07第七讲 蛋白质结构预测幻灯片.ppt

第七讲 蛋白质结构预测 内 容 概述 蛋白质的序列分析 蛋白质二级结构预测 蛋白质三维结构的预测 主要生物信息学资源（蛋白质数据库） 生物信息学方法的应用（简单介绍） 预测蛋白性质和结构 一、概述 蛋白质结构研究的重要性 基因序列→蛋白质序列→蛋白质空间构象→生物功能 解析蛋白质的空间结构——有利于认识蛋白质的功能？认识蛋白质是如何执行功能的？认识结构与功能的关系？ 基础——设计和创造新蛋白 现代结构测定技术虽然发展迅速，但是非常复杂，费用很高。 特别是已知结构的蛋白质，反复测定，费用高昂 基因组序列分析→导出大量的蛋白序列→但蛋白的空间结构未知 ？ 结构测定面临的巨大挑战——蛋白质种类数量庞大，依靠结构测定方法获得空间结构信息面临巨大挑战 ？ 假如研究中对cDNA翻译的序列高级结构一无所知， ——首先通过结构预测，提供实验设计思路 ？ 3. 蛋白质结构预测的可行性分析 Anfinsen 原理：蛋白去折叠 →重新折叠 →生物学活性能够完全恢复，说明高级结构的信息蕴含在一级结构中。因此，设法以一级结构来推测高级结构具有理论上的可行性。 结构分析表明：有些蛋白之间具有很高的同源性，根据蛋白质结构和功能的高同源性关系预测未知蛋白质结构，在理论和实践上是可行的。 蛋白质结构预测——已有大量研究和成功实例，提供了实践上的可行性。 分子生物学和生物信息学等技术的发展，有可能直接从一级序列出发，预测蛋白质的高级结构，为高级结构的预测提供了保障。 因此，蛋白质高级结构的预测是可行的，而且成本相对低廉。 4. 蛋白质结构预测的目的 5. 结构预测的主要思路 获得一级序列 ↓ 寻找同源蛋白 ↓ 依据同源蛋白晶体结构 ↓ 构建结构模型 第一节 蛋白质序列分析 序列同源性分析 双重序列比对 多重序列比对 序列同源性分析 ？ 概念：与已知的序列进行比对，找出同源性序列，从中获取未知该序列蛋白的性质和结构信息的过程。 方法：目标序列→数据库序列比对→寻找同源得分高的序列→获得如下信息 未知蛋白质aa组成、pI、MW、疏水区等性质 保守位点、活性位点等 建立蛋白质之间的进化关系 二级和三级结构预测信息 预测蛋白质的折叠块模式（二级结构与氨基酸关系，一级结构与三级结构关系） 意义： 获取未知高级结构蛋白的性质和结构信息， 对蛋白质的性质和结构进一步实验研究具有指导作用。 2. 双重序列比对: 概念：两个序列 之间比较序列，通过aa残基数匹配，反映序列间同源性高低的程度和序列相似的程度。 （1）原理 序列最小比较单位是aa残基，即是 每个aa残基代表一个结构单元 通过二维矩阵的方法，寻找两个序列的最大匹配路径； 允许两个序列上插入或删除一些aa残基（gap）—获得残基最大匹配数量。 （2）打分矩阵类型：由计算机软件完成 →依据aa所对应的核苷酸变异的分析方法——GC GCM GDM： →依据aa所对应的物化性质的分析方法——Rao： →依据aa侧链的疏水性质的分析方法——HYDOR: →aa在一组相关蛋白质中相互间的替代关系——MD PAM： →结构打分矩阵. 蛋白拓扑结构相应区域氨基酸残基的取代关系——RIS: →依据aa残基的主链二面角（φ—ψ）分布——SCM： →氨基酸残基的空间倾向因子——SCMm, SCFs： （3）打分矩阵的gap值 gap：序列中的aa残基的插入和删除。 序列比对中允许有“gap”存在，扣除gap值，打分仍最高。 （4）矩阵打分——来自统计的结果 反映蛋白质家族的共性。如免疫球蛋白家族、白蛋白家族 序列比对：仅在一定程度上反映结构的相似性。 结构打分矩阵序列比较——是一种类结构比较法，提高结构相似性 （5）双重比对的实例： 同种蛋白不同亚基，人血红蛋白——两个链同源性73% （P62） 不同来源同功蛋白，人和软体动物肌红蛋白同源性22%（P63） 同源性高，不同打分矩阵给出结果相一致。 同源性低，不同打分矩阵给出结果有不同。 原因：主要由于序列不保守区匹配不一致导致。 多重序列比对（Multiple sequence alignment；MSA） （2）多重序列比对方法 多重序列比较以双重序列比较为基础 序列比对给出显著性得分的方法 假设6个序列，要得到显著性得分，将序列重排100次， 分别求出每两对序列的显著性得分，需要进行C62×101=1515（次） 归一化比对得分“NAS值”与“显著性得分”成正比 NAS：两个序列的（最大显著性得分）与（序列长度）的比值（归一化处理） NAS值高的一对序列，即是同源性最高的序列 多重序列比对： 最先考虑两个同源性高的序列， 再挑选NAS值较高的第三个序列进行比对， 依次类推，获得全部序列的同源性高低排列。 如：feng-Doolite法和Barton-Sternberg