伪蛋白生物材料的分类、合成及其应用

伪蛋白是一种新型合成生物可降解材料,以氨基酸为基本结构单元,它与蛋白质不同的是除了含有肽键外,还含有其他连接基团,这种结构使其既具有蛋白质的优良特性,又具有良好的力学性能、热性能、可调节的物理化学性能以及优异的细胞相容性和3D微孔结构等性质,因此伪蛋白能够有效应用于载体、伤口愈合、组织工程等生物医药领域。本文首先综述了目前所研究的伪蛋白的类型,包括非功能性和功能性伪蛋白两类;之后详细阐述了缩聚合成伪蛋白的方法,包括溶液缩聚、界面聚合、熔融缩聚、开环聚合四种方法;接着归纳了伪蛋白生物材料在药物载体、基因载体、组织工程、创面敷料等方面的应用;最后,对伪蛋白生物材料在合成路线及应用方面未来的发展进行了探讨和展望。

类离子液体在纺织材料加工中的应用现状

介绍了类离子液体的定义、分类及其在纺织材料中的应用现状,归纳总结了类离子液体在纤维素、木质素、蛋白质以及合成纤维等材料溶解、除杂、改性和染色加工中的应用,讨论了类离子液体的回收方法,并对类离子液体在纺织材料加工领域的发展进行展望。研究认为,类离子液体是多种天然以及合成纤维材料加工的优良溶剂,能够提高纺织材料的应用价值。

丙氨酰-谷氨酰胺对假性肠梗阻患者血浆内毒素和C反应蛋白水平及胃肠道功能的影响

目的探讨丙氨酰-谷氨酰胺对假性肠梗阻患者血浆内毒素、C反应蛋白(CRP)水平及胃肠道功能的影响。方法将30例假性肠梗阻住院患者分为常规治疗组(A组)及丙氨酰-谷氨酰胺+常规治疗组(B组),另选择15例健康体检者作为对照组(C组)。A、B组患者治疗前和治疗后第7天分别抽血检测血浆内毒素和CRP水平,并比较肠功能恢复时间及并发症发生率。结果治疗前A、B组患者血浆内毒素、CRP水平间差异无统计学意义(P>0.05),但均显著高于C组,差异有统计学意义(P<0.01)。治疗后B组患者血浆内毒素及CRP水平均显著低于A组,差异有统计学意义(P<0.01);B组患者肠功能恢复时间显著短于A组,差异有统计学意义(P<0.01);但两组并发症发生率间差异无统计学意义(P>0.05)。结论经静脉补充丙氨酰-谷氨酰胺有助于假性肠梗阻患者肠黏膜修复,促进肠道功能恢复,显著降低血浆内毒素及CRP水平。

使用伪氨基酸组成和模糊支持向量机预测蛋白质结构类

蛋白质结构类预测是生物信息和蛋白质科学中重要的研究领域。基于Chou提出的伪氨基酸离散模型框架,从蛋白质序列出发,设计一种新的伪氨基酸组成方法表示蛋白质序列样本。抽取氨基酸组合(10-D)在序列中出现的频率和疏水氨基酸模式(6-D)表示蛋白质序列的附加特征,用和传统的氨基酸组成(20-D)一起构成的36维的伪氨基酸组成向量来表示蛋白质序列的特征。使用遗传算法来优化附加特征的权重系数。伪氨基酸组成向量作为输入数据,模糊支持向量机作为预测工具。使用三个常用的标准数据集来验证算法的性能。Jack-knife检验结果说明本方法具有较高的准确率,有望成为潜在的预测蛋白质功能的工具。

从氨基酸序列预测蛋白质折叠速率

蛋白质折叠速率预测是当今生物物理学最具挑战性的课题之一.近年来,许多科研工作者开展了大量的研究工作来探索折叠速率的决定因素,许多参数和方法被相继提出.但氨基酸残基间的相互作用、氨基酸的序列顺序等信息对折叠速率的影响从未被提及.采用伪氨基酸组成的方法提取氨基酸的序列顺序信息,利用蒙特卡洛方法选择最佳特征因子,建立线性回归模型进行折叠速率预测.该方法能在不需要任何(显示)结构信息的情况下,直接从蛋白质的氨基酸序列出发对折叠速率进行预测.在Jackknife交互检验方法的验证下,对含有99个蛋白质的数据集,发现折叠速率的预测值与实验值有很好的相关性,相关系数能达到0.81,预测误差仅为2.54.这一精度明显优于其他基于序列的方法,充分说明蛋白质的序列顺序信息是影响蛋白质折叠速率的重要因素.

