第6章 蛋白质生物信息学

研究展望
由于生物信息学是基于分子生物学与多种学科交叉而成 的新学科，现有的形势仍表现为各种学科的简单堆砌， 相互之间的联系并不是特别的紧密。在处理大规模数据 方面，没有行之有效的一般性方法；而对于大规模数据 内在的生成机制也没有完全明了，这使得生物信息学的 研究短期内很难有突破性的结果。
研究展望

利用SOPMA预测VH-L-L的二级结构，结 果显示，二级结构中α螺旋占15.56%，β 折叠34.95%，β转角12.24%，无规则卷 曲37.24%


ATGGATTTTCAGGTGCAGATTTTCAGCTTCCTGCTAATCAGTGCCTCAGTCAT AATATCCAGAGGAGacatccagatgacccagtctccatcctccctgtctgcatctgtaggaga cagagtcACCATCACTTGCCAGGCGAGTCAGGACATCAGCAACTATTTAAATTG GTATCAGCAGAAACCAGGGAAAGCCCCTAAACTCCTGATCTACGATGCATCC AATTTGGAAACAGGGGTCCCATCAAGGTTCAGTGGAAGTGGATCTGGGACA GATTTTACTTTCACCATCAGCAGCCTGCAGCCTGAAGATATTGCAACATATTT CTGTCAACACTTTGATCATCTCCCGCTCGCTTTCGGCGGAGGGACCAAGGTG GAGATCAAACGT ACTGTGGCTGCACCATCTGTCTTCATCTTCC CGCCATCTGATGAGCAGTTGAAATCTGGAACTGCCTCTGTTGTGTGCCTGCT GAATAACTTCTATCCCAGAGAGGCCAAAGTACAGTGGAAGGTGGATAACGCC CTCCAATCGGGTAACTCCCAGGAGAGTGTCACAGAGCAGGACAGCAAGGAC AGCACCTACAGCCTCAGCAGCACCCTGACGCTGAGCAAAGCAGACTACGAG AAACACAAAGTCTACGCCTGCGAAGTCACCCATCAGGGCCTGAGCTCGCCC GTCACAAAGAGCTTCAACAGGGGAGAGTGT


一次数据库：实验获得的原始数据。简单归类 整理、注释。Genbank、Swiss-Prot、PDB 二次数据库：在一次数据库、实验数据和理论 分析的基础上，根据研究内容的需要，对相关 生物知识和信息进一步分析整理。包括人类基 因组图谱库GDB、转录因子和结合位点库 TRANSFAC、蛋白质结构家族分类库SCOP等。
核心内容是研究如何通过对DNA序列的统计计 算分析，更加深入地理解DNA序列，结构，演 化及其与生物功能之间的关系。 研究课题涉及到分子生物学，分子演化及结构 生物学，统计学及计算机科学等许多领域。
研究过程


以数据（库）为核心 1 数据库的建立 2 生物学数据的检索 3 生物学数据的处理 4 生物学数据的利用：计算生物学
第二节、蛋白质常用数据库
一、核酸数据库 NCBI的Genbank、EMBL、DDBJ等
二、蛋白质数据库
（一）蛋白序列数据库：SWISS-PROT、PIR 、TreEMBL、UniProt、GenPept
（二）蛋白序列二次数据库
蛋白保守区域和功能位点数据库，PROSITE、 PRINTS、BLOCKS

