青黛作用于急性幼粒细胞白血病的可视化“药靶蛋白模型”分析

目的:目前青黛已是治疗急性幼粒细胞白血病(APL)的临床有效药物,但其分子机制与物质基础仍不明确。基于此本研究构建青黛与APL可视化药靶蛋白模型,以探究青黛作用于APL的分子机制。方法:通过GEO数据库检索APL微阵列芯片分析APL差异表达基因,使用TCMSP数据库筛选青黛活性成分,结合PubChem和SwissTargetPrediction匹配活性成分的靶基因并进行富集分析。String用于挖掘并构建APL可视化蛋白互作数据,将其读入Cytoscape,通过Centiscape实现网络拓扑分析。综合APL差异表达基因,通过Sybyl与青黛活性成分构建药靶蛋白模型。结果:筛选出3张APL微阵列芯片,164个差异表达基因,9种青黛活性成分,541个靶基因,这些靶点较多地参与细胞凋亡、药物结合、癌症途径、慢性粒细胞白血病等,这些都在APL中起重要作用。拓扑分析显示ELANE,CTSS为核心基因,将其与青黛9种活性成分进行药靶蛋白模型预测,显示靛玉红和靛蓝与核心基因结合度最佳。结论:APL是受多基因调控的复杂疾病,而青黛成分中靛玉红和靛蓝可通过结合ELANE,CTSS作用于APL的发生发展。

头颈部鳞状细胞癌蛋白预后风险模型的构建

目的构建头颈部鳞状细胞癌(HNSCC)的蛋白预后风险模型。方法从癌症基因组图谱(TCGA)中下载HNSCC的蛋白表达数据和临床数据,筛选预后相关蛋白,评估蛋白质预后风险模型,分析其共表达蛋白。结果NF2、TFRC、IRF1、INPP4B、PAX8、Granzyme-B和HEREGULIN被认为是特征蛋白。Granzyme-B、HEREGULIN、NF2和PAX8被纳入蛋白预后风险模型。HNSCC患者Kaplan-Meier生存分析,结果显示高风险组和低风险组患者预后差异具有统计学意义(P<0.001),在模型构建组中进行生存分析,结果显示模型构建组中高危组和低危组患者预后差异具有统计学意义(P<0.001),验证组中也得到了相同的结论(P=0.020)。NF2、PAX8、HEREGULIN和Granzyme-B的表达与HNSCC患者的预后有独立相关性,通过COX单因素及多因素分析蛋白预后风险模型可以独立于其他临床性状进行HNSCC患者预后分析。蛋白预后风险模型的预测1年、3年、5年生存期的曲线下面积分别为0.776、0.826、0.760,蛋白预后风险模型的独立预测能力明显好于其他临床性状。结论本次研究构建的HNSCC蛋白预后风险模型具有良好的敏感性和特异性。

基于多结构深度学习的蛋白质模型细化方法

为了进一步改善AlphaFold2蛋白质结构模型的质量,本文提出了一种基于深度学习捕捉多结构之间互补信息的蛋白质模型细化方法MSDRefine.首先,MSDRefine从初始结构出发,搜索多序列比对信息并提取位置特异性打分矩阵和协方差矩阵;同时从多个结构中提取残基的LDDT、USR、结构谱等特征.其次,设计了一个深度残差神经网络,学习多个结构间的互补信息来预测蛋白质残基间的距离分布.最后,将距离分布转化为势能函数用于能量极小化的模型细化.在150个测试蛋白上,MSDRefine在不依赖于多结构信息的条件下,细化模型的TM-score相比于DeepRefiner和GNNRefine分别提升了8.8%和5.7%.在47个CAMEO蛋白上,MSDRefine融合了AlphaFold2和RoseTTAFold的结构信息,大幅度提升了初始结构的精度,并优于AlphaFold2模型.