基于自相关系数和PseAAC的蛋白质结构类预测

传统的预测方法在构造特征向量时只考虑了氨基酸的组成,而自相关系数不仅能够很好地反映序列中氨基酸的位置信息,而且考虑了序列内部不同位置的氨基酸间的相互影响。设计了一种将氨基酸组成和自相关系数相结合的方法来构造特征向量;在Chou提出的伪氨基酸组成模型(pseudo-amino acid composition,PseAAC)的基础上,通过扩展信息重新构造了伪氨基酸组成模型,并将其与自相关系数组合在一起来构造特征向量。分别使用两种方法编码,选用支持向量机作为预测工具,在数据集Z277、Z498以及独立测试集D138上进行了若干实验,对比结果显示,新方法比传统的氨基酸组成方法的准确率分别平均提高了7.43%和8.53%,证明了新方法是有效的。

以环糊精准聚轮烷为“假载体”印迹识别蛋白质的研究

实验以聚乙烯醇分子为客体分子,与γ-环糊精(γ-CD)分子组装制备环糊精准聚轮烷(CD-PPRs);在金属离子存在下,以丙烯酰胺(AM)为单体,N,N-亚甲基双丙烯酰胺为交联剂,以CD-PPRs为"假载体",制备了以牛血清白蛋白(BSA)为模板的分子印迹聚合物(cp-MIP)。结果表明,随着功能基化CD-PPRs(CD-PPRsAc)用量增加,印迹聚合物吸附量先增加后减小,当CD-PPRs-Ac与AM的质量比为0.55时,印迹聚合物的吸附量最大;在Cu2+共存时,吸附量最高可达5.16 mg/g;将cp-MIP用于4种混合蛋白溶液吸附,结果表明,引入CD-PPRs使印迹聚合物的特异性吸附能力明显提高,特异性吸附量可提高约6倍。

磁性分子印迹聚合物提取-超高效液相色谱-串联质谱法测定乳及乳制品中的4种伪蛋白

建立磁性分子印迹聚合物(magnetic molecular imprinted polymers,MMIPs)提取结合超高效液相色谱-串联质谱法测定乳及乳制品中4种伪蛋白(三聚氰胺、环丙氨嗪、双氰胺和缩二脲)的方法。以缩二脲-^(13)C_2和环丙氨嗪-D_4为印记分子,Fe_3O_4为磁性组分,制备具有特异识别性的MMIPs提取样品中的目标化合物,超高效液相色谱-串联质谱法检测。结果表明,4种化合物在5～200 ng/mL范围内具有良好的线性关系,线性相关系数大于0.999。三聚氰胺、环丙氨嗪、双氰胺和缩二脲在牛奶样品中的检出限分别为0.10、0.02、0.05、0.50μg/kg,在奶粉样品中的检出限分别为0.25、0.05、0.13、1.25μg/kg。回收率为80.5%～96.1%,相对标准偏差为1.1%～9.2%。利用本方法对实际样品中4种化合物进行测定,分析结果显示该方法所得到的数值准确、可靠。

基于深度学习的蛋白质二级结构预测

后基因组时代的到来,蛋白质的数据量急剧增长。为对蛋白质结构进行准确预测,提出了一种深度学习的方法,来预测蛋白质的二级结构分类问题。采用由近似熵、疏水模式以及图像特征组成的伪氨基酸组分方法,来提取蛋白质序列的特征;预测模型采用了5层的深度玻尔兹曼机(DBM)+分类层,5层的DBM组成了4个RBM,分类层采用softmax分类器;同时采用了非监督学习和监督学习作为预测模型的训练策略。与现有预测方法相比,提出的预测方法,比目前较好的支持向量机(SVM),人工神经网络(ANN)精度均要高。实验结果表明,提出的改进方法具有很好的可行性和有效性。

