上传我的文档
下载
收藏
IT专业技术人员,擅长IT专业及教育培训相关工作
下载此文档
拟南芥LBD基因家族在根从头再生过程中的功能研究
下载积分:1000
内容提示:拟南芥LBD基因家族在根从头再生过程中的功能研究
文档格式:PDF|
浏览次数:9|
上传日期: 14:15:35|
文档星级:
全文阅读已结束,如果下载本文需要使用
1000 积分
下载此文档
该用户还上传了这些文档
拟南芥LBD基因家族在根从头再生过程中的功能研究
官方公共微信当前位置: >>
基于关联基因本体论注释的蛋白质相互作用预测
2005;32(5)生物化学与生物物理进展Prog.Biochem.Biophys.?449?基于关联基因本体论注释的蛋白质相互作用预测术张茜-,∞王敬泽-)“(1)中国科学院动物研究所,生物膜与膜生物工程国家重点实验室,北京100080; 2)中国科学院研究生院,北京lo0039)<
br />摘要细胞中的生理活动主要是通过蛋白质.蛋白质之间的相互作用来调控完成.详尽细致的蛋白质一蛋白质相互 作用网络的解析对于理解细胞中复杂的调控、代谢和信号通路有重要的意义.近年来,关于新的蛋白质一蛋白质相 互作用预测领域进展快速,这里,利用贝叶斯算法结合关联的Go(Gene ont0109y),来预测蛋白质的相互作用.利 用非冗余的蛋白质相互作用数据来观察G0对的特性,得到Go关联的概率.通过阳性的和阴性的标准对照数据证 实这个新方法可以很好地区别这两类不同的数据,显示出较好的灵敏度和非常低的假阳性预测率.通过与已知的 高通量的实验数据比较,这个方法具有灵敏度高、速度快的优点.而且,运用这个新方法可以提供一些新的关于 细胞内蛋白质之间相互作用的信息,为进一步的实验提供理论依据. 关键词蛋白质.蛋白质相互作用,关联的,基因本体论,贝叶斯(Bayesi锄) 学科分类号0811.4蛋白质一蛋白质相互作用(protein-protein inter?action,PPD是大多数生物细胞进行各种生化 过程的基础,例如通过物理性的结合,暂时性的磷(ceInrosome proteomics)的研究并已经得出一些有价值的猜想[13].在PPI预测研究中,整合各类相关 数据对进一步的分析非常重要【14】.不同的实验数据通过整合得出的PPI网络可以得到更多精确度高的 有价值的结果.以前的结果证实,不仅全基因组可 以通过整合的功能关联网络进行注释【b】,即使是酸化,SuMO化【1】等机制组成多蛋白质的复合物.随着基因组和蛋白质组计划的不断发展,大量关于 基因和蛋白质的数据可以被检索,从而通过计算的方法绘制PPI网络,详尽的PPI网络反过来又可以揭示生物基因组和蛋白质组中包含的多方面、复杂 的细胞内功能的关联[2】.“纯粹的预测”也可以为进一步的实际试验提供更多的信息[垌.以前的研究表明,显著关联的序列特征(潜在的相互作用结构域)可以用来预测PPI[11】,反之, 利用PPI数据也可以推测潜在的结构域一结构域之 间的相互作用[嘲.既然PPI可以通过Go注释被用 来预测蛋白质的功能[b,-7】,我们猜测是否可以通过 蛋白质之间的功能关联来预测PPI.为了验证这个多年来的研究表明,PPI网络可以通过很多实验方法来验证,这些方法大多需要费时费力的试验 工作而且准确性不高[3】,比如芽殖酵母的PPI网络已经得到了很大程度的解析M.为了提高效率和方便检索,许多预测PPI的计 算方法已陆续被开发,例如基于基因的融合和分想法,我们使用一种被报道过的Nawe Bayesian算 法[18】来表明关联的GO对可以作为预测PPI的一种手段.通过处理公用的数据库,我们得到了芽殖酵 母的Go注释,然后计算这些Go对的先验概率 (pre.test裂【司,基因在基因组上顺序的保守或基因邻居关 系【7,8】,进化谱【9】,共表达或者相关联的IIⅡmA表 达[10]而研究开发出的预测方法.近年来有研究结果 表明关联的序列特征,比如相互作用的蛋白质结构域可以被用来作为预测蛋白质相互作用的一种策略probabili啪.利用已有的被称为“黄金标准contr01集”(901d standard)的阳性对照数据Qositive[1l】’另外,潜在的蛋白质结构域互相之间的物理结合也可以通过PPI的数据进行推测【切.data)和阴性对照数据(negative con仃01 data),这项工作表明关联的GO可以作为一种新颖的方法来预随着计算技术的飞速发展,在计算的指导下进 行实验验证是目前PPI研究中的一个重要趋势.例 如,蛋白关联谱算法(proteillPcPcorrelation profiling,?国家自然科学基金资助项目(30171071). +?通讯联系人. Tel:010-62551668,E—mail:waIl萄z@ioz.ac.cn 收稿日期:2004—12-01,接受日期:2005?01—31algorimm)被用来开发以帮助中心体蛋白质组万 方数据.450.生物化学与生物物理进展Prog.Bioch哪.Biophys.component测PPI,而且它的灵敏度可以与已知的大规模实验uI】knoⅥm),(]o:0005554(molecular数据相媲美.另一方面,这种方法可以很好地区别阳 性数据和阴性数据从而得到很低的假阳性率.fimction unl(110wn),因为这些未知的和不明确的注释将会干扰我们的分析.那些没有Go详细注释过的蛋白质及其作用对被去除掉以后,我们得到一套 含有14 565 PPI对和3 992个蛋白质的数据,同时 在所用的数据中总的Go注释的数目是2 425条. 1.2算法 这项工作采用了Nawe BavesiaIl算法.因为根1材料和方法1.1材料 1.1.1训练数据集.用做训练数据集的PPI数据从 两个公用数据库中得到,Databaseof hlteractingProteins(D口)(Oct.2003)和M口S ComprehensiVeYeast Genome据推测,如果两个蛋白质只,只可以产生相互作用,它们分别被m,n Go条目注释,那么它们应Database(CYGD)PPI(Oct.2003).