Structural similarity enhances interaction propensity of proteins
蛋白互作几种方法比较
蛋白互作几种方法比较IP与CO-IP的关系：IP就是用抗体把你要的蛋白免疫沉淀下来，然后去检测它。
例如蛋白A在细胞内的蛋白量不同，或者有着不同的翻译后修饰，这是可以用A蛋白的抗体+prorein A beads来IP，从细胞中把A拉下,再用特异的抗体（如磷酸化，泛素化抗体）来检测A的变化。
co-ip的原理和IP是一样的，但是它检测的是和A相互作用的蛋白，也就是说用A的抗体把A拉下来后，用和A相互作用蛋白B的抗体去检测，来证明A和B之间的相互作用。
就是说只要用A的抗体把B拉下来就能证明A和B之间有相互作用。
这种关系只能说是存在相互作用，但这种相互作用并不能确定是直接的还是间接的，也就是所也许是A与c作用，而B也和C作用，这样，用A的抗体可以把C拉下来，但同时C 又把B也拉下来了。
要确定A和B之间直接的相互作用，你可以做体外的GST PULL DOWN实验。
GST pull-down实验是一个行之有效的验证酵母双杂交系统的体外试验技术,近年来越来越受到广大学者的青睐。
其基本原理是将靶蛋白-GST融合蛋白亲和固化在谷胱甘肽亲和树脂上,作为与目的蛋白亲和的支撑物,充当一种“诱饵蛋白”,目的蛋白溶液过柱,可从中捕获与之相互作用的“捕获蛋白”(目的蛋白),洗脱结合物后通过SDS-PAGE电泳分析,从而证实两种蛋白间的相互作用或筛选相应的目的蛋白,“诱饵蛋白”和“捕获蛋白”均可通过细胞裂解物、纯化的蛋白、表达系统以及体外转录翻译系统等方法获得。
此方法简单易行,操作方便。
（GST：谷胱甘肽巯基转移酶(glutathione S-transferase)）GST pull down 和 Coim munoprecipitation关系问题啥叫GST pull down , Coimmunoprecipitation呢? 学过生物的地球人都知道. 这是研究蛋白质相互作用的两种方法。
简单通俗的打个比方, GST pull down 就像把一男一女放在孤岛上, 除非蜂马牛不相及, 同类男女之间该发生的一般都会发生. 这种关系是直接的。
DNA与蛋白质相互作用的结构特征
DNA 与蛋白质相互作用的结构特征Sectio n 7 Structural Characteristics of In teractio n betwee n DNA and Protein反式作用因子必须与顺式作用元件相结合，才能发挥其调节基因表达的作用。
反式作用因子至少含有三个功能域，即 DNA 结合功能域，转录活性功能域和其它转录因子结合功能域。
反式作用因子的 DNA 结合功能域具有一些带共性的结构特征，如同源结构域、碱性亮氨酸 拉链模体、锌指模体等。
1. 螺旋-转角-螺旋模体（Helix-Turn-Helix （ HTH ）Motif ） 1.1 原核生物 HTH 模体（Prokaryotic HTH Motif ） 色氨酸阻遏因子和分解产物基因激活蛋白（CAP ）均为同二聚体，分子结构中含HTH 模体,该模体由两段a -螺旋和一段 &转角构成（但需要另外伸出的第三个 a -螺旋才能稳定），第二 个a -螺旋负责识别 DNA 大沟序列，故称为识别螺旋（图 103）。
图103 HTH 模体的分子结构Fig 103 Molecular Structure of HTH Motif1.2 真核生物 HTH 模体（Eukaryotic HTH Motif ） 1.2.1同源异型结构域（Homeodomain ）同源异型结构域的氨基酸残基序列与原核细胞类似，由三段 a -螺旋，环绕一个疏水核心折叠而成。
所不同的是识别螺旋较长，在 DNA 大沟中的定向有所不同，其典型的结合位点是TATA 盒（图 104）。
图104同源异型结构域的分子结构Fig 104 Molecular Structure of Homeodoma in 1.2.2 MYB HTH 模体（MYB HTH Motif ）为HTH 模体的变体，其结构类似于同源结构域，但其3转角由5个残基构成，识别螺旋与 434 represssor/DNA (helix-turn-hellx)DNA有较长的接触面（图105）。
蛋白质蛋白质相互作用
• Zheng et al. 2002
– 更多的基因组能够获得更多的功能相关蛋白结果 – 对于系统发育方法预测蛋白功能的准确性可能有基因组数量上限。
Discussion
• 参考基因组的数量确实能够影响预测能力
– 数量较少的基因组:18 or 35 – 多一些的基因组 :86 – 更多的基因组 :162
种的基因组。
这些选定的参考基因组用于其后的计算
系统发育谱的局限
➢ 仅能预测拥有全基因组序列的物种. ➢ 对于一些关键蛋白和共有蛋白中，由于在
多数物种中没有系统发育树差别，而无法 判断蛋白之间的相关性。
电子预测蛋白质相互作用方法 的评估
评估PPI 数据的重要性
• 假阴性和假阳性
– 蛋白质相互作用的动力学本质. 蛋白表达和相互作用模式在不同生 物学条件下是不同的,而目前所有的实验方法或计算方法都不能做 到动态检测或预测, 因此只能对真实存在的蛋白质相互作用, 得到 一个粗略的描述
– 把一个配体通过化学交联的方法结合在固相载 体上，让蛋白混合液流过固相载体，能够与配 体结合的分子具有较高的亲和力，通过适当的 洗脱条件将亲和力弱的分子洗脱掉，这样与配 体亲和力较高的分子就被纯化了出来。
– 纯化出的分子随后用凝胶电泳的方法分离，用 质谱的方法鉴定是什么蛋白。
Eur. J. Biochem. 270, 570-578 (2003)
Mirror Trees Method