基于机器学习的凋亡蛋白的亚细胞位点预测

准确预测凋亡蛋白的亚细胞位点有利于理解细胞死亡的机理和其生物学功能。本文利用裂解位点的蛋白质序列信息提出了一种新的凋亡蛋白的预测算法PSSP.对三个凋亡蛋白数据集进行Jackknife验证表明我们的方法得到了令人满意的结果。

PRRs家族功能基因的研究进展

PRRs家族基因作为生物钟核心振荡器的主要组分,在植物光周期控制开花途径中起抑制作用,并通过调控ABA等方式影响植物抗逆性,对植物生物量的积累有重要影响,在植物生长发育过程中起重要作用。综述了PRRs家族基因的结构特征、光周期调控作用模型及其对逆境的响应方式,将为进一步研究PRRs家族基因的功能和培育优质广适性作物品种提供理论参考。

系统性红斑狼疮相关肠道损伤的研究进展

系统性红斑狼疮(SLE)是一种累及多系统的自身免疫性疾病,肠道受累并非罕见,并且狼疮性肾炎患者合并肠道受累比例增高。由于SLE相关肠道损伤表现多样且无特异性,临床上容易误诊漏诊,如不及时有效治疗甚至威胁生命。早期识别可改善预后,降低死亡率。本文综述常见的SLE相关肠道损伤,包括狼疮性肠炎、假性肠梗阻和蛋白丢失性肠病的诊治进展。

猪伪狂犬病毒gD蛋白的截短表达与PPA-ELISA抗体检测方法的建立

为建立一种快速的猪伪狂犬病毒抗体检测方法,本研究参照已发表的PRV SA株基因组序列,PCR扩增了长约1 070bp的gD基因片段,将目的片段定向克隆到pET30a原核表达载体,转化BL21表达菌,经IPTG诱导后获得了以包涵体形式表达的重组gD蛋白。重组蛋白纯化后,经免疫印迹检测证明具有良好的抗原性和特异性。以该蛋白作为包被抗原,以辣根过氧化物酶标记葡萄球菌A蛋白为二抗,建立了检测猪伪狂犬病毒抗体的PPA-ELISA检测方法。该方法与其他7种常见猪病病毒(CSFV、PPV、PRRSV、JEV、PCV-2、PEDV、TGEV)的阳性血清不发生交叉反应;批内重复性试验的变异系数小于5%,批间重复性试验的变异系数小于10%;与IDEXX gD-ELISA试剂盒相比较,符合率、敏感性和特异性分别为92.0%、95.1%和88.1%。本研究建立的PRV gD-PPA-ELISA抗体检测方法具有良好的重复性、敏感性和特异性,为PRV的免疫猪群抗体监测、快速诊断和PRV流行病学调查提供一种快速、简便的血清学诊断方法。

基于多视角特征融合与随机森林的蛋白质结晶预测

X射线晶体结构分析是测定蛋白质结构的重要方法之一,国际蛋白质数据库（PDB）中已知晶体结构的蛋白质80%～90%均是使用该方法得到的。然而,并不是所有的蛋白质都能良好结晶,使用晶体结构分析方法对不能结晶的蛋白质进行结构测定将浪费大量的资源。因此,研发准确高效的算法来对蛋白质能否结晶进行预测就具有重要意义。在此提出了一种组合蛋白质物理化学特性、序列信息与进化信息的蛋白质结晶预测方法。该方法从不同视角抽取分别抽取蛋白质的物理化学特征、伪氨基酸组成特征（Pse AAC）和伪位置特异性得分矩阵特征（Pse PSSM）,使用随机森林对组合的特征进行蛋白质结晶预测。在标准数据集上的独立测试验证的结果表明,这里所述的蛋白质结晶预测方法具有良好的性能。

