采用高斯过程模拟预测域/肽识别和相互作用

细胞信号网络中的蛋白质相互作用常通过结合-折叠偶合方式实现,即来自一方蛋白的刚性肽识别域与来自另一方蛋白表面的一段柔性寡肽片段发生识别和结合,从而介导母体蛋白相互作用.深入分析域/肽识别和相互作用的理化性质及精确预测其作用行为,能够有效揭示细胞信号转导的分子基础.该研究将一种新型非线性机器学习方法即高斯过程(GP),用于预测和分析4类域/肽体系数千个样本的亲和力数值和序列结构特征,并与传统偏最小二乘回归(PLS)及支持向量机(SVM)技术加以系统比较.结果表明,GP建模性能不亚于广泛使用的SVM,显著优于经典PLS.此外,GP能够较好处理线性和非线性混合问题、自动确定模型结构、能够通过超参数解释体系噪音纳入和变量贡献,给出预测结果的置信评估,这些特点皆是传统方法所不具备的.鉴于此,可以认为GP是一种具有开发潜力的机器学习策略,不仅可供分析域/肽识别和相互作用,还可用于解决和处理其他生物相关问题.

计算肽学

肽作为重要的生理活性物质一直受到相关领域的广泛关注。近年来,由于肽在细胞信号转导中所扮演的中心角色以及作为生物药物靶向蛋白质相互作用网络等特殊性质的发现,再次唤起了人们对肽的浓厚兴趣。与之相伴的是,肽的理论和计算研究工作快速增长,并取得了长足进展。本文以"计算肽学"为主题系统概括了该领域的研究范畴和研究特点,并分别从肽的数据库构建、功能活性预测、分子对接、动力学模拟、结构数据分析、分子设计修饰以及系统生物学行为等几方面分类介绍了计算肽学的主要研究方向和当前发展状况。重点在于探讨采用计算化学和生物信息学方法剖析肽与蛋白质识别和相互作用的分子机制和理化基础,进而为肽类药物设计提供理论指导。此外,本文还提出了计算肽学在肽类纳米材料及生物表面活性剂等领域的潜在应用前景。