這 11 個可以預測蛋白質結構的網站,通通都安利給你!

2021-02-14 生物學霸

蛋白質是生命活動的體現者，其結構決定著功能。由線性胺基酸組成的蛋白質需要摺疊成特定的空間結構才具有相應的生理活性和生物學功能。

解析蛋白質的空間結構對於認識蛋白質的功能、功能的執行、生物大分子間的相互作用，以及醫學和藥學的發展（如藥物靶點的設計等）具有重要意義。為了更快速地了解蛋白質功能，不能只等待蛋白質的測定結果，尤其是對未知蛋白質開展研究之前，通過對蛋白質結構進行預測具有明顯的優勢。

蛋白質的高級結構由其一級結構序列決定，蛋白質可以自發地摺疊成它們的天然結構，特別是結構簡單的蛋白質小分子。

不同的蛋白質中相同的結構域（domain）具有相似的功能。1. 分析蛋白質的 pI、Mw、胺基酸組成、消光係數、穩定係數等

http://web.expasy.org/protparam/

（3）查找「ProtParam」（protein physical and chemical parameters）http://web.expasy.org/protscale/（3）查找「ProtScale」（protein profile computation and representation）（5）蛋白質的親水和疏水性分析結果，圖形顯示（親水用負值表示，疏水用正值表示）。（1）Tmpred 法分析蛋白質的跨膜區：基於對 Tmbase 資料庫的統計分析來預測蛋白質跨膜區和跨膜方向。http://www.ch.embnet.org/software/TMPRED_form.html（2）TMHMM 法分析蛋白質的跨膜區：基於 HMM 方法的蛋白質跨膜區預測工具。http://www.cbs.dtu.dk/services/TMHMM/

預測的是分泌型的信號肽，而不是參與細胞內信號傳遞的蛋白。準確性高於 90%。http://www.cbs.dtu.dk/services/SignalPhttp://cho-fas.sourceforge.net/http://bioinf.cs.ucl.ac.uk/psipred/http://www.ebi.ac.uk/interpro/scan.html蛋白質結構同源模建（又稱同源模擬、同源建模）的理論基礎是蛋白質的三級結構比蛋白質的一級結構更為保守。

基本原理：從蛋白質結構資料庫中識別與待測序列具有相似摺疊類型，進而實現對待測序列的空間結構預測。自然界中蛋白質摺疊類型的數目是有限的，許多蛋白質雖然享有很低的序列相似性，但它們仍可能具有相同的摺疊類型，這就是摺疊識別的理論依據。http://bioinf.cs.ucl.ac.uk/psipred/
http://www.sbg.bio.ic.ac.uk/phyre2原理：蛋白質的天然構象對應其能量最低的構象 (熱力學理論)，因此通過構造合適的能量函數及優化方法，實現從蛋白質序列直接預測其三維結構的目的。http://zhanglab.ccmb.med.umich.edu/I-TASSER/一周左右，結果將發到註冊郵箱，進入郵箱打開連接，下載結果。http://pan.baidu.com/s/1kUXOhIf