该方法的假设前提是：相互作用的蛋白可能是共进化的。方法是：计算包含 不同物种的蛋白质家族间的进化距离，构建各自相应的进化树，在进化树之间相 似性距离的基础上，构建镜像树，然后由镜像树之间的相似性距离和蛋白质在镜 像树上的位置确定蛋白质之间的两两相互作用。
蛋白质相互作用贺俊崎
✓ the general motif bound by SH2 domains: pTyr-x-x-hydrophobic
• The most studied ones in signaling proteins include: the SH2, SH3, PTB, WW, EVH1, FHA, PDZ, and PH domains.
• In transcription factors include: the HLH, leucine zipper, ankyrin repeat.
32
Cell surface receptors signal through modular protein interactions
Cell, 2004, 116:191.
33
SRC
✓ the “Revolution of `76”: Src identigied as the first proto-oncogene ✓ cloning of related mammmalian genes revealed highly conserved regions of the Src protein:
Quaternary structure
Hemoglobin（血红蛋白）
α1-yellow; β1-light blue; α2-green; β2-dark blue; heme-red28
Some protein-protein interactions are very strong, forming
蛋白质结构预测方法
蛋白质结构预测方法
1. 嘿，你知道吗，实验方法就像侦探在寻找线索一样，来预测蛋白质结构！比如说通过X 射线晶体学，就像拿着超级放大镜去看清蛋白质的模样。
那种感觉，哇塞，超级神奇！
2. 还有哇，分子模拟方法也超厉害的！就好像构建一个蛋白质的虚拟世界，感受它的变化和运动。
像在研究某种神奇生物一样呢，多有意思呀！
3. 嘿呀，同源建模也不容小觑哦！这就好比找一个相似的模板来推测蛋白质的结构，就像照着葫芦画瓢一样，是不是很好玩呢？
4. 冷冻电镜技术也是个好家伙呀！仿佛能把蛋白质瞬间冻结起来，然后细细观察，像给蛋白质拍了个超清照片呢！
5. 机器学习也来凑热闹啦！这就如同给电脑一个聪明大脑，让它自己去学习预测蛋白质结构，太酷了吧！比如它能快速分析出好多复杂的数据呢。
6. 基于知识的方法也很有趣呀！就好像是依据以往的经验和知识来拼图一样，拼出蛋白质的结构，听起来好有挑战性呀！
7. 能量最小化方法，哇哦，就如同让蛋白质自己找到最舒服的姿态，好神奇的样子呀，像给它找个最舒服的窝一样。
8. threading 方法呢，就像给蛋白质穿针引线，找到最合适它的结构模式，是不是很形象呀！
9. 总之呀，这些蛋白质结构预测方法都各有千秋！它们就像一群小助手，帮助我们解开蛋白质结构的神秘面纱，让我们更加了解生命的奥秘呢！我们可不能小瞧它们呀！。
研究蛋白互作，这三个经典实验你都知道吗？
研究蛋白互作，这三个经典实验你都知道吗？在分子机制的研究中，蛋白和蛋白之间的互作研究可以说是非常经典了，因为在十几年前，大家对非编码RNA的研究还没有现在这么热，因为研究的分子是蛋白，找的靶分子也是蛋白，研究的文章发在JBC杂志上的也非常多。
小张有时在想，JBC作为老牌名刊，尽管杂志不能只看影响因子，不过近几年影响因子怎么一直在降呢？都快跌破4分了。
当然，JBC不是今天的主题，我们主要说蛋白和蛋白作用。
研究蛋白作用的方法有很多，今天我们介绍三个：酵母双杂交，CoIP和GST-pulldown。
酵母双杂交(Yeast Two-Hybrid System,Y2H)酵母双杂交技术是验证蛋白间相互作用的经典方法之一。
原理是在真核细胞调控转录过程中的转录激活因子GAL4的两个结构域：DNA结合域BD与转录激活域AD在分离的时候不具有转录激活功能，而当两者结合在一起才具有完整的转录激活因子的功能。
因此，我们将所要研究的目的基因（蛋白A和蛋白B）分别装载到这两个质粒载体中，两个结构域序列则分别与基因的ORF进行融合。
当转入相应酵母菌株后，若在酵母内表达的不同蛋白发生互作，则将使GAL4-BD和GAL4-AD相互靠近结合，再进一步与上游激活序列结合，激活相应报告基因的表达。
免疫共沉淀（Co-Immunoprecipitation,Co-IP）免疫共沉淀是另一种研究蛋白相互作用的经典方法。
原理是如果蛋白A与蛋白B（直接或间接）结合，那么当我们用抗体去结合蛋白A的时候，蛋白B也能被拉下来；当然，反之亦然。
因此，首先提取蛋白，然后在提取的蛋白中加入蛋白X的抗体，孵育后再加入Protein A 或G(于Agarose 或magnetic beads等介质上)，然后变性、聚丙烯酰胺凝胶电泳，经过Western Blot检测蛋白B，当然，也可以直接将沉淀下来的蛋白通过质谱分析其它蛋白。
GST-pulldownGST pulldown 是另一项验证蛋白相互作用的经典实验，其基本原理是将靶蛋白-GST（Glutathione-S-transferase谷胱苷肽巯基转移酶）融合蛋白亲和固化在谷胱甘肽亲和树脂上,作为与目的蛋白亲和的支撑物,充当一种“诱饵蛋白”,目的蛋白溶液过柱,可从中捕获与之相互作用的“捕获蛋白”(目的蛋白),洗脱结合物后通过WB或者质谱进行检测和鉴定。
生物信息学第七章蛋白质结构分析和预测
3、从头预测
前两种方法的缺点是只能预测那些有合适模 板的蛋白质的结构。
