神经退行性疾病相关蛋白的翻译后修饰

特定靶蛋白的翻译后修饰对其执行细胞功能有重要作用,是细胞对生长、分化和应激等信号刺激所产生的调节功能的一种反应.翻译后修饰包括磷酸化修饰、乙酰化、甲基化、泛素化、类泛素化等不同的修饰.在神经退行性疾病的研究中,翻译后修饰对疾病的发生和病理影响日益受到人们的重视,我们对磷酸化、泛素化和类泛素化(SUMO化)修饰与神经退行疾病的关系及本实验室的工作进行介绍.     

决策树算法预测人类病毒的蛋白质磷酸化位点

本文基于决策树分类算法构建人类病毒蛋白质磷酸化修饰位点的预测模型。采用氨基酸物理化学性质对蛋白质序列进行特征提取,并分析丝氨酸、苏氨酸和酪氨酸磷酸化位点邻近序列的氨基酸性质。同时考察了不同分类算法对预测结果的影响。通过10倍交叉验证,利用决策树算法预测丝氨酸、苏氨酸和酪氨酸磷酸化位点的MCC分别达到77.31%、75.91%和71.94%,表明本文提出的方法能有效地预测人类病毒的磷酸化修饰位点。     

非天然氨基酸修饰蛋白质研究进展

蛋白质修饰是改善其物理化学和生物学特性的一种重要方法,目前已成为生物技术、生物催化和生物医学领域的研究热点.非天然氨基酸在蛋白质修饰中表现突出.介绍了非天然氨基酸种类及修饰方法,概述了其应用领域,以期为扩大利用此方法者提供参考.     

使用多特征预测蛋白质棕榈化位点

采用改进的氨基酸组成、SARAH1疏水尺度值、改进的二肽频率特征、间隔氨基酸对组成特征、蛋白质物理化学性质的自相关函数特征值表征给定的蛋白质序列段,然后用小波频谱来提取特征参数值,用支持向量机来预测棕榈酰化位点。模型查准率为0.880,查全率为0.859,F值为0.869,ROC曲线的面积为0.87。研究结果表明,使用多特征预测蛋白质棕榈化位点方法达到了现有预测算法的水平,能够较准确地预测蛋白质棕榈化位点。     

一种预测判断蛋白质与DNA相互作用位点的新方法

蛋白质-DNA相互作用位点在各类生理生化反应中扮演重要角色.本论文旨在构建一种可以准确预测“相互作用位点”的方法：PdDNA，其内容主要包括支持向量机和序列匹配器.支持向量机通过提取相互作用位点中心残基的特征进行训练并分类，序列匹配器则通过蛋白质特征矩阵（PSSM）对氨基酸序列进行相关性评估，对二者结果进行归一化整合，得到最终的预测结果.利用公开数据集PDNA_62，我们的PdDNA预测准确率为86.87%.为进一步验证PdDNA可靠性，我们还自建了PDNA_224数据集，其预测准确率为83.07%，处于较高水平.因此PdDNA是一种有效的“蛋白质-DNA相互作用位点”预测方法.     

利用CRISPR/Cas9慢病毒系统敲除人源HOIP基因

泛素化修饰是一种能调节诸多细胞功能的重要蛋白质翻译后修饰,近几年研究发现了一种新的泛素化修饰即线性泛素化修饰,LUBAC(linear ubiquitin chain assembly complex)是目前已知唯一的导致蛋白质发生线性泛素化修饰的E3酶。目前LUBAC复合物的底物和功能所知甚少。为了探索LUBAC复合物新的底物和功能,利用CRISPR/Cas9慢病毒系统构建稳定敲除LUBAC核心组分HOIP基因的HeLa细胞系,通过质谱鉴定此细胞系和对照细胞的差异泛素化修饰蛋白质,即可能是LUBAC新的底物。首先将靶向HOIP基因的不同CRISPR序列插入lenti CRISPRv2载体中,制备慢病毒质粒感染He La细胞,然后使用嘌呤霉素压力筛选,用Western Blot方法检测HOIP基因的敲除效果,最后成功地构建HOIP基因稳定敲除HeLa细胞系。此稳定细胞系的构建为日后深入研究LUBAC的功能提供一个人类细胞模型。     

