第五章 蛋白质分析及预测方法(新)PPT.ppt

第八章 蛋白质分析及预测方法 ;一、分子量及等电点;Temperature 22℃ 30℃ IPTG(mM) 0.001 0.1 0.001 0.01 M S P S P S P S P;Compute pI/Mw对pI的确定基于早期Bjellqvist等的实验，该实验根据多肽在含高浓度（9.2~9.8mol/L）尿素缓冲液中，酸性pH梯度（pH4.5至pH7.5）电泳中的迁移率来计算其pK值和pI值，然后根据氨基酸序列和pI关系来预测，因此在计算碱性蛋白质的理论pI值时可能不准确。 ProtParam可计算蛋白质分子量、理论等电点、氨基酸组成、各原子组成、在280nm附近的吸光系数、估计半衰期、稳定指数等，但如蛋白质中含翻译后修饰过的氨基酸残基，则不计算在内。 ;;;（二）、二维凝胶电泳;;（三）、质谱分析;;三、酶切及断裂位点 ;四、疏水性;;;ProtScale除能分析蛋白质的亲/疏水性外，还能计算蛋白质的分子量、极性，预测二级结构等，共包括了50余种不同的算法。 除ProtScale外，蛋白质序列统计分析（Statistical Analysis of Protein Sequences，SAPS）是另一个计算蛋白质序列性质的在线工具（http://www.isrec.isb-sib.ch/software/SAPS_form.html），它可给出查询序列的氨基酸组成、电荷分布（包括正/负电荷聚集区的位置，强带电或不带电区段，电荷分布连续性和模式等）、高疏水性和跨膜区段、重复结构及周期性分析等属性。 ; 第二节 蛋白质二级结构预测 ;预测方法可以分为三类： 统计/经验算法，其中最为著名的有基于经验统计规则的Chou-Fasman方法及基于信息论算法的GOR方法； 物理—化学方法，基于对于蛋白质结构的物理及化学原理的预测，如Lim方法； 机器学习方法，致力于将前两种方法的优点结合起来。 ;一、二级结构预测方法： （一）、Chou-Fasman方法 Chou-Fasman方法曾经是现在仍然是最为普遍应用的方法。 其基本出发点在于对于蛋白质20种不同的氨基酸残基在不同的二级结构中出现的几率进行统计分析得出在不同二级结构中出现的倾向性。利用这种倾向性，加之周围残基的信息，在一定规则的指导下就可以进行预测了。 ;;预测规则简述如下： α螺旋规则： 沿着蛋白质序列寻找α螺旋核，相邻6个残???中若有至少4个残基倾向于形成α螺旋，则认为是螺旋核。然后螺旋核向两端延伸，直至四肽片断的α螺旋倾向性因子的平均值Pα＜1.0为止。此外，Pro不容许在螺旋内部出现，但可出现于C末端以及N端的前三位，这也用于终止螺旋的延伸。最后，将螺旋两端各去掉3个残基，剩余部分若长于6个残基，而且Pα＞1．03，则预测为螺旋。 ;β折叠规则 相邻5个残基中若有3个倾向于形成β折叠，则认为是折叠核，折叠核向两端延伸直至4个残基的平均折叠倾向性因子Pβ＜1.0。若延伸后的片断Pβ＞1.05，则预测为β折叠。 转角规则 四肽片断，若位置专一性转角形成几率f i+1·f i+2·f i+3·f i+4＞ 0.75×10-4 ，Pt ＞1.0，并大于Pα和Pβ，则预测为转角。 重叠规则 螺旋和折叠的重叠区域，按Ｐα和Pβ的相对大小进行预测，如若Pα大于Ｐβ，则预测为螺旋，反之，则预测为折叠。;（二）、GOR方法 GOR(Gamier-Osguthorpe-Robson)方法基于信息论算法，是所有统计算法中理论基础最好的。其基本原理是将一级结构与二级结构看成是由一个转化过程相联系的两个信息。 结构预测依赖于每个氨基酸残基及其周围的残基所携带的二级结构信息。 为了避免需要大量的实验数据，GOR方法将信息函数分为多项加和形式，并且只考虑双残基及单残基所携带的信息：一个残基携带其自身的二级结构信息，同时携带有另一个残基的二级结构信息，包含不依赖于另一残基类型的和依赖于另一残基类型的信息。;（三）、神经网络方法 神经网络学习系统是一组有相互联系强度的非线性的单元。用于二级结构预测的神经网络多为误差回传式反馈网络。用于二级结构预测的神经网络方法有许多种，其中代表性的为最早发表的Qian和Sejnowski方法以及广泛应用的PHD方法。相对而言神经网络方法便于应用，有较高的预测准确度。最大的缺点是没有明确的物理化学意义。 ;（四）、基于多重序列比对的二级结构预测 基于单个