在本工作中我们只使用了酵母的数据.D口包含了15该功能上相互关联,也就是两个Go条目对相同的 功能有注释.那么,只和只是相互作用对的概率为:164对相互作用,而cYGD包含11 862对.非冗‘‘黄金标准集”和检验数据. 为了验证方法,我们使用已经报道的被称为余的蛋白质相互作用对总共是17 013对.1.1.2嘏=1)21一儿(1一只G。v21)) (G。,,G.,)5(只妒)厶=1:蛋白质只和只是相互作用对;G删=1:Gene“黄金标准集”的阳性和阴性的对照数据【191.阳性 对照数据包含从同样M坤s复合物中抽提出来的对,ontology(Go)条目G m,和G。,是功能相关的;阴性对照数据包含从不同亚细胞定位的蛋白质对.为了比较,我们也随机产生100 000伪相互作 用对(pseudo.PPI)作为检验数据,这其中可能包含m’,n 7:m’∈(1~”0,n’∈(1~n);(G∥,G。,)∈(JR×毋):GO对(G“,G。.)包含于只×只. P(Gm,一=1)被认为是先验概率0re—test一些真的相互作用,但占较小的比例.1.1.3高通量实验数据集.我们把结果与高通量的 数据相对比,包括两组体内(抚口面o)pull一down的数pr06曲施们,它可以从训练现有的实验数据中得到.计算先验概率的公式如下:,"+据∞:u,和两组体外酵母双杂交的数据瞄一.表1中列出了这项工作中所有的PPI的相关信息. 1.1.4蛋白质的基因本体论Go注释. 基因本体论联合会例(Gene ontolo斟HG。=1)=;》 ¨m胁。:相互作用蛋白对中包含(G。GJ的数目;Ⅳm:可能的蛋白对中包含(G。GJ的数目.下面将列举实例来说明先验概率的计算方法.例如在计算结果中,两个Go标注GO:0005685Consorti岫)所建立的数据库,旨在建立一个适用于各个物种,对基因和蛋白质功能进行限定和描述(sn对旧u1)和GO:0005686(sn对旧U2),在芽殖酵母***有10个蛋白质被Go:0005685注释,11个 蛋白质被Go:0005686注释.因此Ⅳ胤=10×11=110.的语言词汇标准,这个标准可以随着研究的不断深入而更新.这里我们将GO注释映射到我们的非冗 余PPI数据集上. 首先将从D口和M口S中得到的芽殖酵母总蛋 白的数据映射到SwISS—PROT和TrEMBL数据库, 从而得到蛋白质的标准标识符.然后又参照SGDExtemal在我们的非冗余PPI数据中,共有16对蛋白质分 别被Go:0005685和Go:0005686注释,因此如£。= 16.因此在本例中,可以计算,只Gm,一=1)=16/110.Lillks手工检验了每个蛋白质的信息,以我们从European Bioinfollllatics2结果保证所得到的蛋白质标识符正确无误. 接下来,2.1关联的Go可以被用作预测蛋白质相互作用的一种方法hlstitute(EBI)的GOA嘲的u_niProt数据库下载(邱://邱.ebi.ac.m洳ub/(1atabases/GO/)了包含所有Go注释的数据.另外,将这些数据中的GO注释映射到 我们的非冗余PPI数据集上. 在分析中去除了3个GO:GO:0000004 (biolo西cal工作中所应用到的总PPI数据的相关信息已在 表l中列出.将两个公共PPI数据库合成一个非冗余数据集用来做为训练数据集,通过计算每个GO对的先验概率.事实上很多GO对的先验概率为0,所以,Go关联性的空间非常稀疏.万 方数据processu11lmo、)l,n),GO:0008372(cellular2005;32(5)生物化学与生物物理进展Table 1Prog.Ⅸ∞h哪.Biophys.use?451?b皿fbnnation of tlle total data set weFrom public PPI databases CYGD aIld D坤,we generate negative con缸Dl datasetsareaIloIl?redundant PPI dataset埘th then哪ber of 17013.Botll posmVe aIldused for testillg.And we also generate chosen for comparison.a删ndom data sd containillg 100 000 PPI pairs.Fol|rhi曲一thmughput PPI datasetsare接下来用四组数据来检验这个方法,包括训练 使用的数据集,随机伪相互作用对,阳性对照和阴 性对照.至于随机伪相互作用对,是指从随机挑出 2个芽殖酵母蛋白形成的100 000对组合.很显然,这些数据中包含极少量真正的PPI,但是它的预测结果预期应当不同于真正的PPI.我们采用了以前 报道过的【-9】阳性和阴性对照,阳性对照包括在同一 个M口S复合物中的蛋白质对,而阴性对照中的蛋 白质则是有着不同的亚细胞定位的蛋白质对.因为 应用真正的PPI作为训练的数据,阳性对照的预期 结果与训练的数据相似,而阴性对照和随机伪相互Predicted∞l『_【意o.1∞口。甑矗器}oJprobabil订yscore作用对的数据结果和阳性对照和训练的数据显著不同.Fi昏1’nIe cllrV鹳of premcted accuracy■一■:DIP&CYGD;●一●:Random 10K;▲一▲:【i—neg;V—V:图1中列出了结果的对比.很明显,训练数据 集准确性最高,当概率值Qrobability score)大于0.5的时候,阳性对照的曲线与训练数据的很相似. 有趣的是,阴性对照的曲线位于最近底部,这表 明用这种方法不会产生太多的假阳性结果.