基于深度学习和蛋白质语言模型的抗菌肽预测模型研究

针对目前已有抗菌肽(Antimicrobial Peptides,AMPs)预测模型的准确度(ACC)仍有待提高的问题,提出一种新的基于深度学习和蛋白质语言模型的抗菌肽预测模型DeepGlap,该模型分别采用两个蛋白质语言模型对抗菌肽序列进行特征提取,将提取的特征向量融合后输入由多层双向长短记忆网络(mBi-LSTM)、一维卷积神经网络(1D-CNN)和注意力机制组成的深度学习网络中,并进行性能评估与优化。结果表明:该模型的ACC、皮尔逊相关系数(MCC)和曲线下的面积(AUC)分别为0.739、0.489和0.81,优于已有抗菌肽预测模型的预测效果。

融合蛋白质语言模型与深度神经网络的植物蛋白质相互作用预测研究

预测植物中的蛋白质-蛋白质相互作用(PPI)具有重要的生物学意义。同时采用了4种编码方法及深度神经网络构建了蛋白质相互作用预测模型。结果表明,提出的融合蛋白质语言模型Ankh与深度神经网络的方法构建的PPI预测模型性能在3种植物数据集上均获得了最优的AUPR和AUC值,Sen及MCC值也均优于其他4种蛋白质相互作用预测模型。当模型在水稻、大豆的植物PPI数据集上进行测试时,所提出的模型AUPR值分别为0.8025、0.7301,AUC值分别为0.9562、0.9507。这些优异的结果表明,融合蛋白质语言模型Ankh的PPI模型可以作为植物蛋白质相互作用预测的一个有前途的工具。

基于图注意力和蛋白质语言模型的药物靶标亲和力预测

在新药研发中,药物与靶标的结合亲和力是一个关键指标,对于它的准确预测对加速药物筛选至关重要。近年来,随着深度学习技术的应用,药物与靶标的结合亲和力预测取得了显著进步,受到了广泛关注。然而,现有方法大多忽略药物的结构信息,且缺乏学习蛋白质的序列与结构之间的深层模式,导致预测性能受限。针对该问题,本文提出了一种新的方法,它结合了图注意力网络和蛋白质语言模型,以更有效地表征药物和蛋白质。本文在两个公开的数据集上进行了实验,并与其他同类方法进行了比较。实验结果显示,本文提出的方法能够显著提升预测准确率,这证明了本文提出的方法的有效性。

蛋白质结构模型质量评估方法综述

蛋白质模型质量评估方法是蛋白质结构预测的关键技术,自CASP7以来一直是结构生物信息学领域的研究热点.模型质量评估方法不仅可以指导蛋白质结构模型的精修,还能够从多个候选构象中筛选出最佳模型,具有重要的生物学研究和实际应用价值.本文首先回顾了国际蛋白质结构预测关键评估竞赛(CASP)、全球持续蛋白质结构预测竞赛(CAMEO)以及单体蛋白和复合物的模型评估指标,主要梳理了近5年来包括共识方法(多模型方法)、准单模型方法和单模型方法在内的模型质量评估方法的发展历程,并介绍CASP15中的复合物模型评估方法;鉴于深度学习在蛋白质预测领域所取得的巨大进展,重点分析了深度学习在单模型方法数据集生成、蛋白质特征提取以及网络架构构建方面的深入应用,并进一步介绍了本课题组近年来在模型质量评估方面开展的工作;最后,总结分析了目前蛋白质模型质量评估技术的局限性及所面临的挑战,并对未来发展趋势进行了展望.

一种3D打印蛋白质模型的方法及其在教学中的应用

本文报道了一种3D打印蛋白质模型的方法,得到了一系列不同的蛋白质模型。这些模型可作为可视化教具,帮助学生理解蛋白质多级结构、蛋白质折叠、蛋白质-蛋白质相互作用等相关知识点,同时也可作为艺术展示教具应用于科学交流与科普宣传。

基于注意力机制的奶牛乳蛋白预测模型研究

机器学习在动物生理预测方面取得良好的效果,但在处理具有局限性的时序问题上未能得到深入应用。文章通过环境数据对乳蛋白进行预测研究,根据数据的时序特点,对双向门控循环神经单元的网络结构进行重新设计,设计了一种基于注意力机制的正反向交替的门控循环神经网络(LG)预测模型,实验验证模型在精度上和速度上都优于其他模型,所挖掘的关键指标有助于深入理解对奶牛生理情况的影响,进而有效提升养殖效益。

