基于机器学习方法的非编码RNA-蛋白质相互作用的预测

目的非编码RNA-蛋白质的相互作用(noncoding RNA-protein interactions,ncRPI)具有重要的生物学意义,目前预测其相互作用已成为当下研究非编码RNA (noncoding RNA,ncRNA)和蛋白质功能的重要途径之一。方法本研究基于ncRNA和蛋白质的序列信息提取特征,运用卷积自编码器预处理原始数据,训练三个机器学习模型:LightGBM(LBM)、随机森林(random forest,RF)和极端梯度增强算法(extreme gradient boosting,XGB),预测ncRNA与蛋白质的相互作用。结果在RPI369和RPI488两个数据集做5倍交叉验证,LBM、RF与XGB三个模型在两个数据集均达到较高的预测准确率,在RPI369数据集三个模型的预测准确率分别为0.757(LBM)、0.791(RF)、0.791(XGB),在RPI488数据集三个模型的预测准确率分别为0.918(LBM)、0.908(RF)、0.918(XGB);三个模型在RPI1807、RPI2241、RPI13254大数据集也取得较高的AUC(area under curve)值,在RPI1807三个模型的AUC值均为0.99,在RPI2241三个模型最低AUC值为0.87,在RPI13254三个模型最低AUC值为0.81,都表现出较好的预测准确性。结论机器学习方法能够预测ncRNA与蛋白质是否存在相互作用。

基于异质网络的长非编码RNA和蛋白质相互作用的预测算法研究

长非编码RNA在生物过程中扮演着非常重要的角色,长非编码RNA可以与多种蛋白质结合发挥其生物功能,预测长非编码RNA和蛋白质的相互作用也成为了研究长非编码RNA功能的途径之一。由于长非编码RNA的低保守性,通过提取特征和用机器学习算法预测它和蛋白质之间的相互作用将会不太合适。LPHeteSim算法是一种基于对称路径随机游走的方法,它可以衡量异质长非编码RNA和蛋白质相互作用网络中两者的相关性。在导质网络中,LPHeteSim算法可以有效地预测两者的相互作用,实验结果验证了算法的有效性。

酵母和大肠杆菌基因表达谱与蛋白质相互作用的相关性分析

为了研究酵母和大肠杆菌基因表达谱与蛋白质相互作用的关系,构建了蛋白质相互作用正负样本集.结合基于Pearson相关系数的共表达基因,分析了在受到外界刺激后,生物体内有相互作用的蛋白对与非相互作用的蛋白对之间的关系.结果显示,大肠杆菌和酵母在应激反应之后至恢复稳态的时间内,有相互作用的蛋白对与非相互作用的蛋白对之间的变化存在显著差异,对比发现非相互作用的蛋白对的基因表达谱具有较高的变化幅度.进一步分析了两物种的基因共表达网络,并阐述了作用机理.

MALDI方法研究蛋白质的非共价复合物

飞行时间质谱仪（ＴＯＦＭＳ）在理论上无质量范围的限制，可实现大分子蛋白质与核酸的非共价复合物的直接检测．特别是在近中性溶液条件下通过对芥子酸和６－氮杂－２－硫代胸腺嘧啶基质的使用及双层样品制备方法的改善，获得了稳定复合物的高灵敏度质谱检测．肌红蛋白－血红素复合物能够在芥子酸基质的不同ｐＨ条件下（ｐＨ２．０或ｐＨ５．０）同时观察到．而运用双层样品制备方法，获得了核糖核酸酶复合物（ＲＮａｓｅＳ）在第一次激光照射下的突出质谱峰。