《蛋白质序列分析》word版

7 蛋白质序列分析与功能预测 (1)7.1 引言 (1)7.2 功能描述 (2)7.2.1 基因本体 (3)7.2.2 利用GO术语的功能注释 (7)7.3 基于序列相似性的功能预测 (8)7.3.1 基本预测方法 (10)7.3.2 分析与讨论 (14)7.3.3 蛋白质家族与序列的相似性聚类 (15)7.4 基于蛋白质信号的功能预测 (17)7.4.1 蛋白质信号 (17)7.4.2 信号的描述 (22)7.4.3 蛋白质模体、结构域和家族数据库 (28)7.4.4 分析与讨论 (34)7.5 基于蛋白质序列特征的功能预测 (35)7.5.1 序列的理化性质 (35)7.5.2 跨膜与卷曲螺旋分析 (37)7.5.3 蛋白质翻译后修饰分析 (40)7.5.4 亚细胞定位预测 (42)7.5.5 基于序列特征的蛋白质分子功能预测 (44)7.6 功能预测的其他思路 (45)参考书目 (47)7 蛋白质序列分析与功能预测DNA经常被比喻为构筑生命的蓝图，相应地，蛋白质就是构筑生命体最主要的材料。

蛋白质在生命过程中发挥着巨大的作用，它们执行着大部分生物功能。

这些功能包括结构功能（如细胞骨架中的肌动蛋白）、酶功能（很多蛋白质可以催化生物反应，常见的蛋白质催化功能是使生物反应加速一定数量级），以及在细胞内或细胞间转运物质的功能。

大量序列被测定带给了生物信息学家一个挑战，那就是如何从这些序列中找到基因，然后给基因加上注释，即给这些基因提供关于它们性质或功能的简单描述。

7.1 引言继基因组结构注释（genome structural annotation）完成后，阐明基因组所表达的全部蛋白质的表达规律和生物功能，称为功能注释（functional annotation），成为研究的热点，是基因组注释（genome annotation）的重要组成部分。

据Friedberg I称，2006年时，GeneBack中约有~40%的序列被标注为“unknown function”。

由于蛋白质是生命活动的最终执行者，并且蛋白质功能的阐明将有助于疾病机理的研究并最终帮助人类进行药物设计与疾病治疗。

因此，对基因产物——蛋白质的功能预测（protein functional prediction）是后基因组时代的一项重要任务。

尽管新的实验技术例如DNA芯片、酵母双杂交系统、RNA干扰以及大范围地、系统地缺失突变（knock-out）取得了巨大的进展，但这些方法都需要各种特定的设备，且价格昂贵、操作繁琐，成本高、周期长。

由于实验同时会受到一些不可预知的环境以及人为因素的影响，其所得结果的可信度也需加以考虑。

种种这些因素制约了蛋白质大规模分析的开展。

目前，实验方法阐明蛋白质功能尚远远落后于序列的测定。

面对呈指数增长的蛋白质序列数据，采用生物信息学的方法和手段来阐明大批量蛋白质序列的生物学功能具有非常重大的意义。

可采用生物信息学方法对蛋白质序列的功能进行预测的本质在于，承担核心生物功能的相当一部分基因被所有生物物种共享，从而可以利用某些特定物种中基因所编码的少量蛋白质序列（目前占已知蛋白质序列总数的5%）的已知生物功能信息（知识）对其他物种的大量蛋白质序列进行功能注释。

Hawkins T于2006年在“Protein Science”上发表文章，将蛋白质序列分析和功能预测方法大致分为四类：(1)基于序列或结构的分析方法（sequence and structure based methods），又称进化方法（evolutionary methods），这类方法基于全局或局部序列的保守性，或者结构上的保守性来预测蛋白质功能；(2)基于基因组上下文的方法（genomic context methods），又称比较基因组方法（comparative genomics methods），分别基于结构域融合事件（domain fusion events）、系统进化特征谱（phylogenetic profiling）、保守的基因顺序（conserved gene order），表达谱（expression profiling）以及共调控（common regulatory）等预测蛋白质功能；(3)基于相互作用的方法（interaction-based methods），又称细胞方法（cellular methods），使用蛋白质相互作用数据预测功能；(4)基于过程的方法（process based methods），又称代谢方法（metabolic methods），利用生物化学路径（biochemical pathways）的结构化网络（structured networks）来匹配蛋白质的非典型反应（uncharacterized reaction）。

其中方法(1)最为成熟，本章主要围绕该方法讲述。

7.2 功能描述理论上，蛋白质功能指“所有在蛋白质上或是经由蛋白质发生的事情”，是一个非常复杂的概念。

完全理解蛋白质的功能需要回答一系列的问题，如产生了什么样的蛋白质？其三维结构如何？会出现在生物体的什么组织中？会参与哪些细胞功能？会和哪些蛋白质发生相互作用？在细胞的后翻译（post- translationally）过程中会得到修饰产生变化吗？会与哪些蛋白质绑定？会催化哪些反应？会参与哪些代谢路径？等等。

