,在两个不同物种的HisA蛋白质中,对称结构与密码子使用偏好、残基带电性以及GC含量都存在一定程度的相关性。     

一种新的蛋白质亚细胞定位预测方法

蛋白质亚细胞定位是蛋白质组学基本问题之一。某些类型蛋白质可能存在于两个或两个以上的亚细胞位置,这类蛋白质的亚细胞定位问题更为复杂。分别利用Gene Ontology和伪氨基酸成分法,将一条蛋白质表示为一实值向量;采纳多标记学习中的Ranking思想,计算出一得分向量V,该向量的每一分量的值表示被预测蛋白质属于某个亚细胞位置的概率;利用最近邻算法预测蛋白质所属亚细胞位置的个数n,得分向量V中得分最高的n个分量对应的亚细胞位置即为预测的位置。     

一种蛋白质复合体模块度函数及其识别算法

蛋白质复合体对于研究细胞活动具有重要意义.随着新的生物实验技术的不断出现,产生了大量的蛋白质相互作用网络.通过对蛋白质相互作用网络进行聚类识别蛋白质复合体是当前研究热点.然而,目前大多数蛋白质复合体识别算法的性能不够理想.为此,提出了蛋白质复合体模块度函数(PQ),并在此基础上提出了基于蛋白质复合体模块度函数的模块合并(based on protein complexes modularity function for merging modules,BMM)算法.BMM算法首先识别网络中一些稠密子图作为初始模块,然后依据PQ函数对这些初始模块进行合并,最终得到了质量较高的蛋白质复合体.将识别出的复合体分别与2种已知的蛋白质复合体数据集进行比对,结果表明BMM算法具有很好的识别性能.此外,与其他最新的识别算法相比,BMM算法的识别准确率较高.