基于预训练蛋白质语言模型的氨基酸致病突变预测

依赖于临床标签的氨基酸致病突变预测方法通常由于标签存在跨基因的偏差、稀疏噪声等因素,出现性能膨胀的情况.为解决此问题,创新地在不需要标签的情况下,利用预训练蛋白质语言模型计算ClinVar数据库中突变位点的氨基酸概率分布,并基于此分布构造突变型与野生型氨基酸出现概率的对数优势比(LOR),使用一种全局-局部结合的高斯混合模型拟合LOR,从而无监督地计算突变致病效应概率分数(PPE)并推断致病性,最后给出预测的不确定性度量.使用与深度突变扫描(DMS)实验的相关性作为评估指标以避免标签泄漏等问题.模型评估结果验证PPE具有稳健的致病性预测性能,在2458个蛋白质上的接收者操作特征曲线下面积(AUC)平均值约为0.89,与4种DMS实验的平均斯皮尔曼相关系数约为0.44,优于大部分依赖标签的计算方法,且与高通量实验的性能相当.该研究为遗传变异的解释、疾病的研究、诊断和临床治疗提供了可靠的辅助工具.

基于动态图卷积与迁移学习的蛋白质质量评估

蛋白质质量评估是指对计算手段预测的蛋白质模型进行评分,从而挑选更接近天然结构的优秀模型。图结构可直观表示蛋白质模型,因此近年来图卷积神经网络(GCN)在质量评估领域得到了广泛应用,然而图节点的固定邻接关系限制了GCN对节点特征深入挖掘的能力。为此,提出一种动态图卷积的质量评估方法 DGCQA,预测蛋白质模型的全局质量分数。该方法根据节点的特征距离动态获取邻域,结合多尺度卷积模块提取残基对特征,以增强网络的表达能力。此外,基于迁移学习思想,引入蛋白质预训练模型ESM-1b编码特征,使DGCQA在多个指标上的表现有所提升。实验表明,所提方法相较于CASP13数据集的12种质量评估方法,具有很强的竞争力。

全身麻醉药在蛋白模型和离子通道的分子靶位及变构调节机制

背景全麻药地氟醚和丙泊酚与原核细胞膜中的五聚体配体门控型离子通道（pentameric ligand-gated ion channels，pLGICs）复合体的结晶结构，为研究全麻药与大脑pLGICs变构调节部位之间的相互作用提供了一个新奇的结构框架，使全麻药作用机制的变构调节学说有了许多新的实验支持。目的概述全麻药作用的分子靶位及变构调节机制。内容简介“变构”（“allosteric”）一词的由来及发展，阐述麻醉药在蛋白模型和离子通道的分子靶位及调节机制，提出麻醉药在pLGICs的分子靶位有两个关键结合位点，分别通过影响受体的亲和力或直接对受体发挥作用，而影响受体亲和力的主要分子机制是变构调节。趋势随着科技的发展及许多新技术和新方法的应用，全麻药在中枢神经系统的各种分子靶位及调节机制将逐步得到破解。

二维蛋白质模型分子在折叠过程中的构象研究

蛋白质在折叠过程中其构象要发生明显变化 .采用精确计数法 ,计算了在蛋白质折叠的不同阶段其尺寸大小及其分布情况 .发现在折叠的初期 ,分子的尺寸比较大 ,其分布也比较宽 .在折叠的后期 ,分子的尺寸比较小 ,其分布比较窄 .不同的氨基酸序列 ,其分子尺寸的分布也不同 .对于可折叠的氨基酸序列 ,在平均尺寸大小附近出现的几率特别大 .同时还计算了比值SN DN.这里SN 为可设计序列数目 (Thenumberofdesigningsequences) ,DN 为可设计构象数目 (Thenumberofdesignableconformations) ,并有关系- 1 6 8 4 +0 32 5 5N≤SN DN ≤- 0 86 6 4 +0 312 5N (N ≥ 13)

一种快速比较蛋白质结构预测模型相似性的方法

根据相同立体结构中的各部分只需一个旋转矩阵就能将两者叠合在一起的基本原理,对原有的结构比较方法作了改进,使其比较速度得到很大提高。尤其是对相似蛋白质结构的比较,速度的提高更为显著。由于在蛋白质天然构象的一致性分析中,模型结构之间的比较是其计算时间的瓶颈,因此本法对提高一致分析方法的计算效率有着重要的意义。