完整的蛋白质功能注释需要从生化、细胞、组织、发育进化、生理等各方面进行描述。

为支持基于生物信息学方法的功能分析，各数据库与注释系统普遍采用了功能术语集的方法。

比如，SwissProt蛋白质序列数据库定义了10类八百多个功能描述关键字（SwissProt KeyWords），不同的蛋白质选用不同（个数）的KeyWords来概要定义其功能。

这类方法存在的主要问题是容易产生术语不一致或术语描述模糊等现象。

有时，功能根据生物化学的机制来定义（例如“腺苷酸激酶”）；有时则根据所处的代谢通路或在细胞中的总体作用来定义（例如“糖酵解”或者“细胞代谢”）；有时会根据生物体的表型来定义（例如“引起癌症”）。

各数据库都有自己的功能术语集。

比如，除SwissProt KeyWords外，GeneQuiz使用14类功能术语，PEDANT使用FunCat的15类功能术语等。

这些给基于生物信息学方法的功能注释带来困难，更阻碍进一步的数据分析理解。

有学者提出可以分不同的层次和级别（multilevel and hierarchical）对蛋白质功能进行描述。

例如，Brok P于1998年给出可以从如图7.1所示的三个层次来描述蛋白质功能：最细致的一层给出蛋白质的特殊绑定位点、催化活性和构象变化等分子功能（molecular function）；进而给出描述一定细胞环境下代谢途径、信号级联的参与情况等的细胞功能（cellular function）；最上层给出其在生物体内的表型（phonotype）情况，如是否患有某种疾病及其疾病病理等。

此时，功能预测的根本目标是建立基因型（genotype）与表型（phenotype）以及与环境间的相互作用与联系。

这类复杂关系的建立将为致病基因筛选、药物靶标筛选、基因表达谱数据分析、建立调控网络等提供关键信息。

比如，通过建立基因型与表型间的关系可以找出特定疾病表型的致病基因，找出可成为最佳药物靶标的重要代谢途径上的某些蛋白质，以及通过改变哪些基因可实现特定的表型等。

然而，目前掌握的信息与知识还不足以大规模地解决生物体表型的功能预测问题，对蛋白质分子功能和细胞功能也还只能做到部分定性的描述。

在此背景下，Gene Ontology Consortium于1998年提出用一整套标准的结构化控制词汇（controlled vocabulary），来描述真核生物的基因或蛋白质在细胞内所扮演的角色及生物医学方面的知识。

目前，基因本体得到了广泛的认可，成为事实上的标准功能术语集，为基于生物信息学的蛋白质功能预测带来便利。

7.2.1 基因本体基因本体是一套具有动态（dynamic）形式的结构化控制词汇。

可以从这样几个方面来理解基因本体的概念。

首先，从“词汇性”方面理解。

每个本体具有统一的标准名称（GO术语，GO term）和编号（GO id）。

其次，从“结构化”方面理解，一组本体可通过“is a”或“part of”的关系关联起来形成一个具有层次结构的有向无环图（Directed Acyclic Graphs，DAG）。

比如，“核膜”（nuclear membrane）本体与“核”（nucleus）本体可以通过“part of”的关系关联起来。

DAG图可以展现为树状层次结构，如其原网站上给出的图（图7.2）所示。

DAG图与标准的树状层次结构图的区别在于允许每一个本体有一个或多个父亲。

在DAG中，本体的结构层次越浅，功能描述越笼统；层次越深，功能描述越特异。

再次，从“控制性”方面理解，最上层的本体名称可代指整个DAG图及其包含的所有本体。

比如，通常说GO有三大独立的基因本体：生物过程（biological process，BP）、分子功能（molecular function，MF）和细胞组分（cellular component，CC），如图7.2所示，分别用于描述蛋白质的分子和细胞功能。

最后，从“动态性”方面理解，随著生命科学的发展，GO本体的术语及其相互间的关系由专家一直在不断地手工累积与更新。

截至到2009-3-12日为止已经积累了26933个GO术语。

图7.1 从分子功能、细胞功能、表型等三个层次来描述蛋白质功能图7.2 GO的三大独立本体及DAG图示意GO已经成为生物信息领域中一个极为重要的工具，并逐步改变着对生物学数据的组织和理解方式，它的存在已经大大加快了对所拥有的生物学数据的整合和利用。

比如，在采用GO术语对基因或蛋白质的功能进行标注后，依据GO提供的层次性组织结构就可以从生物学功能上将基因或蛋白质分成不同的层次结构组。

为更进一步说明GO本体及其间的层次结构关系，下面引用Gene OntologyConsortium于2000年在Nature Genetic上发表的论文“Gene ontology: tool for the unification of biology.”中给出的三个例子，分别从生物过程BP、分子功能MF和细胞组分CC三个方面来说明GO本体。

生物过程指基因或基因产物促成的生物学目的（biological objective）。

一个过程通常经由一个或多个按顺序整合的分子功能完成。

宽泛或称高层的生物过程术语的例子是“细胞生长和维持”（cell growth and maintenance）或者“信号转导”（signal transduction）。