从头预测的方法不需要任何结构信息，直接 由蛋白质序列预测其空间结构。缺点是会产 生庞大的数据。 ➢分子动力学模拟 ➢二级片段堆积法
蛋白质三级结构预测
蛋白质的结构层次：
一级结构（氨基酸序列） 二级结构 三级结构 四级结构
采用ProtParam软件[1] （/tools/protpa ram.html）分析蛋白质的分子量、理论 等电点、氨基酸组成、带正负电荷的氨 基酸残基数目、消光系数、吸光系数、 疏水系数和半衰期等基本理化性质。
构象分布概率、氨基酸在蛋白质中的相对出现 概率以及残基出现在结构中的频率，最后得到 构想参数，根据此参数得出氨基酸形成二级结 构的倾向性，从而预测二级结构。
Chou-Fasman二级结构预测经验规则
α螺旋规则
➢ 相邻的6个残基中如果有至少4个残基倾向于形 成α螺旋，则认为是螺旋核。
➢ 然后从螺旋核向两端延伸，直至四肽α螺旋倾 向性因子的平均值pα<1.0为止。此外，不容许 脯氨酸在螺旋内部出现，但可出现在C末端以 及N端的前三位。
例 3 ： α/β水解酶折叠模式具有多种功能： 胆固醇酯酶、双烯内脂水解酶、神经趋 化素、三酰甘油脂肪酶、丝氨酸羧肽酶、 卤代烷烃脱卤酶等等。
一、蛋白质结构的价值
2、结构与功能的非一致性
➢ 尽管蛋白质的结构对于预测其功能十分有帮 助，但需注意：结构与功能之间并不是简单 的一对一的关系。蛋白质具有相似的结构但 经过进化以后可以执行不同的功能。
生物信息学第七章蛋白质结构分析和预测
蛋白质结构预测是指从蛋白质序列预测 出其三维空间结构。
蛋白质对接
蛋白质对接蛋白质对接是一种蛋白质分子间相互作用的一种形式，是生物学研究中重要的一环，也是许多分子生物学研究的基础。
它涉及到蛋白质间的相互作用，建立起一种蛋白质分子之间的特殊关系，从而调节细胞的活动，发挥重要的生理作用。
蛋白质对接是指蛋白质分子通过非共价结合作用来建立能够促进蛋白质产生功能的特殊关系。
随着蛋白质的分子结构的发现和研究的深入，蛋白质的结构复杂性也日益凸显，结构上的复杂性直接决定了蛋白质对接的复杂性，也是蛋白质对接最大的挑战。
蛋白质对接是生物学研究中很重要的一部分，它不仅可以帮助研究人员来了解特定蛋白质的结构和功能，而且还可以帮助我们研究蛋白质之间复杂的作用关系，以及蛋白质如何在不同的生物系统中集成和协同工作。
为了研究蛋白质对接，研究人员需要将蛋白质分子的结构和功能有机地结合起来，以便对蛋白质分子间的相互作用进行系统的分析。
一般来说，蛋白质对接研究主要分为结合前因子和结合后因子两大方面。
结合前因子是指蛋白质分子之间的相互作用，以及蛋白质分子之间距离的实际距离和形状等，是决定蛋白质间结合的关键因素。
结合后因子是指结合之后的影响，如分子结构的变化，活性的增强和变化，以及影响蛋白质结合的化学因素等。
蛋白质对接的研究有助于深入理解蛋白质的结构和功能，也能帮助我们进一步研究蛋白质与细胞和组织之间的关系。
它不仅可以揭示蛋白质分子之间的结合机制，而且还可以为疾病治疗提供重要药物目标。
蛋白质对接的研究也有助于我们了解生物分子之间的相互作用，促进了分子生物学和药物设计等方面的研究。
蛋白质对接的研究已经取得了重大进展，但仍然有许多挑战需要被解决。
首先，蛋白质对接的相关理论和计算方法的发展还很不完善，需要进一步改进。
其次，由于蛋白质分子的结构复杂，需要收集、整理和评估大量的数据，现有的实验技术也无法满足。
此外，计算机模拟和模型构建仍然是一个挑战，因为对于蛋白质来说，细微变化差异往往会对其行为产生重大影响。
总而言之，蛋白质对接是一个巨大的挑战，但同时也是一个重要的机遇。
国家人类基因组北方研究中心
Functional Proteomics – To study protein-protein interaction, 3-D structures, cellular localization and PTMs in order to understand the physiological function of the whole set of proteome.
Anal Biochem 1991, 199:223-231
Blue Native PAGE
_ detergent
CBB
6-ACA
+
Blue Native PAGE
Sample Preparation Solubilization with nonionic detergent (laurylmaltoside, TX-100, CHAPS, Mega 9, octylglucoside, Brij 35, etc), supplemented with 6-aminocaproic acid Separation gel: 6-13% gradient Cathode buffer contains 0.02% Coomassie blue G250 Separation of members of multiprotein complex
Blue Native PAGE
蛋白质相互作用网络解析
5.1概述 5.2蛋白质相互作用网络研究进展 5.3蛋白质相互作用网络中的模体和模块
《分子生物网络分析》(Molecular Biology Network Analysis)
Page 1
5.1概述
5.1.1蛋白质 5.1.2蛋白质的研究进展 5.1.3蛋白质组学的研究进展
Page 12
5.1.2蛋白质的研究进展
1955年，英国生物化学家Frederick Sanger首次正确地测定了一种蛋白质-----胰岛素的氨基酸序列。
主要结论是蛋白质胰岛素有确定的氨基酸 序列，认为每一种蛋白质均有一个独特的 氨基酸序列，即有一个确定的化学成分。
《分子生物网络分析》(Molecular Biology Network Analysis)
Page 8
5.1.1蛋白质
