蛋白质-蛋白质相互作用在细胞的生化功能中扮演极为重要的角色,深入解析蛋白质相互作用关系是理解细胞生命活动的关键。本研究以高尔基体蛋白73(golgi protein 73,GP73)为研究对象,利用经典的免疫共沉淀联合质谱技术系统挖掘了GP73的相...蛋白质-蛋白质相互作用在细胞的生化功能中扮演极为重要的角色,深入解析蛋白质相互作用关系是理解细胞生命活动的关键。本研究以高尔基体蛋白73(golgi protein 73,GP73)为研究对象,利用经典的免疫共沉淀联合质谱技术系统挖掘了GP73的相互作用蛋白质,力求进一步解析GP73的分子功能。选取肝癌细胞系HepG2,利用慢病毒感染技术构建过表达GP73-3Flag的稳定细胞系,免疫共沉淀联合质谱检测鉴定出78个高置信的GP73相互作用蛋白质,生物信息学分析提示,GP73与近40个细胞核蛋白质存在相互作用,并参与RNA运输、剪接和翻译等生物学过程,进一步的免疫荧光和细胞核蛋白质分离实验证实,GP73在多种肿瘤细胞中的细胞核定位,在78个相互作用蛋白质的基础上进一步筛选出与mRNA剪接相关的蛋白质相互作用网络,并通过免疫共沉淀验证了GP73与HNRNPH3、SMN1、RBM14、NCBP1等7种蛋白质存在相互作用。Minigene剪接实验提示,过表达GP73抑制细胞对pre-mRNA的剪接效率。本研究拓展了对GP73蛋白功能的认识和理解,有助于解释其在细胞生物学中的重要角色及其与疾病的潜在关联。展开更多
为了提高蛋白质相互作用位点预测的精度,该文基于蛋白质位置特异性得分矩阵(Position specific scoring matrix,PSSM),提出了一种新的加权得分矩阵直方图特征表示方法;针对训练数据的极端不平衡,结合下采样和分类器集成方法,训练随机森...为了提高蛋白质相互作用位点预测的精度,该文基于蛋白质位置特异性得分矩阵(Position specific scoring matrix,PSSM),提出了一种新的加权得分矩阵直方图特征表示方法;针对训练数据的极端不平衡,结合下采样和分类器集成方法,训练随机森林集成分类器。相对于传统的特征,该文所提新特征具有更低的维数,同时拥有更好的鉴别性。分类器集成则缓解了下采样带来的信息丢失,并提高了分类精度。实验结果验证了所述方法是有效的,在标准数据集上的结果优于其他最新的蛋白质相互作用位点预测方法。展开更多
一个蛋白质可能在不同条件或不同时刻与不同的蛋白质发生相互作用,这称为蛋白质的动态特性.蛋白质在分子处理的不同阶段参与到不同的模块,与其他的蛋白质共同完成某项功能.因此,动态蛋白质相互作用的研究有助于提高蛋白质功能预测的准确...一个蛋白质可能在不同条件或不同时刻与不同的蛋白质发生相互作用,这称为蛋白质的动态特性.蛋白质在分子处理的不同阶段参与到不同的模块,与其他的蛋白质共同完成某项功能.因此,动态蛋白质相互作用的研究有助于提高蛋白质功能预测的准确率.结合蛋白质相互作用网络和时间序列基因表达数据,构建动态蛋白质相互作用网络.为降低PPI网络中假阴性对功能预测产生的负面影响,结合结构域信息和复合物信息,预测和产生新的相互作用,并对相互作用加权.基于构建的动态加权网络,提出一种功能预测方法 D-PIN(Dynamic protein interaction networks).基于三个不同的酵母相互作用网络实验结果表明,D-PIN方法的综合性能比现有方法提高了14%以上.结果验证了构建的动态加权蛋白质相互网络的有效性.展开更多
文摘蛋白质-蛋白质相互作用在细胞的生化功能中扮演极为重要的角色,深入解析蛋白质相互作用关系是理解细胞生命活动的关键。本研究以高尔基体蛋白73(golgi protein 73,GP73)为研究对象,利用经典的免疫共沉淀联合质谱技术系统挖掘了GP73的相互作用蛋白质,力求进一步解析GP73的分子功能。选取肝癌细胞系HepG2,利用慢病毒感染技术构建过表达GP73-3Flag的稳定细胞系,免疫共沉淀联合质谱检测鉴定出78个高置信的GP73相互作用蛋白质,生物信息学分析提示,GP73与近40个细胞核蛋白质存在相互作用,并参与RNA运输、剪接和翻译等生物学过程,进一步的免疫荧光和细胞核蛋白质分离实验证实,GP73在多种肿瘤细胞中的细胞核定位,在78个相互作用蛋白质的基础上进一步筛选出与mRNA剪接相关的蛋白质相互作用网络,并通过免疫共沉淀验证了GP73与HNRNPH3、SMN1、RBM14、NCBP1等7种蛋白质存在相互作用。Minigene剪接实验提示,过表达GP73抑制细胞对pre-mRNA的剪接效率。本研究拓展了对GP73蛋白功能的认识和理解,有助于解释其在细胞生物学中的重要角色及其与疾病的潜在关联。
文摘为了提高蛋白质相互作用位点预测的精度,该文基于蛋白质位置特异性得分矩阵(Position specific scoring matrix,PSSM),提出了一种新的加权得分矩阵直方图特征表示方法;针对训练数据的极端不平衡,结合下采样和分类器集成方法,训练随机森林集成分类器。相对于传统的特征,该文所提新特征具有更低的维数,同时拥有更好的鉴别性。分类器集成则缓解了下采样带来的信息丢失,并提高了分类精度。实验结果验证了所述方法是有效的,在标准数据集上的结果优于其他最新的蛋白质相互作用位点预测方法。
基金supported by grants from National Basic Research Program of China(2006CB910803, 2006CB910706),Hi-Tech ResearchDevelopment Program of China (2006AA02A312)+2 种基金National S&T Major Project (2008ZX10002-016,2009ZX09301-002)The National Natural Science Foundation of China (30621063,30800200)State Key Laboratory of Proteomics(SKLP-Y200811)~~
文摘一个蛋白质可能在不同条件或不同时刻与不同的蛋白质发生相互作用,这称为蛋白质的动态特性.蛋白质在分子处理的不同阶段参与到不同的模块,与其他的蛋白质共同完成某项功能.因此,动态蛋白质相互作用的研究有助于提高蛋白质功能预测的准确率.结合蛋白质相互作用网络和时间序列基因表达数据,构建动态蛋白质相互作用网络.为降低PPI网络中假阴性对功能预测产生的负面影响,结合结构域信息和复合物信息,预测和产生新的相互作用,并对相互作用加权.基于构建的动态加权网络,提出一种功能预测方法 D-PIN(Dynamic protein interaction networks).基于三个不同的酵母相互作用网络实验结果表明,D-PIN方法的综合性能比现有方法提高了14%以上.结果验证了构建的动态加权蛋白质相互网络的有效性.