不同方法修饰玻璃表面制备蛋白质芯片的对比

分别采用3-氨基丙基-三甲氧基硅烷、戊二醛、多聚赖氨酸、聚丙烯酰胺、琼脂糖、硝化纤维修饰玻璃表面,对6种不同修饰表面制备的蛋白质芯片进行对比研究,探讨制备蛋白质芯片的合适玻璃表面修饰方法.利用原子力学显微镜对其表面进行表征,通过点样蛋白于修饰后的玻片表面制备蛋白质芯片,比较不同修饰表面对蛋白质的固定效率和固定效果.结果发现:氨基、醛基、聚赖氨酸修饰玻片为二维平面结构,琼脂糖、聚丙烯酰胺、硝化纤维修饰玻片其表面不仅有多孔结构,而且有一定厚度;琼脂糖修饰玻片所得的荧光强度最高,背景较低,是一种理想的制备蛋白质芯片的表面修饰方法.     

人类病毒蛋白质磷酸化修饰位点的识别研究

蛋白质磷酸化翻译后修饰在病毒的复制和抑制宿主细胞功能方面发挥重要的作用。然而,利用实验的方法识别磷酸化位点既费时费力又耗财。因此基于蛋白质氨基酸序列发展一种机器学习方法对病毒蛋白磷酸化位点进行预测显得非常有必要。研究结合支持向量机提出识别病毒蛋白磷酸化位点的新方法。采用权重氨基酸成分和属性分组编码对病毒蛋白残基的氨基酸物理化学性质和序列信息进行特征提取,通过10倍交叉验证,丝氨酸、苏氨酸和酪氨酸磷酸化位点的预测准确率分别达到82.0%、85.8%和92.4%。运用该预测模型对丝氨酸残基磷酸化的激酶组进行分类评估,CMGC、AGC和CAMK激酶组的马氏相关系数分别达到69.3%、68.8%和68.2%。结果表明:构建的方法可以有效地预测激酶特异性的磷酸化位点。     

基于组合特征集成的蛋白质相互作用位点预测

运用RBF神经网络预测蛋白质相互作用位点.首先提取序列谱、保守权重、熵值、复合物可及表面积和序列变化率等一系列蛋白质相互作用位点的关键特征.然后应用RBF神经网络以及它们的集成来对这些样本集进行训练与测试.使用10次交叉验证进行训练与测试,创建了4组具有对比性的蛋白质相互作用特征组合.实验中每加入一种新的特征时正确预测率都会相应的提高,特别是加入可及表面积和序列变化率特征时正确率提高幅度更大,表明利用多特征组合,结合RBF神经网络算法进行预测蛋白质相互作用位点的方法是正确有效的.     

一种基于最优局部信息融合的蛋白质-亚细胞定位预测方法

 基于蛋白质的合成及分选机制,提出了一种新的蛋白质亚细胞定位预测方法。先采用遍历搜索技术,找出各种亚细胞蛋白质序列分选信号和成熟蛋白质之间的最佳分割位点,把蛋白质序列分为两条子序列,计算这两条子序列中的氨基酸组份并将它们融合起来作为整条蛋白质序列的特征,然后构造用于识别每类蛋白质的最佳子分类器,再根据最大化原则组建集成分类器。在NNPSL数据集上,采用5重交叉验证方法对本文方法进行测试,原核和真核两个蛋白质序列子集分别取得94.1%和87.5%的总体预测精度。同时,此方法在一些蛋白质序列中找到的分割位点与真实生物现象相吻合,能为预测蛋白质序列的剪切位点提供参考信息。     

基于一种新型马尔科夫模型的预测蛋白质亚细胞位点的方法

亚细胞位点是蛋白质很重要的功能特征.找到一种有效的、可信度高的预测蛋白质位点的方法是很必要的.提出了一种基于马尔科夫模型的改进预测方法.首先,对于一条给定的蛋白质序列,通过计算在马尔科夫模型下20个氨基酸残基的状态转移矩阵,建立一个420维的特征向量,然后利用支持向量机进行训练和预测,最后夹克刀检验证实了该方法的预测精度与以前的马尔科夫模型相比得到了一定的提高.     

