Cell, Angewandte Chemie报道两项蛋白质组新技术

　　

    生物通报道  2003年4月人类基因组图谱基本绘制完成，但对基因的调节与功能问题仍未能解读。由于基因的功能主要是通过其编码的蛋白质来实现，蛋白质才是生命活动真正的执行者，所有越来越多的科学家致力于蛋白质的研究，试图找出人类疾病的致病机理，最终解决人类的疾病。

    FastDigest®限制酶活动期间6.5折特价优惠，免费提供样品，快快点击获取

    但是由于蛋白质的研究不同于DNA以及RNA，它有着更为复杂的二级、三维机构；另一方面蛋白质不能像DNA那样可以扩增，因此少量的蛋白质很难被检测到，这些都给研究带来了很大的困难。尽管如此，蛋白质组学研究已在医学领域中显示出其广泛的应用前景，而且其技术及应用还在不断突破中。

    本月来自美国佛罗里达州立大学、英国爱丁堡大学Wellcome Trust细胞生物学中心、牛津大学和日本国立遗传学研究院的研究人员开发了一系列可用于蛋白质组学研究的新技术，研究成果分别发表在Angewandte Chemi 和Cell杂志上。

    佛罗里达州立大学的生物物理化学家Brüschweiler和他的同事们将高性能的计算机和先进的实验室磁共振技术整合到一起，相互互补，用于提供蛋白质在原子水平上的结构及动力学信息。研究人员首先利用核磁共振技术（NMR）对特定的蛋白进行分析并获得相关数据。然后再利用高性能的计算机验证核磁共振数据，从而预测出蛋白质的结构、动力学及特征。计算结果严格取决于蛋白质“能量图谱”的形状——即生理条件下蛋白质的空间构象。这项技术可帮助科学家在短时间内完成对人体蛋白质结构和动力学的研究及预测。

    在另一篇文章中，苏格兰的William C. Earnshaw和Juri Rappsilber以及日本的Tatsuo Fukagawa联合了他们三个实验室的优势和资源，创建出多分类组合蛋白质组学（multiclassifier combinatorial proteomics，MCCP）方法，这是一种分析蛋白质组功能关系的统计方法。利用Earnshaw实验室在染色体研究上的丰富经验，研究小组采用Rappsilber 实验室使用的SILAC及质谱成像技术，通过与野生型和突变染色体的比较，收集了6个不同分类的数据，获得了大约4000个有丝分裂染色体相关蛋白的清单。通过一种机器学习方法-Random Forest（RF）整合这些分类，他们在完整染色体的背景下揭开了蛋白复合物之间的功能关系，并找到约560个未鉴定的蛋白，值得进一步研究。Random Forest分析将染色体蛋白与非染色体蛋白和目标蛋白分开。

    研究者们认为这种MCCP方法很灵活，可用于研究任何的蛋白质。且它的优势在于，它能够确定一个不能纯化的复杂细胞器中的蛋白组成，并结合遗传学和蛋白质组学来研究全部染色体中的复合物。机器学习方法的使用可揭示蛋白之间的功能关系。

（生物通：何嫱）