封面來源：站酷海洛 Plus

圖片來源：作者提供

相關焦點

  • 蛋白質結構研究入門,你都知道嗎(上)?
    (可以到蛋白質結構資料庫PDB中查詢其結構是否被解析)，但是很多小夥伴們的研究目標的結構還沒有被解析（實際上是大部分蛋白結構都沒有被解析）。關於核酸RNA二級結構的預測，之前我們公眾號介紹過RNAstructure的使用：《如何繪製高大上的RNA 二級結構圖？》（關於RNA三級結構的預測，我們稍後會有推文。）我們先來介紹一下蛋白質結構的預測。
  • 「阿爾法摺疊」精準預測蛋白質三維結構
    據美國《科學》雜誌網站11月30日報導，「蛋白質結構預測關鍵評估」（CASP）競賽傳來喜訊：英國「深度學習」（DeepMind）稱其AI實現了上述成就，他們的方法將極大加快新藥研發進程。人體擁有成千上萬種不同的蛋白質，每一種蛋白質都包含幾十到幾百種胺基酸，這些胺基酸的順序決定了它們之間的作用，賦予蛋白質複雜的三維形狀，進而決定了蛋白質的功能。了解這些三維形狀有助於研究人員設計出能在蛋白質縫隙內滯留的藥物。此外，合成出擁有所需結構的蛋白質，還可以加快酶的研製進程，讓生物燃料領域受益。
  • 蛋白質二級、三級結構預測
    實驗方法獲得蛋白質結構的方法有：X射線衍射法，核磁共振法（只能測定質量小於70kDa的蛋白結構）和冷凍電鏡，目前已解析的蛋白結構約10萬個，僅佔所有蛋白的一丟丟
  • 「阿爾法摺疊」精準預測蛋白質三維結構
    據美國《科學》雜誌網站11月30日報導，「蛋白質結構預測關鍵評估」（CASP）競賽傳來喜訊：英國「深度學習」（DeepMind）稱其AI實現了上述成就，他們的方法將極大加快新藥研發進程。人體擁有成千上萬種不同的蛋白質，每一種蛋白質都包含幾十到幾百種胺基酸，這些胺基酸的順序決定了它們之間的作用，賦予蛋白質複雜的三維形狀，進而決定了蛋白質的功能。
  • 攻克生物學半世紀難題,「阿爾法摺疊」精準預測蛋白質三維結構
    據美國《科學》雜誌網站11月30日報導，「蛋白質結構預測關鍵評估」（CASP）競賽傳來喜訊：英國「深度學習」（DeepMind）稱其AI實現了上述成就，他們的方法將極大加快新藥研發進程。人體擁有成千上萬種不同的蛋白質，每一種蛋白質都包含幾十到幾百種胺基酸，這些胺基酸的順序決定了它們之間的作用，賦予蛋白質複雜的三維形狀，進而決定了蛋白質的功能。
  • 「阿爾法摺疊」精準預測蛋白質三維結構|胺基酸|x射線|生物學|蛋白...
    人工智慧(AI)再度發威，攻克了生物學領域一項重大難題：預測蛋白質如何從線性胺基酸鏈捲曲成3D形狀以執行任務。據美國《科學》雜誌網站11月30日報導，「蛋白質結構預測關鍵評估」(CASP)競賽傳來喜訊：英國「深度學習」(DeepMind)稱其AI實現了上述成就，他們的方法將極大加快新藥研發進程。
  • AlphaGo顛覆生物圈,精準預測蛋白質結構
    具體而言，是DeepMind的第二代AlphaFold 在國際蛋白質結構預測競賽（CASP）上擊敗了其餘的參會選手，能夠精確地基於胺基酸序列，預測蛋白質的3D結構。 其準確性可以與使用冷凍電子顯微鏡（CryoEM）、核磁共振或 X 射線晶體學等實驗技術解析的3D結構相媲美。
  • 向李昌鈺學破案,這是Deepmind預測蛋白質結構的秘密研究方法嗎?
    這個小成就就是，新的算法AlphaFold 可以僅根據基因預測生成蛋白質的三維形狀。可惜，公司並沒有公布這個算法的論文。我們就這樣放棄嘛？不，我們要向李昌鈺博士學習破案手段，絕不放過任何蛛絲馬跡，靠豐富的想像力，進行推理，看能否找到Deepmind預測蛋白質結構的秘密研究方法。
  • 蛋白質結構預測:生命科學的又一場競爭
    據歐陽鍾燦介紹，由生物大分子的基因序列預測其結構，是當前生物學研究面臨的最重要挑戰之一，如果能夠實現，將在生物技術與藥物設計領域產生巨大影響。     2006年11月26～30日，第七屆CASP總結大會在美國加州阿薩爾默會議中心舉行，在大會公布的測評排列名單上，美國堪薩斯大學的助理教授張陽位居第一。
  • 蛋白質序列分析和結構預測
    蛋白質序列分析和結構預測 【實驗目的】1、掌握蛋白質序列檢索的操作方法；2、熟悉蛋白質基本性質分析；3、熟悉基於序列同源性分析的蛋白質功能預測，了解基於motif、 結構位點、結構功能域資料庫的蛋白質功能預測；4、了解蛋白質結構預測。
  • 值得收藏——10個蛋白結構分析預測和相關信號轉導網站