氨基酸约化分类对亚线粒体蛋白定位的预测

在Du和Li构建的首个亚线粒体定位数据库基础上,将线粒体蛋白依据亚线粒体位置细分为四大类进行预测.对基于氨基酸的亲疏水特征、物理化学特征和结构特征的蛋白质序列约化信息做出讨论.给出在单肽组分和六类亲疏水约化情形下的蛋白质序列最佳分割位点,结果不仅符合真实生物学现象而且范围更加精确,可为相关实验研究提供参考.提出了最佳组合参数,该参数是ω=0.10,λ=22时亲疏水残基指数值及平行相关形式的伪氨基酸组分结合全序列单肽组分,利用支持向量机算法进行预测,达到了较好的预测结果.利用本文提出的最佳组合参数对未知蛋白序列进行检验,结果显示有一定注释作用,特别是对于Inner membrane类和Matrix类的预测精度较高.     

基于多窗口不同特征的蛋白质相互作用位点预测

识别蛋白质相互作用位点在蛋白质功能研究中发挥着重要作用.文章从蛋白质序列出发,提取相关特征——序列谱、序列谱+信息熵,分别形成多个滑动窗口,以此构造输入特征向量.采用"留一法"生成训练数据集和测试数据集,使用支持向量机构建6种分类器,预测测试集中的表面残基是否是蛋白质相互作用位点,得到了较好的结果,说明了实验方法的有效性和可行性.     

基于Cp-曲线的蛋白质序列相似性分析

蛋白质是生物体内行使重要功能的生物大分子.蛋白质的功能是由其空间结构决定的,而蛋白质的空间结构取决于其一级序列.因此,研究蛋白质的氨基酸序列就成为蛋白质结构预测的前提和基础,并已经成为生物学家关注的主要研究内容之一.主要介绍基于20种氨基酸的一种5-L模型,将蛋白质序列粗粒化为5-L序列,进而给出蛋白质序列的一种3-D图形表示,称之为Cp曲线.将Cp曲线转化为容易比较的序列不变量,并在此基础上对11个物种β-球蛋白质序列进行相似性分析.     

人类Batten病基因CLN3及其突变的生物信息学分析

利用生物信息学方法对与儿童蜡样质脂褐质沉积症(NCLs)相关基因CLN3的结构进行了深入的分析.根据CLN3的Mrna序列对其进行了染色体精确定位,确定CLN3的ORF及其外显子的位置;分析CLN3蛋白质(CLN 3P)结构特点和修饰位点,并明确近缘种及远缘种的保守区域和突变致病的关系.结果表明,CLN3位于人类16号染色体的短臂(16(p12.1～p11.2));基因全长为14804bp,包含15个外显子和14个内含子,ORF长度1317bp,编码438个氨基酸.蛋白质功能域分析表明,CLN 3P是一种分子量为43kDa的高度糖基化的溶酶体膜蛋白,该蛋白存在酰基化、糖基化和多种磷酸化修饰位点,在近缘的CLN 3P中存在高度保守的区域,进一步对10个远缘蛋白的多序列进行比对,发现了该蛋白质中最为保守的区域;45种CLN 3P的突变分析显示,主要的突变位于101、161～162、170、187、199、211、295、327、330、334、352等12个氨基酸位点,这些突变几乎发生在保守区域,突变还表现出一定的分布特点及地区差异,说明保守序列的突变是该疾病产生的重要原因,为该病的分子诊断提供了依据.     

