蛋白質(zhì)結(jié)構(gòu)和功能預(yù)測學(xué)習(xí)資料

蛋白質(zhì)結(jié)構(gòu)和功能預(yù)測Structureandfunctionpredictionofproteins李琬生物物理教研室分子生物學(xué)館212liwan@教學(xué)大綱掌握：DSSP編號，Chou-Fasman方法，GOR方法，基于已有知識的預(yù)測方法了解：機器學(xué)習(xí)方法結(jié)構(gòu)預(yù)測功能預(yù)測△※※結(jié)構(gòu)預(yù)測二級結(jié)構(gòu)預(yù)測三級結(jié)構(gòu)預(yù)測△※△※△※蛋白質(zhì)二級結(jié)構(gòu)的預(yù)測通常被認為是蛋白結(jié)構(gòu)預(yù)測的第一步。二級結(jié)構(gòu)預(yù)測（Secondarystructureprediction）α-螺旋β-折疊轉(zhuǎn)角無規(guī)則卷曲蛋白質(zhì)中約85%的氨基酸殘基處于3種基本二級結(jié)構(gòu)狀態(tài)（α螺旋、β折疊和轉(zhuǎn)角）二級結(jié)構(gòu)預(yù)測的目標(biāo)是判斷每一個氨基酸殘基是否處于α螺旋、β折疊和轉(zhuǎn)角（或其它狀態(tài)）。最新方法的預(yù)測準確性達到80%。（1）DSSP編號（2）CF方法（3）GOV方法（4）機器學(xué)習(xí)方法（5）基于已有知識的預(yù)測方法（6）多序列比對預(yù)測（7）二級結(jié)構(gòu)預(yù)測相關(guān)軟件（1）DSSP（DefineSecondaryStructureofProteins）編號G：3轉(zhuǎn)角螺旋，最短長度為3個殘基。H：α螺旋，最短長度為4個殘基。I：5轉(zhuǎn)角螺旋,最短長度為5個殘基。E：平行的β折疊，最短長度為2個殘基。B：一對β折疊氫鍵。T：氫鍵轉(zhuǎn)角（3、4或5個轉(zhuǎn)角）。S：彎曲（唯一非氫鍵的指定）。C：卷曲。空格：其他。H：H,GandI，螺旋E：BandE，折疊C：allotherstates，卷曲（2）Chou-Fasman（CF）方法每種氨基酸出現(xiàn)在各種二級結(jié)構(gòu)中傾向或者頻率是不同的谷氨酸Glu主要出現(xiàn)在α螺旋中天冬氨酸Asp和甘氨酸Gly主要分布在轉(zhuǎn)角中脯氨酸Pro也常出現(xiàn)在轉(zhuǎn)角中，但是絕不會出現(xiàn)在α螺旋中基于單個氨基酸殘基的經(jīng)驗預(yù)測方法。通過統(tǒng)計分析，獲得每個殘基出現(xiàn)于特定二級結(jié)構(gòu)構(gòu)象的傾向性因子，預(yù)測蛋白質(zhì)的二級結(jié)構(gòu)。預(yù)測成功率并不高，僅有50%左右。傾向性因子

表示二級結(jié)構(gòu)狀態(tài)

是所有被統(tǒng)計殘基處于二級結(jié)構(gòu)的比例

是第A種殘基處于結(jié)構(gòu)的比例

大于1.0表示該殘基傾向于形成二級結(jié)構(gòu)參數(shù)在α螺旋、β折疊和轉(zhuǎn)角中出現(xiàn)頻率的大小轉(zhuǎn)角參數(shù)每種殘基出現(xiàn)在轉(zhuǎn)角第一～四位的頻率基本思想在序列中尋找規(guī)則二級結(jié)構(gòu)的成核位點和終止位點。延伸延伸成核區(qū)終止位點終止位點步驟α螺旋α螺旋核：相鄰的6個殘基中有至少4個殘基對應(yīng)的Pα>100。D