轻链全长（L）DNA序列（708bp）


GGTGGTGGTGGCTCTGGCGGTGGTGGCT CTGGTGGCGGTGGTTCT 连接肽(G4S)3 蛋白质分子设计：VH-L-L
VH
linker
VL
CL
利用DNAman对VH-L-L的限制性内切酶位 点分析，结果显示VH-L-L有31个限制性酶 切位点，最多的是Eco57Ⅰ、TthlllⅠ分别 有三个酶切位点。
蛋白质的亲疏水性是影响蛋白质空间结构 的因素之一。利用ProtScale分析氨基酸亲 水性/疏水性，预测结果显示该氨基酸序列 中亲水性和疏水性区域间隔存在，小部分 为中性，在氨基酸序列20、170处出现了 较高的疏水性，此处富含疏水性氨基酸。 总体来说，亲水氨基酸多于疏水氨基酸， 因此可以认为VH-L-L是亲水性蛋白
结果显示VH-L-L蛋白由392个氨基酸组成的稳定蛋白，分子 式为C1867H2894N494O596S11 ，分子量42149.1，等电点5.98。 理论推导半衰期为：30h(体外，哺乳动物的网织红细胞内)、 20h(体内，酵母细胞内)、10h(体内，大肠杆菌)。不稳定参 数是38.92，属于稳定蛋白。 含的氨基酸如图所示：Ser(S)，Glu(G)，Thr(T)最多，分别 占15.1％，9．9％，7.7％；不含Pyl(0)，Sec(U)。总带正电 荷残基(Asp+Glu)为32，负电荷残基(Arg+Lys)为29。总的亲 水性平均系数-0.169，预测该蛋白属于亲水性蛋白。
结构？
基本策略（2） 分类分析
α 螺旋
提取样本
聚类分析
预测….-Gly-Ala-Glu-Phe-….
学习分类规则
蛋白质二级结构预测程序

（1）nnPredict 神经网络法 （2）PredictProtein （3）SSPRED，序列比对 （4）SOPMA 几种预测方法的综合。准 确率最高
蛋白质结构预测主要有两大类方法：
（1）理论分析方法
通过理论计算（如分子力学、分子动力学计算）进 行结构预测。
（2）统计的方法
对已知结构的蛋白质进行统计分析，建立序列到结 构的映射模型，进而对未知结构的蛋白质根据映射 模型直接从氨基酸序列预测结构。 包括：经验性方法（Chou-Fasman）、结构规律提 取方法（神经网络方法）、同源模型化方法

生物信息学作为一门新的学科领域，把基 因组DNA序列信息分析作为源头，在获得蛋 白质编码区的信息后进行蛋白质空间结构 模拟和预测，然后依据特定蛋白质的功能 进行必要的药物设计。 基因组信息学，蛋白质空间结构模拟以及 药物设计构成了生物信息学的3个重要组成 部分。

第二节 蛋白质常用数据库及应用
二、生物信息学与蛋白质工程
（一）蛋白质序列分析，预测其理化性质、 空间结构及生物学功能 （二）蛋白质结构预测 理论分析法：在理论计算的基础上预测 统计分析法：建立序列-结构的映射模型 （三）蛋白质功能预测P162 （四）蛋白质分子设计
三、生物信息学与蛋白质组学



1994、澳大利亚Wilkins和Willians提出蛋白质 组：由全部基因表达的全部蛋白质及其存在方 式，是一种细胞、组织或完整的生命体在特定 时空上所拥有的全套蛋白质 蛋白质组学：以蛋白质为研究对象，阐明某生 物体全部蛋白质的表达模式及功能模式 生物信息学理论、技术方法和软件等在蛋白质 组学相关数据库的建立、应用以及蛋白质组分 析等方面具有重要的应用




有些蛋白质中含有大量的螺旋

如血红蛋白和肌红蛋白

而一些蛋白质中则不含或者仅含很少的螺旋

如铁氧蛋白

有些蛋白质的二级结构以折叠为主
如免疫球蛋白 例：肽链Ala(A)-Glu(E)-Leu(L)-Met(M) 倾向于形成 螺旋 肽链Pro(P)-Gly(G)-Tyr(Y)-Ser(S)则不会形成 螺旋
研究内容


1、生物信息的收集、存储、管理与 提供 2、基因组序列信息的提取和分析 3、功能基因组相关信息分析 4、生物大分子结构模拟和药物设计 5、生物信息分析的技术与方法研究
发展条件
2001年2月，人类基因组工程测序 的完成，使生物信息学走向了一个 高潮。由于DNA自动测序技术的快 速发展，DNA数据库中的核酸序列 公共数据量以每天106bp速度增长， 生物信息迅速地膨胀成数据的海洋。 毫无疑问，我们正从一个积累数据 向解释数据的时代转变，数据量的 巨大积累往往蕴含着潜在突破性发 现的可能。 “生物信息学”正是从 这一前提产生的交叉学科。
要真正解决这一问题，最终不能从计算机科学 得到，真正地解决可能还是得从生物学自身， 从数学上的新思路来获得本质性的动力。毫无 疑问，正如Dulbecco1986年所说："DNA序列 是人类的真谛，这个世界上发生的一切事情， 都与这一序列息息相关"。但要完全破译这一 序列以及相关的内容，我们还有相当长的路要 走。