因为随 机伪相互作用对中包含极少的真正的PPI,我们发M口S complex.Weusefbllrdatasetstocomparethe predictedaccuracy:01lr trainiI坞data set,posmVe con订ol(M口S f’PI and negative contr01.It,snotcoIrlplex),mdomoursmmge that our仃ainillg data get thelli曲est raIll【.But it’s clear that the positive con仃01 is much 1ike恤iningAnd hits.Sodatawb髓mePredictedPmbabil时Scoreis greater tllaIl 0.5.0urmetllod口甜ictsourboth the negative and random PPI、】lritll poormethod h髂a muchsatis轴gsens“ivity withamuch 10wfhlse Dositive mte.现当概率值低于O.2的时候,很难区分阳性对照和我们的随机PPI,这表明,即使在黄金标准集阳性 对照中,仍然存在相当的假阳性,当概率值大于 0.3的时候,阳性对照的曲线趋于平滑,即使是概 认为相关的GO可以作为PPI预测的一种方法,而 且可以得到令人满意的敏感度和很低的假阳性率. 在这篇文章中,我们任意选择了0.5作为概率值的率值大于0.9的时候,本方法仍能够准确地预测约20%相互作用. 图1显示本实验的方法能够将真的PPI和假的一个界限,来做进一步的讨论.以这个界限来说,能够对我们的训练数据集和阳性对照数据分别有约PPI区分开来,当概率值大于0.5的时候,这个方法将阴性对照预测为阳性得分的可能性为0.所以50%和30%的阳性预测率.然而对与随机伪相互作 用对和阴性对照,仅仅有5%和1%的假阳性率.万 方数据.452.生物化学与生物物理进展Pm昏Bioch咖.Biophys.2005;32(5)2.2与高通量实验数据作比较为了对比预测准确性,一些高通量实验产生的 试验数据被用来做比较,同时阳性对照被选择用 来作为黄金标准集.两组数据从基因组层面的流口劫o时候,灵敏度为47%,当0.5被作为一个起始值(Cut—o蛐的时候,灵敏度约为30%,这些都高于 高通量的数据得出的灵敏度.GaVin等刚得到的最 高的灵敏度是21%,这表明本实验采用的方法在准确率和效率方面都非常有效.而且,本方法能够pull一down脚1】得来,也就是用已深刻研究过的蛋白质作为饵(bait)来钓出与之结合的蛋白质.另通过结合越来越多的高质量的实验证实的PPI数据来增强自己的预测能力.然而在所有芽殖酵母的 PPI被准确阐明之前,比较我们这种方法与高通量 的数据之间特异性的大小还难以进行. 2.3推导芽殖酵母蛋白的蛋白质相互作用信息 既然关联的GO注释能被用来预测PPI,那么外两组数据酗是不同条件下大规模的酵母双杂交实验产生的.表2中大规模实验数据的灵敏度计算是根据之前报道的方法[19】,将大规模实验的数据对应到阳性 对照数据上,能与阳性对照数据对应的认为是对 的,反之认为是大规模实验的疏漏或者假阳性结 果.因为一般认为理想情况下,基因组范围的大规这种方法能够对细胞PPI的关系提供更多的,尚未被阐明的有洞察力的和新颖的知识吗?模的PPI实验是能够充分地发现所有可能的相互作 用,但是因为受实验条件限制,比如灵敏度不高,假阳性结果太多,因此高通量实验得到的结果中, 常常含有大量的假阳性数据.对于表2中列举的假 阳性率(false positive rate,FPR)结果是根据阴性对 照数据计算的.而灵敏度数据则是根据阳性对照数为了解决这个问题,我们查阅了最近的关于端粒PPI和蛋白质复合物的文献.端粒是指在染色体 末端的端粒DNA和与它结合的蛋白质复合物闭, 端粒DNA和端粒蛋白复合物之间在DNA复制和 一条端粒DNA链加长反应中起重要作用,这一功 能过程是维护基因组所必需的,退行性的过程可以据计算,同时列出了四组高通量实验数据的灵敏度 数据作为比较.Table 2使端粒DNA变短.有报道称端粒蛋白复合物可以 作为抗癌药物的靶向鲫. 有些药物已经被开发设计用来阻止端粒复合物C岫parison tolligh-throughputdata减短端粒DNA.但是,对于端粒复合物个体成员的数目以及它们之间的相互作用还不是很清楚.参照文献[28],我们找到了12个被详细研究过的蛋白质,它们很有可能组成蛋白质复合体或者分子机器 来执行特定的过程.通过在公共的PPI数据库中搜索,我们只找出了14对实验证实过的相互作用对, 在图2中列出.以0.5作为限制值,用我们的方法预测在这12个蛋白质之间有48对新的相互作用, 用这种方法只漏掉了2对真正的相互作用.有趣的是,实验性的相互作用显示这些蛋白质形成两个独 立的亚复合体,其中一个包括STNl,TENl,m ordef the follrto testourmemod,the results predicted were i11 datasetscomp撕sonaccuracytoTLCl,CDCl3,ESTl和EST2,另外一个包括hi曲?throu曲putpublished,and thewasRⅢ1,黜垤1,RⅢ2,Sm4,SⅡ匕和S取3.通过预 测,我们认为实际上这两个亚复合体之间存在相互 的对话来形成一个独立的蛋白质复合体,这对实验室工作者有一定的启发意义. 另外,芽殖酵母中的口Ll是~个很重要的有evaluafed using廿1e positive coIltml greater than 0.1,a higher And wheIl we adopted positiverateasets.When the probabili哆score isollrsensitivity of 47%was got、)lrimscoremethod.much stringeIlt mresholdat0.5,也e fhlseis about equal幻zcro,while the sensiti“ty is still 29%,which gre2【ter maIl theexp妇ental hh丝分裂激酶例,在动点∞netochore)和微管之间的动力态链接中起主导作用p卅.失去生物极性的突变 型口L1将不能定位到动点上.