L

G

D

K

F

RL

VI

APα101121

57

101

114

113

98

121106

108

142Pβ54

130

7554

74

16083終止位點：四肽α片段Pα的平均值小于100。D

L

G

D

K

F

RL

VI

APα101121

57

101

114

113

98

121106

108

142Pβ54

130

7554

74

16083片段長度大于5，且Pα的平均值大于Pβ的平均值。D

L

G

D

K

F

RL

VI

APα101121

57

101

114

113

98

121106

108

142Pβ54

130

7554

74

16083107.5105.5β折疊β折疊核：相鄰5個殘基中有至少3個殘基對應(yīng)的Pβ>100。D

L

G

D

K

F

RL

VI

APβ54

130

7554

74

16083Pα101121

57

101

114

113

98

121106

108

142D

L

G

D

K

F

RL

VI

APβ54

130

7554

74

16083Pα101121

57

101

114

113

98

121106

108

142終止位點：4個殘基Pβ的平均值小于100。片段的Pβ的平均值大于105，且Pβ的平均值大于Pα的平均值。114.6121.1D

L

G

D

K

F

RL

VI

APβ54

130

7554

74

16083Pα101121

57

101

114

113

98

121106

108

142重疊若重疊區(qū)域Pα的均值大于Pβ的均值，則預(yù)測為螺旋；反之，預(yù)測為折疊。

D

L

G

D

K

F

RL

VI

APα101121

57

101

114

113

98

121106

108

142Pβ

54

130

7554

74

16083如果折疊區(qū)域重新分配后，剩下的螺旋或者折疊的長度小于5，則取消其分配的二級結(jié)果。

D

L

G

D

K

F

RL

VI

APα101121

57

101

114

113

98

121106

108

142Pβ

54

130

7554

74

16083轉(zhuǎn)角從第j個殘基開始的連續(xù)4個殘基片段 p(t)=f(j)f(j+1)f(j+2)f(j+3)p(t)>0.000075;0.000088LGDKf0.0610.0850.1790.095Pt59156146101Pα12157101114Pβ130755474四肽片段Pt的平均值大于100;且Pt的均值同時大于Pα的均值以及Pβ的均值。LGDKf0.0610.0850.1790.095Pt59156146101Pα12157101114Pβ130755474115.598.383.3

A

S

T

L

Y

E

DGT

Lα螺旋：Pα(4/相鄰6個殘基)>100。Pα(4)<100。長度>5，Pα>Pβ。β折疊：Pβ(3/相鄰5個殘基)>100。Pβ(4)<100。Pβ>105，Pβ>Pα。重疊：Pα?Pβ。長度>5。轉(zhuǎn)角：p(t)=f(j)f(j+1)f(j+2)f(j+3)>0.000075。Pt(4)>100，Pt>Pα，Pt>Pβ。/gor/（3）GOR方法基于信息論和貝葉斯統(tǒng)計學(xué)的方法。將蛋白質(zhì)序列當(dāng)作一連串的信息值來處理預(yù)測成功率65%。不僅考慮了被預(yù)測位置本身氨基酸殘基種類的影響，而且考慮了相鄰殘基種類對該位置構(gòu)象的影響。序列窗口中心殘基分析已知二級結(jié)構(gòu)的蛋白樣本，計算出中心殘基的二級結(jié)構(gòu)分別為螺旋、折疊和轉(zhuǎn)角時每種氨基酸出現(xiàn)在窗口中各個位置的頻率。表示α螺旋、β折疊或轉(zhuǎn)角表示一種氨基酸殘基