3.运输载体
蛋白质是生物体内很多重要的代谢物和营养 素的载体。
氧、脂类、维生素、矿物质与微量元素都需 要利用各种蛋白质运输到生物体需要的地方。
例如，血红蛋白质可以输送氧；脂蛋白可以 输送脂肪。
蛋白质还可以充满营养物质储备，例如植物 种子中的大量蛋白质，就是在萌发时用的储 备。
《分子生物网络分析》(Molecular Biology Network Analysis)
Page 3
5.1.1蛋白质
蛋白质残基可以在被翻译后修饰而发生化 学变化，并改变其物理、化学及生物学性 能，从而改变蛋白质的功能。
多个蛋白质可以组成复合体来实现某一特 定功能。
《分子生物网络分析》(Molecular Biology Network Analysis)
1962年，他们分享了诺贝尔化学奖。
《分子生物网络分析》(Molecular Biology Network Analysis)
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1 Structural similarity enhances interaction propensity of proteins. D. B. Lukatsky*, B. E. Shakhnovich**, J. Mintseris**, and E. I. Shakhnovich* *Department of Chemistry and Chemical Biology, Harvard University, Cambridge, MA 02138
**Bioinformatics Program, Boston University, Boston, MA 02215
Corresponding author: Prof. Eugene Shakhnovich, Department of Chemistry and Chemical Biology, Harvard University, 12 Oxford St., Cambridge MA 02138. Email: eugene@belok.harvard.edu Ph.: 617-495-4130 Fax: 617-384-9228
Key words: Protein-protein interactions; principles of biomolecular recognition; positive and negative design; protein networks; homodimers and heterodimers. 2
We study statistical properties of interacting protein-like surfaces and predict two strong, related effects: (i) statistically enhanced self-attraction of proteins; (ii) statistically enhanced attraction of proteins with similar structures. The effects originate in the fact that the probability to find a pattern self-match between two identical, even randomly organized interacting protein surfaces is always higher compared with the probability for a pattern match between two different, promiscuous protein surfaces. This theoretical finding explains statistical prevalence of homodimers in protein-protein interaction networks reported earlier. Further, our findings are confirmed by the analysis of curated database of protein complexes that showed highly statistically significant overrepresentation of dimers formed by structurally similar proteins with highly divergent sequences (“superfamily heterodimers”). We predict that significant fraction of heterodimers evolved from homodimers with the negative design evolutionary pressure applied against promiscuous homodimer formation. This is achieved through the formation of highly specific contacts formed by charged residues as demonstrated both in model and real superfamily heterodimers. 3