ⅢLl在胞质分裂期 也很重要,在线虫和果蝇的ⅢLl同源物被抑止后在MⅡ’s复合物中含有8 617个蛋白质,我们预测这些PPI对从而得到表2中的结果.同时,这 四组大规模的PPI数据与阳性控制数据也做了对 比,这些比较在表2中列出.当概率值大于0.1的万 方数据将导致有丝分裂后期和末期的异常.D√蝴l蛋白是万 方数据.454.生物化学与生物物理进展Prog.Biochem.Biophys.by using evidence integration in functional—linkage Natl Acad Sci 162005;32(5) networks.Pmc这种算法必然能够加强具体PPI实验工作的顺利开展. 参考文献1us&2004,101(9):2888 ̄2893McDermott J,Samudrala R.Enhanced functional information frompredicted proteinnetworks.Trends Biotechnol,2004,22(2):60,q52Seeler J17 Letovsky S.KasifS.Predicting protein function from protein/proteinS,Dejean A.Nuclear and unclear functions of SUMO.Nat Biol,2003,4(9):690--69918Rev Mol Cell 2voninteraction data:a probabilistic approach.Bioinformatics,2003,19(Suppl 11:i197~i204HayashidaMeting C,Krause R,Snel B,et 01.Comparative assessment ofsetsM,Ueda N,Akutsu fromT.large—scale dataof protein-protein interactions.Nature,2002,Inferring strengths dataofprotein-protein interactionsexperimentalusing linear417(6887):399,-4033 Lakey J H,Raggett Eprogramming.Bioinformatics.2003,19(Suppl 2):H58-H65 M.Measuring protein?protein interactions.19Jansen R approachCurr Opin Struct Biol,1 998,8(1):11 9~123 4 Gain A C,BoscheYu H,Greenbaum D,et01.ABayesian networksM,Kl"ause Ret01.Functionalfor predicting protein-proteininteractions from genomicorganization of 20data.Science.2003,302(5644):449--453Gavin A C,Bosche M,grausethe yeast proteome by systematicanalysis of protein complexes.RetNature,2002,415(6868):141-1475 Ho01.Functional organizationofY,Gruhler A,Heilbut A,et 01.Systematic identific撕on ofcomplexes in Saccharomyces cerevisioe by mass 21the yeast proteome by systematic analysisof protein complexes.Nature.2002,415(6868):141~147Ho Y,Gruhler A,Bader G D,et protein complexes inprotein01.Systematicidentification of by massspectrometry.Nature,2002,415(6868):180~1836Mareotte E M,Pellegrini M,Ng H L,et以.Detecting proteinfunction and protein—protein interactions from genome sequences. 22Saccharomycescerev拈iaespectrometry.Nature,2002,415(6868):180~183Uetz P,Giot L,Cagney G,et 01.A comprehensive analysis of protein?proteinScience,1999,285(5428):75 1-7537 OverbeektoR Fonstein M,D'SouzaMet01.neSciinteractions in Saccharomyces cere口如i∞.Nature.useofgene clustersinferfunctional coupling.Proc Natl AcadUSA,1999,96(6):2000,403(6770):623-452723 no T,Chibato2896~2901 8T,Ozawa心et以.A comprehensive two-hybrid analysisOsterman A,Overbenk R.Missing genes in metabolic pathways:acomparative genomics approach.Char Opin Chem 238-251explore the yeast protein interactome.Proc Natl Acad Sci USA,2001,98(8):4569-457424Biol,2003,7(2):Ashbumer