信息若和無關(guān)，即，則若的發(fā)生有利于的發(fā)生，即，則若的發(fā)生不利于的發(fā)生，則，。產(chǎn)生17×20的得分矩陣利用矩陣中的值計算待預(yù)測序列中每個殘基形成螺旋、折疊或轉(zhuǎn)角的概率。α螺旋β折疊轉(zhuǎn)角位置氨基酸處于二級結(jié)構(gòu)類型的信息值中心殘基r的二級結(jié)構(gòu)預(yù)測為最大的二級結(jié)構(gòu)類型。GORV加入進化信息PSI-BLAST準確率73.5%（4）機器學(xué)習(xí)(Machinelearning)方法最鄰近（nearestneighbor）方法將待預(yù)測的片段與數(shù)據(jù)庫中已知二級結(jié)構(gòu)的片段進行相似性比較，利用打分矩陣計算出相似性得分，根據(jù)相似性得分，構(gòu)建出待預(yù)測片段的二級結(jié)構(gòu)。相似性大于30%的序列，預(yù)測準確率高。神經(jīng)網(wǎng)絡(luò)（Neuralnetwork）方法使用已知結(jié)構(gòu)作為訓(xùn)練集，根據(jù)輸入的一級結(jié)構(gòu)和二級結(jié)構(gòu)的關(guān)系信息不斷調(diào)整各單元之間的權(quán)重，最終目標(biāo)是找到一種好的輸入與輸出的映象，并對未知二級結(jié)構(gòu)的蛋白進行預(yù)測。準確率約70%。ADeepLearningNetworkApproachtoabinitioProteinSecondaryStructurePrediction深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。支持向量機（Supportvectormachines，SVM）可以很好地預(yù)測轉(zhuǎn)角所需訓(xùn)練集較小SecondaryStructurePredictionbyChou-Fasman,GORandNeuralNetworkhttp://cib.cf.ocha.ac.jp/bitool/MIX/2F3IXXXXXXEEEEEEEEEEXXXXSSTTEEEEEEEESSSXXEEEEEEEXTTSSSTTXXXEEEEXSXXXXSSSSSTTTXSSSTTSTTSXTTTTSEEEXEEEEXXSSXXSSSSXXSSEEEEEEETTEEEEEEEXHHHHTXXSTTSTTSEEEEEXXXCFCEEHHHHHCCCCCCCCCHHHHEEEEHHHHHHCHHHHHHHEEEEEEEEEEEHHHHHEEEEEEEECCCEECCCCCCCCCCCCCCHHHHHCCEECEEEEECCCCCEEHHHHHCCEEEEECEEHHHHHHHCCCCCCCCCCEEEEEHHHHHHCCCGORHHHHHHHHHHHHHCCCHTTHHHHHHHTTHHHHHHHHHHHHHHHCCEECCCCCTCHHEEEEETEEETTTCCCTTTCCCCCCCTCTTTHHHHEHTTCEEEETTCTHHHHHHHHEEEEEETTCEEEEEHTTTTTTTTEEHHHHHHHHHHHHHHNNCCCCCCCCCCCCCCCCCCCCCCCCHHHHCCCCCCHHHHHHHHCCCCCCCCCCCCCCEEEEECCCCCCCCCCCCCCCCCCCCCCCCCHHHHHHHCCCEEEECCCCCCHHHHHHHEEHHCCCCEEHHCCCCCCCCCCHHHHHHHHHHHHHHH29%30%31%根據(jù)氨基酸殘基的物理化學(xué)性質(zhì)：疏水性、親水性、帶電性以及體積大小等，考慮殘基之間的相互作用。對于小于50個氨基酸殘基的肽鏈，預(yù)測準確率可以達到73%。（5）基于已有知識（knowledge）的預(yù)測方法Lim方法疏水氨基酸丙氨酸（A）纈氨酸（V）亮氨酸（L）異亮氨酸（I）脯氨酸（P）苯丙氨酸（F）色氨酸（W）甲硫氨酸（M）親水氨基酸甘氨酸（G）絲氨酸（S）蘇氨酸（T）半胱氨酸（C）酪氨酸（Y）天冬酰胺（N）谷氨酰胺（Q）賴氨酸（K）精氨酸（R）組氨酸（H）天冬氨酸（D）谷氨酸（E）α螺旋序列第i、i+3、i+4位（如1、4、5）是疏水殘基；第i、i+1、i+4位（如7，8，11）為疏水殘基。

D

L

G

D

K

F

R

L

VI

A疏水¤¤¤¤¤¤親水◎◎◎◎◎β折疊埋藏的β折疊通常由連續(xù)的疏水殘基組成一側(cè)暴露的β折疊則通常具有親水-疏水的兩殘基重復(fù)模式

D

L

G

D

K

F

R

L

VI

A疏水¤¤¤¤¤¤親水◎◎◎◎◎點模式（bitpattern）方法八殘基片段以一個二進制位代表一個殘基，疏水為1，親水為0，共八位。八殘基片段的親疏水模式可用0

255的數(shù)值表示預(yù)測準確率為55%左右當(dāng)序列長度小于50時，準確率較高。

D

L

G

D

K

F

R

L

VI

A疏水¤¤¤¤¤¤親水◎◎◎◎◎

D

L

G

D

K

F

R

L

VI

A疏水111111親水0

0

0

0

0α螺旋的特征模式對應(yīng)的值：9,12,13,17,18,19,25,27,29,31,34,36,38,44,45,46,47,50,51,54,55,59,61,62,77,201,205,217,219,237β折疊的特征模式：由連續(xù)的1或交替的01構(gòu)成無規(guī)則卷曲其他

