蛋白质芯片技术的研究进展

蛋白质芯片技术是生物化学和分子生物学上具有较大作用的生物检测技术。该文简要综述了该技术的发展概况、基本原理及目前应用，并指出了存在的问题和发展前景。     

A generalized approach for protein design based on the relative entropy

In the present study, we have developed the method brought forward recently for protein design based on the relative entropy. The new approach can be used in more common situation other than the special limits in the anterior method. The results indicate that our generalized method has increased the prediction precision for protein sequence and will be in favor of the study for protein design.     

复杂的RNA与复杂的基因组

根据分子生物学的“中心法则”(central dogma)．遗传信息在几乎所有生物体内都是从DNA传递到RNA，然后再从RNA流向蛋白质。显然，RNA是一座“桥梁”，负责DNA和蛋白质之间信息的流通。在这个过程中，首先是将基因组DNA上的基因信息“复写”到一种称为mRNA的RNA分子上，然后再将mRNA含有的基因信息“翻译”为构成蛋白质的氨基酸序列。     

人载脂蛋白基因apoAI在毕赤氏酵母中的表达

将化学法合成的apoAI基因插入分泌型载体pPIC9K．将重组的pPIC9K—apoAI用BglⅡ酶切后，转化Pichia pastoris GS115菌株，筛选获得G418高抗性转化子．转化子经摇瓶发酵和甲醇诱导，上清液用SDS-PAGE检测，有明显的rApoAI表达．经Phenyl—sepharose 6(Fast Flow)疏水层析柱和Sephadex G-50(coarse)分子筛层析，得到rApoAI蛋白纯品．经Western blotting，N末端氮基酸顺序测定证明，毕赤氏酵母表达的rApoAI与人血浆提取的ApoAI基本一致．     

鹰嘴豆发芽过程中部分营养成分的变化规律

采用国家标准规定的方法,研究鹰嘴豆发芽过程中蛋白质、氨基酸、核黄素、异黄酮、膳食纤维的变化规律。结果表明,鹰嘴豆在发芽过程中蛋白质含量不断下降,由未发芽时的18.42%降低至第9天的13.50%。鹰嘴豆氨基酸的组成中,天冬氨酸、谷氨酸、精氨酸含量较多。在发芽过程中,谷氨酸和精氨酸含量有所下降,谷氨酸含量由未发芽时的3.50%下降为第9天的3.10%;精氨酸含量由未发芽时的2.25%下降为第9天的1.72%;天冬氨酸含量则不断上升,由最初的2.51%上升至第9天的4.73%。异黄酮在鹰嘴豆中含量丰富,在发芽过程,其含量由最初的106.44mg/100g,上升到第9天的806.00mg/100g;核黄素含量也由发芽前的1.44mg/100g上升至第7天的1.85mg/100g;可溶性膳食纤维含量显著提高,不溶性膳食纤维含量呈下降趋势。通过对鹰嘴豆发芽前后营养成分变化对比的研究,希望为鹰嘴豆功能食品的开发和利用提供理论依据。     

鲢鱼鱼鳞蛋白提取工艺研究

以鲢鱼鱼鳞为研究对象,研究了提取温度,提取时间,料液比对鱼鳞蛋白质提取率的影响,并进一步通过正交实验对其提取工艺进行了优化。研究结果表明:鱼鳞蛋白质提取率随着提取温度、提取时间、料液比的增加而提高。其提取的最佳条件是:提取温度90℃,提取时间6 h,料液比1:25,在此条件下鲢鱼鱼鳞蛋白质的提取率为77.41%。     

氨基酸序列分析揭示苯丙氨酸/酪氨酸解氨酶在陆生植物中的演化

苯丙烷途径在陆生植物木质素和黄酮类等次生代谢产物的生物合成中至关重要，其中一步必需的反应为苯丙氨酸解氨酶(PAL)将底物苯丙氨酸脱氨催化为下游产物。最新研究发现了能够同时催化苯丙氨酸和酪氨酸脱氨的双功能酶—苯丙氨酸/酪氨酸解氨酶(PTAL),但是对诸多问题，例如怎样精准鉴定PAL和PTAL、植物PAL演化为PTAL其氨基酸序列发生了什么变异、哪些植物类群包含PTAL等，仍属未知。为了探索PAL基因家族在陆生植物中的演化及关键变异，本研究利用PAL氨基酸全长序列构建了陆生植物不同类群系统发育树，比较和分析了PAL和PTAL氨基酸序列并模拟了其蛋白质三维构象。结果表明，以PAL氨基酸序列构建的系统发育树，能够反映已知陆生植物的系统关系，PAL和PTAL的氨基酸序列中存在着8个差异位点，其中121和123这两个关键位点非常稳定，可以联合用于准确鉴定包含PAL和PTAL的植物，并且I121L和F123H的关键变异，导致只能与苯丙氨酸结合的PAL演化为也能同时结合酪氨酸的PTAL。     

刺槐香菇与栎木香菇的质量比较

为评价刺槐香菇与传统栎木香菇的质量,比较分析了两者的多糖、蛋白质含量和高效液相特征图谱.结果表明:刺槐香菇的多糖含量明显高于传统栎木,与刺槐菌材的添加比例呈正相关;刺槐与传统栎木栽培的香菇蛋白质含量差异不明显;栎树、刺槐栽培香菇乙醇提取物的高效液相特征图谱很相似.故刺槐香菇与传统栎木香菇的质量基本一致.     

蛋白质和带电聚合物刷吸附行为的分子动力学模拟

通过分子动力学模拟了蛋白质与带电聚合物刷的吸附过程,研究了蛋白质带电密度、聚合物链的吸附密度,以及盐溶液对吸附的影响.模拟验证了实验结论:蛋白质产生吸附的条件,首先是其表面带电密度要足够大到在其表面产生离子凝聚,其次聚合物链的吸附密度要使得带电聚合物刷处在最有利于吸附产生的渗透区域,而随着盐离子的加入,吸附的蛋白质开始释放.     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。