M,Ball C A,Blake J气et 01.Gene ontology:tool for theunification ofbiology.TheGene Ontology Consortium.Nat Genet,9Huynen SciM气Bork P.Measuring genome evolution.Proc Natl Acad252000,25(1):25—29USA,1998,95(11):5849-5856CemonE,Barrell10 Cai L,Xue H,Lu H C,et 01.Analysis ofcorrelations between protein complexD,Brooksbank C,et 01.The Gene Ontologyand protein-protein interaction and mRNA expression.26Annotation(GOA)Project:Application of GO in SWISS—PROT, TrEMBL and InterPro.Comp Funct Genom,2003,4:71-74 McEachem M J'KrauskopfA Blackburn E H.Telomeres and theircontr01.Annu Rev Genet,2000,34:331 ̄358 27 Rezler EChinese Science Bulletin,2003,48(20):2226 ̄2230 11 SprinzakE,Margalit H.Correlated sequence—signatures勰markers Mol Biol,2001,311(4):681,-692ofprotein-protein interaction.J 12 DengM,Beams D J,Hurley L H.Telomere inhibition andasM,Mehta S,Sun F,et 01.Inferring domain—domaintelomere disruptioninteractions from protein—protein interactions.CJenome Res,2002,processes for drug targeting.Annu RevPharmacol Toxieol,2003,43:359-379 28 Kanoh J,Ishikawa F.Composition12(10):1540~154813Andersenand conservation ofthe telomericJS,Wilkinson C J,Mayor T,et口f.Proteomic29characterization of the human centrosome by protein correlationcomplex.Cell Mol Life Sci,2003,60(11):2295~2302Stem BM.Mitosis:auroragives chromosomesahealthy stretch.profiling.Nature,2003,426(6966):570~57414 Bader GD,Heilbut八AndrewsaB,et 01.Functionalgenomics andCurtBiol,2002,12(9):R316--31830 KallioM J,McCleland M L,Stukenberg P T,et nf.Inhibition ofproteomics:charting Trends Cell 15 Karaozmultidimensional map of the yeast cell.aurora B kinase blocks chromosome segregation,overrides thespindle CurtBiol,2003,13(7):344~356U,Murali T M,Letovsky S,et nf.Whole—genome annotationcheckpoint,and perturbs microtubule dynamics in mitosis.Biol,2002,12(11):900--905万 方数据2005;32(5)生物化学与生物物理进展Prog.Biochem.Biophys.?455?Protein-protein Interaction PredictionWithCorrelated Gene Ontology+ZHANG Qian协.WANG Jing—Zel’”(1’State Key Laboratory ofBio-membrane and Me舶rane Biotechnology,Institute ofZoology,The Chinese Academy 4Graduate SchoolofScie,lces,Beijing100080,China;of The Chinese Academy ofSciences,Beijing 100039,China)Abstract PPI mapsThe cellular processes in cellsarearecontrolled by protein—protein interactions(PPI),and comprehensiveimportanttounderstand the complicated regulatory,metabolic and signaling pathwa)rs.Recently,arenew parameters for PPI predictionunder discovering.Here,aNarve Bayesian algorithm with the correlatedGene Ontology(GO)was used for PPI prediction.The characteristic