D

L

G

D

K

F

R

L

VI

A疏水

¤¤¤¤¤¤親水◎◎◎◎◎

D

L

G

D

K

F

R

L

VI

A疏水

0

100010111120212223242526271248163264128162209232244A

S

T

L

Y

E

DGT

L¤◎◎¤◎◎◎◎◎¤1001000001教學(xué)大綱掌握：二級結(jié)構(gòu)預(yù)測軟件，比較建模法，折疊識別法，從頭預(yù)測法，基于相似性的方法，基于三維基序的方法了解：多序列比對預(yù)測，CASP和CAFASP實驗及其發(fā)現(xiàn)，蛋白質(zhì)功能預(yù)測的意義，基于表面的方法，基于機器學(xué)習(xí)的方法（6）多序列比對（multiplesequencealignment）預(yù)測假設(shè)序列家族中的同源區(qū)有同樣的二級結(jié)構(gòu)。對序列進行多序列比對，找到和未知序列相似的序列家族，其構(gòu)象由多個同源序列對應(yīng)位置的構(gòu)象決定取出現(xiàn)次數(shù)最多的構(gòu)象，或?qū)Ω鞣N可能的構(gòu)象給出得分值。結(jié)合神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)等方法準確性80%單序列預(yù)測所提供的信息只是殘基的順序而沒有其空間分布的信息預(yù)測準確率不高多序列比對預(yù)測提高了二級結(jié)構(gòu)預(yù)測的準確度（7）二級結(jié)構(gòu)預(yù)測相關(guān)軟件NameMethoddescriptionLinkSPIDER2ThemostcomprehensiveandaccuratepredictionbyiterativeDeepNeuralNetwork(DNN)forproteinstructuralpropertiesincludingsecondarystructure,localbackboneangles,andaccessiblesurfacearea(ASA)serverRaptorX-SS8predictboth3-stateand8-statesecondarystructureusingconditionalneuralfieldsfrom

PSI-BLASTprofilesserverNetSurfPProfile-basedneuralnetworkserverGORInformationtheory/BayesianinferenceGORVJpredNeuralnetwork

assignmentserverMeta-PPConsensuspredictionofotherserversserverPREDATORKnowledge-baseddatabasecomparisonserverPredictProteinProfile-basedneuralnetworkserverPSIPREDtwofeed-forward

