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。     

计算机进行细菌鉴定的编码法及其软件设计

本文介绍了计算机进行细菌鉴定的编码法原理以及在IBM－PC上实施编码的软件设计。     

基于改进的模拟退火算法的蛋白质折叠研究

采用改进的模拟退火算法,搜索出最小自由能的蛋白质的三维结构,并根据组成该蛋白质的每个氨基酸的空间位置和属性,利用Java3D技术对其结构进行仿真。计算结果证明,该方法能在较短的时间内根据蛋白质的二级结构预测出其最小自由能的蛋白质的三维结构,其效率优于目前经常采用的遗传算法和模拟退火算法。     

基于蛋白质结构域特异性的关键蛋白质识别算法

关键蛋白质的识别对于理解细胞的生长调控过程、疾病研究和药物设计等方面具有重要的意义。随着高通量技术的发展,越来越多的蛋白质相互作用数据被获取,使得可以从网络水平上研究关键蛋白质。目前,许多基于蛋白质网络拓扑特征的算法被提出,但是这类方法忽略了蛋白质网络的生物信息和假阴性、假阳性数据的影响。因此,论文通过结合蛋白质结构域和蛋白质网络的拓扑特征提出了一种新的算法Do-ECC。实验结果表明,Do-ECC明显优于其他8种算法(D C,BC,CC,SC,EC,IC,LAC,NC)。     

基于K-近邻算法预测蛋白质热稳定性的研究

基于一级结构信息预测蛋白质热稳定性,对于利用计算机筛选热稳定性蛋白具有重要意义。本文采用k-近邻算法从序列出发预测蛋白质的热稳定性,用自一致性检验、交叉验证和独立样本测试等三种方法评估。仅用20种氨基酸组成作为特征变量时,识别的正确率分别可达100%,87.7%和89.6%;而引入8个新变量后,其精度分别为100%,89.6%和90.2%,对小蛋白质分子识别的精度提高了2.4%。同时探讨了蛋白质分子大小对识别效果的影响。     

基于细菌视紫红质薄膜的三值光学数据存储研究

为了解决三值光计算机对线偏振光的直接存储问题,提出了一种基于细菌视紫红质薄膜的三值偏振全息数字光学存储方法。采用He-Ne激光器为记录和读出光源,以双层液晶和偏振器为核心的调制器为三值数据的输入部件、以双CCD为核心的解调器为数据读出部件,采用傅里叶变换全息记录的方法,在细菌视紫红质薄膜上实现三值数字光学数据存储。该方法具有以下特点：直接存储用光束的正交线偏振态和无光态表示的三值信息;以页面为单位的并行寻址和读写操作;高数据存储容量（存储面密度达2×10^8bit/cm^2）。     

一种蛋白质点突变计算机预测的并行模型

认识和预测蛋白质天然构象的波动对蛋白质-蛋白质对接和设计等应用是非常重要的.但是许多骨架柔性的方法会导致骨架较大幅度的波动.Backrub模型能够对骨架进行微小的扰动,符合高分辨率晶体结构中观察到的构象的微妙变化.本文提出了一种基于Backrub的并行扰动骨架和侧链的模型,可以对天然构象的等价状态进行模拟.这种并行扰动方式更加接近于真实情况下蛋白质构象的运动方式,更好地模拟了实验数据.通过预测10个点突变实例,相比串行随机扰动模型产生的构象,并行模型不仅从时间上提高了产生构象的速度,更提高了侧链的预测精度.     

基于蛋白质CGR的线粒体蛋白质序列比对

利用蛋白质混沌游走表示法（PCGR）提出一种新的蛋白质序列比对方法。通过计算两序列之间的PCGR点距离,就可以找到所有的局部相似片断。根据氨基酸的化学物理性质把氨基酸分成4和7类,针对分类与无分类的各种情况进行蛋白质序列比对。为了更直观地描述比对结果,采用点阵图来表示比对数据,不仅能显示两序列间所有相同片断,还可以体现出序列的相似性。     

空中手书幻想

不需要鼠标、键盘，甚至接触，计算机会“看到”你想告诉它的一切——在微软的“未来科技”布局里，识别空中手书是一幕关于人机互动的奇幻片段。     

计算机免疫系统中抗体的能量表达

为了表达计算机免疫系统中抗体的状态,借鉴从生物免疫系统中抽象出的形式蛋白质能量表达的基本思想,结合计算机免疫系统的特性,引入生物学同源性的概念,从而将抗体的结合能建立在抗原同源性的基础上,进而提出了抗体的能量.抗体的能量表达算式简单、实用,可以更加精确地确定抗体的状态,表达免疫记忆的强度,确定抗体的生命周期.     