pairs of trainingaGOterms was demonstrated bynon—redundantPPI data setcorrelatedGO termsfrom two online budding yeast databases,and the probability about thisaccuracy of the prediction was tested by both positivetwowas alsoobtained.Theand negativerate.control data.The approachcandistinguish themproperly.witllasatisfied sensitivity and low false positiveAfter comparing the prediction result to the data derived from high—throughput experiments,it is proved that themethod is more sensitive and efficient than other interactions of the proteins laboratory experiments. Key wordsmeans.Furthermore,somenewinsightfulknowledge abouttowillbe found using this prediction approach,and the prediction is very helpfultheprotein-protein interaction(PPI),correlated,GeneOntology(Go),Naive Bayesian+This work was supported by ’+Correspondingagrant from The National Natural Sciences FoundationofChina(30171071).author.Tel:86—10—62551668.E—mail:wen舀z@ioz.ac.enAccepted:January 31,2005Received:December 1,2004?+一+-+-+一+-—+?-+-+-+-+-+-+-+-+-+-+-+-+-+一+-+-+-+-+-+?+-+-+-+?+-+-+?+-+-+?+-+一+-+?+-+-+-+-+-+-+?研究快报投稿须知我刊自2004年6月起将“研究快报”栏目开辟为论文快速发表通道,这一举措受到作者和读者的广泛关注和积极支持,目前我刊已收到大量研究快报”栏目投稿.在此,我刊对关心该栏目的作者、读者表示感谢.为确保该栏目论文的学术质量和审理速度,我刊进一步规范了该栏目的投稿与推荐.白本通知发布之 日起,投送“研究快报”栏目的论文作者务请按要求提供以下资料:(1)投稿函(cover letter).作者在投送 稿件的同时提供投稿函,确切阐明该论文的主要创新点及其学术或应用价值,说明需以‘‘研究快报”发表 的理由.(2)专家推荐书(2份).请从我刊网站下载“研究快报”论文专家推荐书(http://www.pibb.ac. cn/zhuanjia.doc),由推荐人逐项填写、签名后直接邮寄或传真至我刊编辑部.编辑部收到专家推荐书后, 稿件进入审理程序. 《生物化学与生物物理进展》编委会、编辑部万 方数据基于关联基因本体论注释的蛋白质相互作用预测作者: 作者单位: 张茜, 王敬泽, ZHANG Qian, Wang Jing-ze 张茜,ZHANG Qian(中国科学院动物研究所,生物膜与膜生物工,程国家重点实验室,北京 ,100080;中国科学院研究生院,北京,100039), 王敬泽,Wang Jing-ze(中国科学院动物研究 所,生物膜与膜生物工,程国家重点实验室,北京,100080) 生物化学与生物物理进展 PROGRESS IN BIOCHEMISTRY AND BIOPHYSICS ) 0次刊名: 英文刊名: 年,卷(期): 被引用次数:参考文献(30条) 1.Seeler J S.Dejean A Nuclear and unclear functions of SUMO .von Mering C.Krause R.Snel B Comparative assessment of large-scale data sets of protein-protein interactions ) 3.Lakey J H.Raggett E M Measuring protein-protein interactions 1998 4.Gavin A C.Bosche M.Krause R Functional organization of the yeast proteome by systematic analysis of protein complexes ) 5.Ho Y.Gruhler A.Heilbut A Systematic identification of protein complexes in Saccharomyces cerevisiae by mass spectrometry ) 6.Marcotte E M.Pellegrini M.Ng H L Detecting protein function and protein-protein interactions from genome sequences ) 7.Overbeek R.Fonstein M.D'Souza M The use of gene clusters to infer functional coupling 1999 8.Osterman A.Overbeek R Missing genes in metabolic pathways: a comparative genomics