neuralnetworks

whichperformananalysisonoutputobtainedfrom

PSI-BLASTserverPSSpredMultiple

backpropagation

neuralnetwork

predictorsfrom

PSI-BLAST

profilesserverFrag1DPredictionofbothsecondarystructureandShapeStrings(discretestatesofdihedralangles)usingprofilebasedfragmentmatchingmainpageJpredpbio.dundee.ac.uk/jpred4/index.html基本原理通過DSC、PHD、NNSSP、PREDATOR、ZPRED和MULPRED六種預(yù)測方法進行預(yù)測，它們都采用了多重序列的進化信息。NNSSP依據(jù)最大同源性PDH采用神經(jīng)網(wǎng)絡(luò)DSC根據(jù)線性識別MULPRED聯(lián)合不同的單一序列預(yù)測方法PREDATOR考慮氫鍵傾向性ZPRED加權(quán)預(yù)測最后將六個結(jié)果總結(jié)為一個簡單的文件格式。PREDATORhttp://mobyle.pasteur.fr/cgi-bin/portal.py?#forms::predator基于知識的數(shù)據(jù)庫比較2F3IXXXXXXEEEEEEEEEEXXXXSSTTEEEEEEEESSSXXEEEEEEEXTTSSSTTXXXEEEEXSXXXXSSSSSTTTXSSSTTSTTSXTTTTSEEEXEEEEXXSSXXSSSSXXSSEEEEEEETTEEEEEEEXHHHHTXXSTTSTTSEEEEEXXXJpredXXXXEEEEEEEEEEXXXXXXEEEEEEEEEEEEXXXXEEEEEEEXXXXEXXXXXXEEEEEEEXXXXXXXXXXXXXXXXXXXXXXXXXXXXEEEEEEEEEEEEXXXXXXXXEEEEEEEEEXXXEEEEEXXXXXXXXXXXXXXEEEEEEXXXXPREDATORXXXXXXXXEEEEEEXXXXXXXXXXXXXXXXXXHHHHHHHHHHHHEEEEEXXXXXXEEEEEEXXXXXXXXXXXXXXXXXXXXXXXHHHHHHHXXXEEEEEEXXXHHHHHHHHHHHHHXXXXXEEEXXXXXXXXXXXXXXXXHHHHHHHXXX50%30%三級結(jié)構(gòu)預(yù)測（1）比較模建法（2）折疊識別法（3）從頭預(yù)測法（4）CASP、CAFASP實驗及其發(fā)現(xiàn)△※（1）比較建模（comparativemodeling）

（同源建模）目前預(yù)測結(jié)構(gòu)最成功的方法主要思想對于一個未知結(jié)構(gòu)的蛋白質(zhì)，找到一個已知結(jié)構(gòu)的同源蛋白質(zhì)，以該蛋白質(zhì)的結(jié)構(gòu)為模板，為未知結(jié)構(gòu)的蛋白質(zhì)建立結(jié)構(gòu)模型。序列相似性越高，結(jié)構(gòu)正確性、可信度就越高。若序列的等同部分超過60%，則預(yù)測結(jié)果將接近于實驗得到的測試結(jié)果。序列A150個氨基酸序列B300個氨基酸相似度50%若目標(biāo)蛋白質(zhì)分子所屬的系統(tǒng)中有一個以上的分子有已知結(jié)構(gòu)，并且和參考分子的序列相似程度在25%以上時，一般而言可用同源建模方法得到目標(biāo)分子的合理模型。若沒有精確結(jié)構(gòu)的蛋白質(zhì)分子可供參考，或序列相似程度低于25%，以比較建模方法來建立蛋白質(zhì)分子模型成功的機會就不高，此時需利用其它實驗數(shù)據(jù)的協(xié)助。步驟模板識別和初始比對比對校正主鏈生成環(huán)區(qū)建模側(cè)鏈建模模型優(yōu)化模型確證模板識別和初始比對BLAST與PDB中所有已知結(jié)構(gòu)序列比較比對校正采用更精致的方法以取得更優(yōu)的比對。多序列比對CLUSTALW一致性比較高的蛋白質(zhì)結(jié)構(gòu)；高分辨率和低R值的結(jié)構(gòu)；結(jié)構(gòu)越完整越好。主鏈生成拷貝在與模型序列的比對結(jié)果中出現(xiàn)的模板殘基的坐標(biāo)。殘基不同，只拷貝主鏈原子的坐標(biāo)。殘基相同，拷貝側(cè)鏈坐標(biāo)。環(huán)區(qū)建模環(huán)區(qū)：預(yù)測序列未能與模板結(jié)構(gòu)比對上的區(qū)域序列的缺失：略去模板中的殘基；模板的缺失：將模板的主鏈截斷，插入缺少的殘基。主鏈產(chǎn)生構(gòu)象變化。預(yù)測環(huán)區(qū)構(gòu)象?；谥R：從PDB中搜索與將被插入的環(huán)區(qū)兩端能夠匹配的已知環(huán)區(qū)，復(fù)制其構(gòu)象?；谀芰浚河媚芰亢瘮?shù)判別環(huán)區(qū)的質(zhì)量，最小化該函數(shù)，獲得最好的環(huán)區(qū)構(gòu)象。側(cè)鏈建模從高分辨率晶體結(jié)構(gòu)中提取的常見構(gòu)象體庫，各個構(gòu)象體被依次嘗試并由不同能量函數(shù)打分。模型優(yōu)化預(yù)測側(cè)鏈構(gòu)象體