蛋白质模型化合物PEG对钾离子吸附研究

本文利用Ｋ＋选择电极来研究蛋白质模型化合物聚乙二醇（ＰＥＧ）在水溶液中对Ｋ＋的吸附行为。实验表明：在本体系中Ｋ＋并不完全以游离状态存在，部分Ｋ＋呈吸附缔合状态，并随实验条件而变化。ＰＥＧ对Ｋ＋的吸附同冠醚相似，基本上以８～１１个醚氧吸附缔合一个Ｋ＋。当ＰＥＧ分子量较大时，由于受到空间位阻或形成“冠醚”串时连接部分的需要，相对平均就要１１个醚氧才能吸附缔合一个Ｋ＋。同时Ｋ＋与Ｈ＋间存在着竞争吸附平衡。

杜×长×大生长育肥猪体蛋白沉积模型及氨基酸需要量预测的研究

为了验证NRC(1998)生长模型的参数对中国杜×长×大生长育肥猪的适用性并确定其氨基酸需要量,试验选用体重约20kg的杜×长×大公猪和母猪各27头,通过饲养试验和屠宰试验测定了20～35、35～50、50～80、80～100kg阶段猪的生长性能、无脂瘦肉生长指数,并预测其氨基酸需要量。试验结果表明:试验猪的全期日增重、日采食量、料重比分别为782、2147g/d和2.739;试验猪全期胴体无脂瘦肉生长指数为312.1g/d;体蛋白沉积动态模型为公猪Y(g/d)=74.588+1.5375BW-0.0104BW2(R2=0.9085);母猪Y(g/d)=77.753+1.4617BW-0.0119BW2(R2=0.8375);真可消化赖氨酸需要模型为公猪Y(mg/d)=8951+184.5BW-1.25BW2+36BW0.75;母猪Y(mg/d)=9330+175.4BW-1.43BW2+36BW0.75。

铜绿假单胞菌蛋白指纹诊断模型的建立及应用

目的建立铜绿假单胞菌的蛋白指纹诊断模型,为细菌的快速鉴定奠定基础。方法利用表面增强激光解析电离飞行时间质谱检测20株铜绿假单胞菌的细菌蛋白,筛选稳定表达的蛋白峰,将其数据导入自建Fingerwave软件建立铜绿假单胞菌的蛋白指纹诊断模型。收集临床分离的126株细菌,对模型的诊断能力进行评价,确定铜绿假单胞菌的鉴定阈值并应用模型对铜绿假单胞菌进行鉴定。结果建立了铜绿假单胞菌的蛋白指纹诊断模型;利用临床菌株对建立的模型进行评价,确定该模型鉴定阈值为70%,对铜绿假单胞菌鉴定结果与传统微生物学鉴定方法及分子生物学结果相比符合率为97.7%(42/43)。结论应用细菌蛋白指纹模型可快速对铜绿假单胞菌细菌进行鉴定,为细菌感染的快速诊断提供了可能性。

三螺旋链蛋白质运动模型的行波精确解组

通过引入中间函数和运用Maple程序,得到了三螺旋链蛋白质运动模型的各向异性耦合的非线性Schr dinger方程组的行波精确解组,在分析行波精确解组算例特性和对应函数φn(ζ)特性的基础上,解释了三螺旋链蛋白质运动模型的运动特征,拓展了求解具有三螺旋链运动模型的生物大分子行波精确解组的新方法。

Toy模型蛋白质折叠问题的随机扰动粒子群解法

Toy模型蛋白质折叠问题是一个计算生物学中典型的NP难题。提出了一种随机扰动粒子群结合爬山优化的算法,应用二维Toy模型进行蛋白质折叠结构预测,在Fibonacci测试序列及真实蛋白质序列上的测试结果验证了算法的良好性能。

蛋白质折叠过程模型

蛋白质折叠过程模型研究一直是蛋白质折叠研究领域的热点课题.就这个问题,提出描述蛋白质折叠过程的拟蛇模型.并且提出一个新的概念,那就是所有蛋白质空间结构都可以通过2种类型函数构造出来,此外,还从理论方面来证明该模型是可行和正确的.通过与其他蛋白质折叠过程模型的对比实验,结果表明,拟蛇模型所构造的空间结构能量值最小、相似度最好.进而说明拟蛇模型在描述蛋白质折叠过程方面具有明显优势,开辟了研究蛋白质的一种新的途径.