approach 2003 9.Huynen M A.Bork P Measuring genome evolution 1998 10.Cai L.Xue H.Lu H C Analysis of correlations between protein complex and protein-protein interaction and mRNA expression[期刊论文]-Chinese Science Bulletin .Sprinzak E.Margalit H Correlated sequence-signatures as markers of protein-protein interaction .Deng M.Mehta S.Sun F Inferring domain-domain interactions fiom protein- protein interactions 2002 13.Andersen J S.Wilkinson C J.Mayor T Proteomic characterization of the human centrosome by protein correlation profiling ) 14.Bader G D.Heilbut A.Andrews B Functional genomics and proteomics: charting a multidimensional map of the yeast cell .Karaoz U.Murali T M.Letovsky S Whole- genome annotation by using evidence integration in functional-linkage networks 2004 16.McDermott J.Samudrala R Enhanced functional information from predicted protein networks .Letovsky S.Kasif S Predicting protein function from protein/protein interaction data:a probabilistic approach .Hayashida M.Ueda N.Akutsu T Inferring strengths of protein-protein interactions from experimental data using linear programming .Jansen R.Yu H.Greenbaum D A Bayesian networks approach for predicting protein-proteininteractions from genomic data ) 20.Gavin A C.Bosche M.Krause R Functional organization of the yeast proteome by systematic analysis of protein complexes ) 21.Ho Y.Gruhler A.Bader G D Systematic identification of protein complexes in Saccharomyces cerevisiae by mass spectrometry ) 22.Uetz P.Giot L.Cagney G A comprehensive analysis of protein-protein interactions in Saccharomyces cerevisiae ) 23.Ito T.Chiba T.Ozawa R A comprehensive two-hybrid analysis to explore the yeast protein interactome 2001 24.Ashburner M.Ball C A.Blake J A Gene ontology: tool for the unification of biology 2000 25.Camon E.Barrell D.Brooksbank C The Gene Ontology Annotation (GOA) Project: Application of GO in SWISS-PROT,TrEMBL and InterPro 2003 26.McEachern M J.Krauskopf A.Blackburn E H Telomeres and their control 2000 27.Rezler E M.Bearss D J.Hurley L H Telomere inhibition and telomere disruption as processes for drug targeting 2003 28.Kanoh J.Ishikawa F Composition and conservation of the telomeric complex 2003 29.Stern B M Mitosis: aurora gives chromosomes a healthy stretch 2002 30.Kallio M J.McCleland M L.Stukenberg P T Inhibition of aurora B kinase blocks chromosome segregation, overrides the spindle checkpoint, and perturbs microtubule dynamics in mitosis 2002相似文献(1条) 1.学位论文 梁淑芳 串联亲和纯化及氨基酸代谢标记-改进的串联亲和纯化研究蛋白质复合物及蛋白-蛋白相互作用 2005很多蛋白质功能是通过形成蛋白质复合体及其蛋白质-蛋白质间的相互作用共同实现的。