引起主鏈移動

新的主鏈下的側(cè)鏈構(gòu)象體…

過程收斂。對模型進行分子動力學(xué)模擬。模擬蛋白質(zhì)的運動，仿真其實際折疊過程。模型確證質(zhì)量驗證。NameDescriptionLinkRaptorXremotehomologydetection,protein3Dmodeling,bindingsitepredictionserverCPHModelFragmentassemblyserverESyPred3DTemplatedetection,alignment,3DmodelingserverGeno3DSatisfactionofspatialrestraintsserverHHpredTemplatedetection,alignment,3DmodelingServerLOMETSLocalMetathreadingserverServerMODELLERSatisfactionofspatialrestraintsServerPhyreandPhyre2Remotetemplatedetection,alignment,3Dmodeling,multi-templates,abinitioserverBHAGEERATH-HCombinationofabinitiofoldingandhomologymethodsserverSTRUCTUROPEDIAWebInterfacetoMODELLERserverSWISS-MODELLocalsimilarity/fragmentassemblyserverSWISS-MODEL/自動蛋白質(zhì)同源建模服務(wù)器。先在ExPdb晶體圖像數(shù)據(jù)庫中搜索相似性足夠高的同源序列，建立最初的原子模型，再對這個模型進行優(yōu)化產(chǎn)生預(yù)測的結(jié)構(gòu)模型。（2）折疊識別法（Threading）遠程同源蛋白質(zhì)的氨基酸序列大不相同，但是卻擁有極為相似的折疊類型。折疊識別（foldrecognition）建立序列到結(jié)構(gòu)的線索的過程折疊（fold）無論有無共同的進化起源，只要具有相同排列和拓撲結(jié)構(gòu)的主要二級結(jié)構(gòu)，即將蛋白質(zhì)分類為具有相同的折疊。具有相同折疊的不同蛋白質(zhì)具有不同大小和構(gòu)象的二級結(jié)構(gòu)和轉(zhuǎn)角區(qū)的外圍元件。主要思想利用氨基酸的結(jié)構(gòu)傾向（如二級結(jié)構(gòu)、疏水性、極性等），評價一個序列所對應(yīng)的結(jié)構(gòu)是否能夠適配到一個給定的結(jié)構(gòu)環(huán)境中。假定被預(yù)測蛋白質(zhì)序列的折疊類型與某一已知結(jié)構(gòu)的蛋白質(zhì)的折疊類型相同。與已知空間結(jié)構(gòu)的蛋白質(zhì)比對組成已知三維折疊結(jié)構(gòu)的數(shù)據(jù)庫一種適合于進行序列-結(jié)構(gòu)比對的三維折疊信息的表示方法一個序列-結(jié)構(gòu)匹配函數(shù)對匹配程度進行打分建立最優(yōu)線索的策略，或是進行序列-結(jié)構(gòu)比對的策略一種評價序列-結(jié)構(gòu)比對顯著性的方法實現(xiàn)過程給定一個結(jié)構(gòu)未知的序列及一些蛋白質(zhì)的結(jié)構(gòu)，目標(biāo)序列與已知折疊結(jié)構(gòu)進行比較。使用評價序列與結(jié)構(gòu)匹配優(yōu)劣的函數(shù)作為判別標(biāo)準，找到目標(biāo)序列最佳的折疊結(jié)構(gòu)。以此預(yù)測目標(biāo)蛋白結(jié)構(gòu)。NameDescriptionLinkRaptorXRemotetemplatedetection,single-templateandmulti-templatethreading,totallydifferentfromandmuchbetterthantheoldprogramRAPTORdesignedbythesamegroupserverHHpredTemplatedetection,alignment,3DmodelingserverI-TASSERCombinationofabinitiofoldingandthreadingmethodsServermGenTHREADER/GenTHREADERSequenceprofileandpredictedsecondarystructuremainpageMUSTERprofile-profilealignmentServerPhyreandPhyre2Remotetemplatedetection,alignment,3Dmodeling,multi-templates,abinitioServerSUPERFAMILYHiddenMarkovmodelingmainpageSPARKS-X3DstructuremodelingbyFoldrecognitionaccordingtoSequenceprofilesandstructuralprofilesServerBBSP-BuildingBlocksStructurePredictorHybridtemplate-basedmainpagePhyre2http://www.sbg.bio.ic.ac.uk/~phyre2/html/page.cgi?id=index基于每個蛋白特異的位點打分矩陣進行profile-profile比對。Template-basemodeling