蛋白质结构比较的研究

本文对当前蛋白质结构比较研究的现状进行跟踪。介绍了蛋白质结构比较的原始算法以及结构比对的现状,并对应用于结构比较中的各种方法进行简评。由于相关统一的评价标准还没形成,因此很难对各种算法本身进行准确到位的评估,不过,各种算法的提出为蛋白质领域的相关研究奠定了坚实的基础,它们帮助人们从各个侧面对蛋白质进行深入了解,在蛋白质组学里发挥着越来越重要的作用。     

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.     

基于多序列特征提取的蛋白质相互作用预测

考虑到现有的基于序列的蛋白质相互作用预测方法均采用单一的特征提取方法,具有一定的局限性,提出一种方法。用元学习策略作为分类器融合策略,并集成多种蛋白质序列特征提取方法。在10 702对酿酒酵母蛋白质对数据集上,得到97.28%的预测精度,优于目前现有方法的平均水平,在独立测试集上同样具有优秀的表现,实验结果表明,该方法有效提高了蛋白质相互作用预测的准确率。     

基于改进的PSO算法的关键蛋白质识别方法研究

关键蛋白质是生物体内维持所有生命活动最重要的物质基础。随着高通量技术的发展,如何从蛋白质相互作用网络中识别出关键蛋白质成为目前蛋白质组学的研究热点。针对大部分现有方法仅仅基于网络拓扑结构信息进行识别以及蛋白质相互作用数据假阳性高的问题,提出了改进的粒子群算法来识别关键蛋白质。通过综合考虑网络拓扑结构特性和多源生物属性信息构建了高质量的加权网络,还考虑使用蛋白质节点间联系的紧密程度来衡量蛋白质的关键性,并扩展局部网络拓扑至二阶邻居,大大提高了预测的准确率。提出了衡量top-p关键蛋白质的整体性指标,降低了计算复杂度。在标准数据集上的实验结果表明,与其他经典算法相比,所提算法更具优势,能够识别出更多的蛋白质,具有较高的准确率。     

蛋白质功能模块检测的聚类方法综述

在蛋白质相互作用（Protein-Protein Interaction，PPI）网络中检测蛋白质功能模块有助于预测未知蛋白质的功能模块。随着蛋白质相互作用有效数据迅速增长，如何通过PPI网络获得有效的蛋白质功能模块成为最大挑战。阐述PPI网络的发展及现状，通过对当前蛋白质功能模块检测算法进行归纳总结，把它们分为单元聚类和多元聚类，并对每类的代表性方法进行详细阐述；讨论蛋白质相互作用网络功能模块检测研究所面临的挑战及未来研究方向。     

DNA结合蛋白质的AFM图像分析

原子力显微镜（atomic force microscope，AFM）在研究DNA与蛋白质的相互作用方面具有重要的应用。本文对DNA结合蛋白的AFM图像的分析方法进行了研究，通过分析DNA及其与蛋白结合的AFM图像，我们可以计算出已各序列DNA的长度及其未知DNA结合蛋白质在DNA链上的位置信息，从而可以估计该蛋白质的DNA结合位点序列。结果证明对AFM图像的分析可以得到DNA结合蛋白的位置信息。该研究对于寻找新的DNA结合蛋白，研究生物体中遗传信息的复制、转录、修复和重组的分子生物学机制具有重要意义。     

基于时序加权PPI网络的关键蛋白质识别

关键蛋白质是生物体内一切生命活动中不可缺少的物质基础,关键蛋白质的识别不仅可以从理论上理解生命活动机理,同时在实际应用中为药物研制、疾病治疗提供重要基础。目前,现有的关键蛋白质识别算法大多应用在静态PPI网络上,忽略了蛋白质的动态性和保守性,只考虑网络拓扑结构,忽略了蛋白质的生物特性,并且未能完全解决PPI网络中假阳性和假阴性问题。针对以上问题,构建一种混合动态保守蛋白质的时序加权PPI网络,并提出一种名为JTBC（Joint Topological properties,Biological properties and Complexes information）的关键蛋白质识别算法。利用基因表达数据提取动态蛋白质和保守蛋白质的活性信息,以动态调整静态PPI网络进而构建时序PPI网络,有效降低了PPI网络中的假阴性;设计一种融合双重拓扑特性的点边凝聚度DEcc（node and edge cohesion coefficient）,以衡量蛋白质在PPI网络中的拓扑特性,再结合带有生物特性的蛋白质结构域信息和皮尔逊相关系数为时序PPI网络加权,以准确描述蛋白质之间的相互作用,减少了假阳性的影响;根据关键蛋白质的聚集特性和共表达特性,设计一种共表达复合物中心性方法局部评估蛋白质的重要程度。综上考虑,整合权重信息和蛋白质复合物信息来综合衡量蛋白质的关键性。实验结果表明该算法能够从全局和局部特性较准确地识别关键蛋白质。