基于柔性神经树的蛋白质结构预测

提出一种基于柔性神经树的蛋白质结构预测方法,将近似熵和蛋白质序列的疏水特性作为伪氨基酸组成的特征。对数据集中的每一条蛋白质进行特征提取。对于一个蛋白质样本,用一个27-D伪氨基酸组成作为其特征,伪氨基酸组成特征作为输入数据,柔性神经树作为预测工具,分类方法采用M-ary方法,数据集选用640数据集。仿真结果表明,该方法具有较好的优化性能,提高了预测的准确率。

改进的离散增量算法预测27类折叠子的结构类型

蛋白质二级结构预测是三级结构预测的一个非常重要的中间步骤,而折叠子识别和结构类型的准确预测则可以提高二级结构和三级结构预测的准确度.本文从蛋白质的一级序列出发,提出了一种改进的预测算法:以二肽组分、预测的二级结构信息、伪氨基酸组分和位置权重矩阵打分值等特征分别作为参数,输入离散增量算法的单分类器中,通过加权融合单分类器的计算结果,对27类折叠子的结构类型进行了预测,取得了较好的预测结果.

基于遗传算法的G蛋白偶联受体(GPCR)家族的分类预测研究

G蛋白偶联受体广泛参与各类生理活动的调控,目前市场上1/2的小分子药物均是以GPCR为药物靶标。由于G蛋白偶联受体晶体结构缺乏,采用理论方法对G蛋白受体耦合特异性进行分类预测在药物研发领域有着重要的学术和应用价值。因此,本文采用模式识别方法,基于GPCR序列,以伪氨基酸算法以及遗传算法为基础,用支持向量机方法建立了G蛋白偶联受体耦合特异性的预测模型,取得了可达82.5%的较高的预测准确度。

基于物化性质对嗜热蛋白的预测

嗜热蛋白在高温下能保持稳定性和活性,是研究蛋白质热稳定性的理想模型,开发一个蛋白质热稳定性识别的方法将对蛋白质工程和蛋白质的设计很有帮助。目前的研究中,氨基酸的组成及其物化性质一直被认为和蛋白质的热稳定性相关。本研究筛选出可靠的数据集,包括915个嗜热蛋白和793个非嗜热蛋白。利用蛋白质氨基酸的物化性质和氨基酸的组成表征嗜热蛋白,将二肽氨基酸组成整合到9组氨基酸物化性质中使蛋白序列公式化。支持向量机5折叠交叉验证表明:当gap=0时,290个特征产生的精度最高,为92.74%。因此说明对于分析蛋白质的热稳定性,所建立的预测模型将是一个很有效的工具。

基于近似熵的伪氨基酸组成预测蛋白质亚核定位

了解真核细胞中细胞核内蛋白质的定位情况对于新发现蛋白质的功能注释具有重要意义。随着蛋白质数据库中蛋白质序列数量的急速增加,采用计算方法来预测蛋白质亚核定位已经成为蛋白质科学领域研究的热点。根据Chou提出的伪氨基酸组成离散模型,提出了一种新的蛋白质亚核定位预测方法。计算蛋白质序列的近似熵作为附加特征构建伪氨基酸组成,表示蛋白质序列特征,AdaBoost分类算法作为预测工具。与已报道的亚核定位预测方法的性能相比,这种方法具有更高的准确率。

Pse-in-One 2.0: An Improved Package of Web Servers for Generating Various Modes of Pseudo Components of DNA, RNA, and Protein Sequences

Pse-in-One 2.0 is a package of web-servers evolved from Pse-in-One (Liu, B., Liu, F., Wang, X., Chen, J. Fang, L. & Chou, K.C. Nucleic Acids Research, 2015, 43:W65-W71). In order to make it more flexible and comprehensive as suggested by many users, the updated package has incorporated 23 new pseudo component modes as well as a series of new feature analysis approaches. It is available at http://bioinformatics.hitsz.edu.cn/Pse-in-One2.0/. Moreover, to maximize the convenience of users, provided is also the stand-alone version called “Pse-in-One-Analysis”, by which users can significantly speed up the analysis of massive sequences.