蛋白质-蛋白质间的相互作用分析是功能基因组学及蛋白质 组学的重要研究内容之一,是了解蛋白功能的途径之一。现在研究蛋白-蛋白相互作用的主要的方法是酵母双杂交,但该方法的主要缺点是其较高的假阳 性和假阴性结果,需要进一步的实验来验证分析。因此,本研究联合运用分子克隆等分子生物学技术与亲和纯化、氨基酸代谢标记(稳定同位素标记)及 质谱等分析化学技术,主要发展了蛋白质复合体串联亲和纯化(TAP)方法,以及蛋白质-蛋白质相互作用研究的“氨基酸代谢标记-串联亲和纯化-质谱新 技术(AACT-TAP-MS)”,和基于氨基酸代谢标记技术的免疫共沉淀(AACT-IP)新方法;并在人肝癌细胞系中分别运用发展的TAP,AACT-TAP-MS方法分离鉴 定了14-3-3(epsilon)蛋白复合体。本文研究内容主要集中在以下几个方面: 1.改进发展适合于高等哺乳动物细胞的新的TAP系统和技术分离纯化蛋白复合体。建立蛋白混合物经过“Flag-antiFlagM2”和“钙调素结合肽-钙调 素”两次不同的亲和结合、TEV酶酶切和SDS洗脱而分离纯化蛋白复合物的新TAP方法,可在生理条件下简单快速分离得到蛋白质复合物。与Rigaut当初在 酵母中建立的“ProteinA-IgG”和“CBP-CM”的TAP方法相比,主要是在TAPtag载体中用两个短的8肽Flag序列取代了ProteinA序列,分子量减小有利于 靶蛋白与TAPtag载体更有效融合表达,且通过anti-Flag抗体来分离复合物特异性更强,有效减少非特异性蛋白的结合。 2.将蛋白定量分析的“氨基酸代谢标记-质谱技术”(AACT-MS),与有效分离蛋白复合物的串联亲和纯化标签(TAPtag)方法有机整合发展,建立了d3Leu氨基酸代谢标记-串联亲和纯化-质谱新技术(AACT-TAP-MS)进行蛋白复合物分离纯化、蛋白鉴定及绘制蛋白间直接相互物理作用图谱的一体化新技术 ,提高蛋白质鉴定和定量分析的灵敏度和准确性。AACT-TAP-MS新技术也为建立大规模、高通量、快速准确分析研究人类重要功能蛋白质连锁网络提供新 的技术体系。 3.选择人类重大疾病肝癌为研究对象,以人肝癌细胞为靶细胞,运用发展的AACT-TAP-MS新技术,从蛋白质间的相互作用、协同发挥功能的新角度 ,分离与肝癌发生发展密切关联的蛋白14-3-3的复合物,鉴定了14-3-3zeta,14-3-3theta,actin,Bipprotein及HSP70等蛋白与14-3-3ε存在特异性相 互作用。本研究可为肝癌的早期诊断、预后寻找新的侯选蛋白标记物提供新方法。 4.发展了基于氨基酸同位素代谢标记技术的免疫共沉淀新方法来分离蛋白质复合体、分析蛋白质-蛋白质间相互作用。运用建立的AACT结合co-IP方 法,鉴定出了与目的蛋白14-3-3β特异性相互作用的HSP90A,glyceraldehyde-3-phosphatedehydrogenase,14-3-3tau等蛋白。 总之,本研究工作不仅在蛋白质复合物分离以及与AACT-MS联用的方法学和研究蛋白质功能上具有重要的科学意义,可为哺乳动物细胞中其他蛋白复 合物的TAP法纯化,研究蛋白-蛋白相互作用提供新的技术方法。AACT-TAP-MS可为我国正在开展的“中国人类肝脏蛋白组计划”及包括中国参与的国际合 作项目“人类肝脏蛋白组计划”中研究内容之一—绘制“人类肝脏蛋白质相互作用连锁图”,建立大规模、高通量、快速准确分析研究人类重要功能蛋 白质连锁网络提供新的技术体系。本课题的研究思想和方法代表了系统生物学中有关蛋白组学研究方法的概念性革新。本文链接:http://d..cn/Periodical_swhx.aspx 授权使用:浙江大学(wfzjdx),授权号:6e6145de-d93d--9ddd016347af 下载时间:日
蛋白质功能-结构-相互作用预测网站工具合集_生物学_...基础上完成功能性的富集分析,基因簇的功能注解是...PROSITE 数据库是基于对蛋白质 家族中同源序列多重...随着后基因组时代的发展,NCBI 数据库中迅速涌现出 ...为基于序列相似性预测、基于蛋白质相互作用网络预测、...得分密切相关的注释对,开发出可以通过降低分辨率来...模块挖掘成为研究蛋白质相互作用 机理和蛋白质功能的...每一个基因产物都会有一个或者多个 GO 注释信息。...用于描述基因产物的功能. 3.2基因本体论(gene ...通过其特有的信号途径, 调节其基因的表达, 以保持...3 生物信息学 预测蛋白质间相互作用的生物信息学...生物信息学注释手段的运用会 愈显重要, 相信会有...用于描述基因产物的功能. 基因本体论(gene ontology)...GO 对基因和蛋白的注释阐明了基因产物和用于定义他们...4. 预测与一种疾病相关的基因 5. 分析在发育中...研究蛋白质与DNA相互作用的主要方法_临床医学_医药...DNA 技术的发展, 人们已分离到了许多重要的基因。 ...(Chromatin Immunoprecipitation,ChIP)是基于体内分析...GO 对基因和蛋白的注释阐明了基因产物和用于定义他们...一个基因产物可以被一种本体论定义的多种分支或多...4. 预测与一种疾病相关的基因 5. 分析在发育中...检测两种蛋白是否有相互作用,需将两种蛋白的基因分别与这两种荧光蛋白的基因融合,...④ Far western blot(in vitro) Far western blot 是基于 western blot 发展...基因本体论_生物学_自然科学_专业资料 暂无评价|0人阅读|0次下载 基因本体论_生物学_自然科学_专业资料。创新助手报告 ——主题分析报告 创新助手平台提供 北京...细菌的基因预测以及注释_生物学_自然科学_专业资料。...参数对蛋白质编码基因起始位点、 假 蛋白基因和 ...(3)基于各种统计模型和算法从头预测,比 如隐马可夫...
All rights reserved Powered by
copyright ©right 。文档资料库内容来自网络,如有侵犯请联系***。