草酸青霉外切葡聚糖酶CBHⅠ基因的克隆

以草酸青霉SJ1菌株的基因组DNA和总RNA,利用PCR和RT-PCR技术进行扩增得到外切葡聚糖酶CBHⅠ(ExocellobiohydrolaseⅠ)基因的序列.CBHⅠ基因DNA序列全长1 638 bp,无内含子,编码545个氨基酸的多肽,推测其蛋白分子大小约为57 ku,蛋白的p I值为4.90.预测结果表明,CBHⅠ是一种很强疏水性的蛋白,具有43个磷酸化修饰位点,蛋白质三级结构以β-折叠为主,根据蛋白质序列比对分析,推测E236、D238和E241这3个氨基酸为酶的活性位点,为后续利用分子改造方法提高青霉产纤维素酶的能力提供理论依据.     

蛋白质二级结构中对应的密码子关联的进一步讨论

从概率论的角度出发,以人和大肠杆菌蛋白质为模式,研究了蛋白质二级结构中有显著统计意义的mRNA序列上的密码子上下文关联,以及蛋白质序列上的氨基酸上下文关联.从而给出了99%置信水平上的各二级结构中的反常密码子上下文关联偏好型.为了进一步检查反常密码子关联对二级结构的影响是否有位点保守性,研究了密码子上下文关联以及氨基酸上下文关联与二级结构位点的关系,结果显示反常密码子关联与二级结构位点没有强关联.所得结果可以给出哪些密码子的上下文关联对蛋白质二级结构有影响,且对改进蛋白质二级结构的预测有一定的参考价值.     

基于小波变换的蛋白质与DNA相互作用的计算机预测

蛋白质与DNA的相互作用在细胞的转录调控和DNA修饰等活动中至关重要.将改进的共鸣识别模型应用于预测酵母蛋白质与DNA的相互作用,运用小波变换找出阳性数据和随机数据的信噪比分布的差异,并通过阈值的选取达到了较好的预测结果.同时,将阳性数据与相应复合物的序列进行序列联配,找到了保守位点,进而从结合位点的角度验证了本方法的正确性.     

一种混合深度神经网络的赖氨酸乙酰化位点预测方法

赖氨酸乙酰化(Lysine acetylation,Kace)普遍存在于人体代谢酶中,与多种代谢疾病密切相关,因此准确识别该位点对于代谢疾病治疗的研究具有重要意义.现有的Kace位点预测方法大多采用蛋白质序列层面的信息作为输入,蛋白质结构特性考虑不全面;特征提取时未关注氨基酸残基间顺序相关性,信息丢失严重,降低了预测准确度.提出一种新的Kace位点预测深度学习CL-Kace模型. CL-Kace引入蛋白质结构特性,并与蛋白质原始序列、氨基酸理化属性共同构建位点特征空间,采用卷积神经网络(Convolutional Neural Network,CNN)提取特征;引入双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获残基间的顺序依赖关系,以提高网络的抽象能力,识别潜在的Kace位点.实验结果表明,CL-Kace模型优于现有的Kace位点预测器,能够有效地预测潜在的位点.     

基于ProtBert预训练模型的HLA-Ⅰ和多肽的结合预测算法

针对现有的第Ⅰ类HLA(HLA-Ⅰ)分子与多肽结合亲和力预测算法在特征构造时依赖传统序列评分函数的问题,为突破用经典机器学习算法构造氨基酸序列特征的局限性,提出一种基于蛋白质预训练模型ProtBert的HLA-Ⅰ与多肽的结合预测算法ProHLAⅠ.该算法利用生命体语言与文本语言在组成上的共性,将氨基酸序列类比句子,通过整合ProtBert预训练模型、 BiLSTM编码和注意力机制的网络结构优势,对HLA-Ⅰ序列和多肽序列进行特征提取,从而实现HLA-Ⅰ独立于位点的多肽结合预测.实验结果表明,该模型在两组独立测试集中均取得了最优性能.