Introduction Several independent analyses of accumulating high-throughput and specific data on protein-protein interactions (PPI) revealed a general statistical bias for homodimeric complexes. In particular, PPI networks from four eukaryotic organisms (baker’s yeast S.cerevisiae, nematode worm C.elegans, the fruitfly D.melanogaster and human H.sapiens) obtained from high-throughput experiments contain 25-200 times more homodimeric proteins than could be expected randomly1. The same trend was observed in detailed analysis of confirmed protein-protein interactions - a phenomenon called “molecular narcissism” (S. Teichmann, private communication). It was also shown experimentally2 that the sequence similarity is a major factor in enhancing the propensity of proteins to aggregate. The physical or evolutionary basis for these striking observations remains unexplained. Here, we propose a simple model of protein-protein interactions and show that the observed preference for homodimeric complexes is a consequence of general property of protein-like surfaces to have, statistically, a higher affinity for self-attraction, as compared with propensity for attraction between different proteins. Moreover, we predict that the same effect of statistically enhanced attraction is operational for protein pairs of similar structure, even in the case when their aminoacid sequences are far diverged. The predicted physical effect of statistically enhanced attraction of structurally similar proteins has significant implication for evolution of protein-protein interactions: It suggests a duplication-divergence route by which many modern protein complexes could have evolved from earlier homodimers through sequence, divergence of paralogous genes under the constraint of keeping structures less divergent. 4
Model: statistically enhanced self-attraction of proteins We begin with a residue-based model of a protein interface3, Figure 1A (see Methods). This model allows for all twenty aminoacid types to be represented as hard spheres and randomly distributed on a planar, circular interface. Multiple surfaces are generated whereby amino acids are placed randomly and their identities are drawn randomly from a probability distribution corresponding to aminoacid composition on real protein surfaces (see Methods), and we impose that the total number of residues, N, in each surface is fixed. All chosen parameters correspond to a typical protein interface4; 5; 6; 7 (Methods). Using this model, we investigated the statistical interaction properties of