每种氨基酸出现在各种二级结构中倾向或者 频率是不同的
例如：Glu主要出现在螺旋中 Asp和Gly主要分布在转角中 Pro也常出现在转角中，但是绝不会出现在 螺旋中

可以根据每种氨基酸残基形成二级结构的倾 向性或者统计规律进行二级结构预测
基本策略（1） 相似序列→相似结构
QLMGERIRARRKKLK QLMGAERIRARRKKLK
IBaidu NhomakorabeaI
蛋白质 序列：
蛋白质二级结构预测
↓
二级结构：
↓
1、二级结构预测概述
蛋白质的二级结构预测的基本依据是： 每一段相邻的氨基酸残基具有形成一定二 级结构的倾向。 二级结构预测问题是模式分类问题 二级结构预测的目标：
判断每一段中心的残基是否处于螺旋、折叠、 转角（或其它状态）之一的二级结构态，即三态。
经验参数法
由Chou 和Fasman在70年代提出. 是一种基于单个氨基酸残基统计的经验预测方 法。 通过统计分析，获得的每个残基出现于特 定二级结构构象的倾向性因子，进而利用这些 倾向性因子预测蛋白质的二级结构。
(1)
经验参数法 蛋白质二级结构的组成规律性比较强 三种基本二级结构平均占氨基酸残基的 85% 各种二级结构非均匀地分布在蛋白质中
第六章 生物信息学的应用
第一节生物信息学与蛋白质工程 一、生物信息学概述
生物信息学是利用应用数学、信息学、统计 学和计算机科学的方法研究生物学的问题。
1987年，林华安首创Bioinformation 一词，被誉为”世界生物信息之父”。
概述
生物信息学分子生物学与信息技术（尤其是互 联网技术）的结合体。 研究材料和结果就是各种各样的生物学数据 研究工具是计算机 研究方法包括对生物学数据的搜索（收集和 筛选）、处理（编辑、整理、管理和显示） 及利用（计算、模拟）。
利用生物信息学软件DNAman将VH-L-L的核苷酸 序列翻译为氨基酸序列
利用NCBI提供的ORF Finder预测VH-L-L的 ORF，从预测结果看出VH-L-L是一段连续 的较长的ORF，它可能是一个完整的编码 序列
利用ProtParam对VH-L-L的氨基酸序列及基本 理化性质进行了分析。
利用Tmpred分析VH-L-L的跨膜区，分析表 明，该序列无跨膜区，不是跨膜蛋白。可 以预测该蛋白在膜外

利用NetPhos进行磷酸化位点分析，结果 显示磷酸化位点主要包括丝氨酸Ser位点: 28个，苏氨酸Thr: 5 个，酪氨酸Tyr: 3个

利用TargetP对VH-L-L蛋白的亚细胞定位 进行预测，结果表明，VH-L-L是分泌到 细胞周质的蛋白
（三）蛋白结构数据库
三维结构数据库PBD、MMDB
全人源抗EGFR单克隆抗体


红色字体为信号肽，标黄部分为可变区重链可变区（HV） DNA序列（423bp）
ATGGATTTTCAGGTGCAGATTTTCAGCTTCCTGCTAATCAGTGCCTCAGT CATAATATCCAGAGGA CAGGTGCAGCTGCAGGAGTC GGGCCCAGGACTGGTGAAGCCTTCGGAGACCCTGTCCCTCACCTGCAC TGTCTCTGGTGGCTCCGTCAGCAGTGGTGATTACTACTGGACCTGGATT CGGCAGTCCCCAGGGAAGGGACTGGAGTGGATTGGACACATCTATTACA GTGGGAACACCAATTATAACCCCTCCCTCAAGAGCAGACTCACCATATCA ATTGACACGTCCAAGACTCAGTTCTCCCTGAAGCTGAGTTCTGTGACCG CTGCGGACACGGCCATTTATTACTGTGTGCGAGATCGAGTGACTGGTGC TTTTGATATCTGGGGCCAAGGGACAATGGTCACCGTCTCTTCA