蛋白质表面模块划分及其在结合位点预测中的应用

蛋白质-蛋白质复合物的结合位点预测是计算分子生物学的一个难题.本文对蛋白质-蛋白质复合物数据集Benchmark3.0中的双链蛋白质复合物进行了研究,计算了单体的残基溶剂可接近表面积和残基间的接触面积,并据此提出了蛋白质表面模块划分方法.发现模块的溶剂可接近表面积与其内部接触面积的乘积(PSAIA)值能够提供结合位点的信息.在78个双链蛋白质复合物中,有74个体系其受体或配体上具有最大或次大PSAIA值的模块是界面模块.将该方法获得的结合位点信息应用在CAPRI竞赛Target39的复合物结构预测中取得了较好的结果.本文提出的基于模块的蛋白质结合位点预测方法不同于以残基为基础且仅考虑表面残基的传统预测方法,为蛋白质-蛋白质复合物结合位点预测提供了新思路.

基于深度学习的蛋白质⁃ATP结合位点预测

为了提高识别蛋白质-ATP结合位点预测精度,提出了基于Inception架构的深度网络模型Inception_base,同时对网络模型和训练策略进行优化和改进,提出了新的网络模型Inception_evolution。通过两组数据集在该模型上测试,获得AUC分别为0.885和0.918,均优于其他对比机器学习方法。实验结果表明,深度学习方法可以应用于蛋白质-ATP结合位点预测问题中,该模型能够更精确预测蛋白质-ATP结合位点。

基于结构模型的DBP-DNA识别及预测研究综述

DNA结合蛋白DBP(DNA Binding Protein)对细胞内遗传物质的生命活动中起着至关重要的作用,包括染色体的复制、剪切及基因表达调控。DBP通过与DNA发生结合反应,行使各种不同的生物功能。因此研究DBP-DNA之间的识别规律,对基因调控分析、蛋白功能预测和转录因子结合位点预测有着十分重要的意义。随着DBP-DNA复合物结构数据库的出现,基于结构信息的计算机分析方法为DBP与DNA之间的相互作用研究提供了新的发展契机。介绍了若干经典的DBP-DNA结构模型,简要评述了DBP-DNA结构分析方法目前的研究现状。