TBM（3）從頭預(yù)測（Ab

initio）法沒有已知結(jié)構(gòu)的同源蛋白質(zhì)沒有已知結(jié)構(gòu)的遠程同源蛋白質(zhì)組成一種蛋白質(zhì)的幾何表示方法對蛋白質(zhì)和溶劑的表示形式作近似處理，例如，使用一個或少數(shù)幾個原子代表一個氨基酸殘基一種能量函數(shù)及其參數(shù)，或者一個合理的構(gòu)象得分函數(shù)計算各種構(gòu)象的能量通過對已知結(jié)構(gòu)的蛋白質(zhì)進行統(tǒng)計分析，可以確定蛋白質(zhì)構(gòu)象能量函數(shù)中的各個參數(shù)或者得分函數(shù)一種構(gòu)象空間搜索技術(shù)選擇一個優(yōu)化方法，以便對構(gòu)象空間進行快速搜索，迅速找到與某一全局最小能量相對應(yīng)的構(gòu)象關(guān)鍵構(gòu)象空間搜索能量函數(shù)的建立NameDescriptionLinkEVfoldEvolutionarycouplingscalculatedfromcorrelatedmutationsinaproteinfamily,usedtopredict3Dstructurefromsequencesaloneandtopredictfunctionalresiduesfromcouplingstrengths.PredictsbothglobularandtransmembraneproteinsServerQUARKMonteCarlofragmentassemblyServerI-TASSERThreadingfragmentstructurereassemblyServerCABS-FOLDServerfordenovomodeling,canalsousealternativetemplates(consensusmodeling)serverBhageerathAcomputationalprotocolformodelingandpredictingproteinstructuresattheatomiclevelServerPEP-FOLDDenovoapproach,basedonaHMMstructuralalphabetServerEVfold/evfold-web/evfold.do（4）CASP、CAFASP實驗及其發(fā)現(xiàn)CASP：結(jié)構(gòu)預(yù)測評估，CriticalAssessmentofStructurePredictionCAFASP：全自動結(jié)構(gòu)預(yù)測評估，CriticalAssessmentofFullyAutomatedStructurePrediction由一個或多個結(jié)構(gòu)域組成的，已測定但尚未發(fā)表、或有望得到NMR或X射線蛋白質(zhì)結(jié)構(gòu)的序列提供給CASP和CAFASP的研究組各研究組對序列的三維結(jié)構(gòu)進行預(yù)測，將結(jié)果提交服務(wù)器進行獨立的評價。以定量方式衡量多個研究組在預(yù)測結(jié)構(gòu)中取得的成功。/TemplateBasedProteinStructureModelingbyGlobalOptimizationinCASP11CRFalign折疊識別能量折疊數(shù)據(jù)庫CD-HIT質(zhì)量評價過程QA1排秩模板模板分組ModCSA，生成8個模板列表用MSACSA對每個模板列表中的15個模板進行多序列比對功能預(yù)測意義方法※蛋白質(zhì)是調(diào)控和實現(xiàn)所有生物功能的分子機器。結(jié)構(gòu)蛋白-膠原酶-維持和增強結(jié)締組織機械酶-肌漿球蛋白-實現(xiàn)宏觀和微觀上的運動各種酶-參與生理功能某些蛋白質(zhì)與DNA或RNA相互作用產(chǎn)生新的蛋白質(zhì)意義深入理解生命運動規(guī)律更好地理解疾病發(fā)生機制，用于治療和藥物設(shè)計GeneOntology（GO）方法實驗方法計算方法※（1）基于結(jié)構(gòu)相似性的方法（2）基于三維基序的方法（3）基于表面的方法（4）基于機器學(xué)習(xí)的方法（1）基于結(jié)構(gòu)相似性(similarity)的方法在進化中保守的蛋白質(zhì)高級結(jié)構(gòu)通常對應(yīng)某