    上期小編給大家介紹了疾病與基因突變相關的資料庫，今天小編為大家介紹幾個與基因產物——蛋白質相關的幾個網站，希望對大家有所幫助，感興趣的小夥伴可以收藏起來，也歡迎點讚和關注哦！https://scansite4.mit.edu/4.0/#home Scansite可以幫助我們預測蛋白質內部的磷酸化位點、特定結構域結合區、序列查找、蛋白質分子量等等。網站提供基本的使用教程，感興趣的小夥伴可以瀏覽該網站，學習使用相關的工具。
  • 顏寧等點評：AI精準預測蛋白質結構，結構生物學何去何從？
    傳統上，蛋白質結構預測可以分成基於模板和從頭預 測，但是AlphaFold2隻用同一種方法--機器學習，對幾乎所有的蛋白質都預測出了 正確的拓撲學的結構，其中有大約2/3的蛋白質精度達到了結構生物學實驗的測量 精度。說他們接近解決了這個問題，這個說法沒錯，至少是在單結構域的蛋白結構 來講是這樣的。谷歌這次為什麼能夠取得如此大的成功？這個首先是與它們擁有強大的人力和計算 資源有關。
  • DeepMind正在開發可以利用基因序列預測蛋白質結構的新AI工具
    打開APP DeepMind正在開發可以利用基因序列預測蛋白質結構的新AI工具 電子發燒友 發表於 2018-12-04 16:09:28
  • 顏寧等點評:AI精準預測蛋白質結構,結構生物學何去何從?
    （詳見《》）這一消息引發了全球媒體關注，前Genentech執行長Arthur D. Levinson博士盛讚這一成就是「劃時代的進步」。人工智慧的「進擊」對生物學、對其他學科會有什麼影響？網絡上有人提出：AI都能解蛋白質結構了，結構生物學家是不是該失業了？《返樸》總編、結構生物學家顏寧特邀幾位同仁對這一新聞各抒己見， 回答大家的疑問。
  • 蛋白質結構預測模型抗疫
    科學家們在測試病毒及開發疫苗之前，必須先了解病毒的運作方式，尤其是病毒的蛋白質結構，這樣的過程通常需耗時數個月，且未必能有結果。近年來，研究人員已使用DeepMind的深度學習系統AlphaFold來進行計算機預測。DeepMind一直在優化AlphaFold系統並增強其功能。
  • AI精準預測蛋白質結構,結構生物學何去何從? | 返樸
    顯然是個大突破，這是從1969年第一篇Journal of Molecular Biology論文用比較建模方法預測蛋白質結構的51年來的真正突破。我很高興他們取得了突破，因為證明了蛋白質結構預測問題是可以解決的，我在15年前的PNAS論文上提出，用PDB庫中的模板在理論上可以解決這個問題，他們這次用暴力實現了。 但基於商業或其它考慮，他們還不會公開代碼或server，所以要依靠我們科學界來做出讓公眾受益的方法。這次只有2/3的題目可以做到實驗精度，還有1/3做不到，是否還有更快更好的途徑來產生更高精度結構的算法？
  • DeepMind 模型實現蛋白質3D結構預測
    在11月30日舉行的兩年一次的CASP蛋白質結構預測挑戰賽中，DeepMind團隊開發的AlphaFold深度神經網絡模型脫穎而出，勝過其他100個團隊，在解決生物學最嚴峻的挑戰之一——從蛋白質的胺基酸
  • 生化版阿爾法狗出手蛋白質結構預測，生命密碼的馬奇諾防線崩了
    圖片：DeepMind網站視頻截圖2005年，《科學》雜誌在創刊125周年之際，將預測蛋白質結構列為125個最具挑戰性的科學問題之一。多年來，科學家只能通過核磁共振、X射線和冷凍電鏡技術來確定蛋白質結構。他們需要反覆試驗，經過持續數年的艱辛工作才能得到結果。同時這些實驗設備極為昂貴，造價高達數百萬美元。
  • 在線預測蛋白質三級結構,讓文章提升逼格的策略!(附攻略)
    而要更好地從空間結構的觀點來理解蛋白質相應的生物機制，就需要解析蛋白的具體分子結構，因此，採用計算機模擬( in silico) 的方法進行蛋白的結構預測就顯得十分必要。目前，計算機模擬來預測蛋白質結構主要是基於兩種思想：1)  同源模建（homology modelling）目前，已解析的蛋白結構都保存於PDB( http://www.rcsb.org/ ) 資料庫中。
  • AlphaFold成功預測蛋白質結構
    比賽中會定期給出目標蛋白質或蛋白質結構域——總共100個左右，讓團隊有幾周的時間來提交他們預測的結構。隨後，一支由獨立科學家組成的團隊利用各類指標對預測結果進行評估，這些指標主要判斷團隊預測的蛋白質與實驗解析的結構有多相似。評審專家並不知道預測是誰做的。 AlphaFold的預測用被稱為「427組」，多個預測達到了驚人的準確性，讓它們脫穎而出，Lupas說。