蛋白质结构预测，让您的文章大放异彩

通过对测序数据的比对分析，我们能够获得大量的基因组突变信息，众所周知，这些突变会引起氨基酸序列或数目的改变。那么，在这个大数据时代，我们对数据信息的挖掘只能到这一步吗？当然不是！！！

近期，斯坦福大学的Jacob J. Chabon和他的同事通过蛋白三维结构预测，发现EGFR L798I突变会导致临近残基Cys797空间结构的变化，使得Cys797与肿瘤药物rociletinib的空间距离变长，从而影响Cys797和rociletinib的结合，清楚地揭示了肺癌患者产生耐药性的机制^[1]。

吼吼~ 蛋白三维结构预测好厉害！接下来小编就为大家介绍下什么是三维结构预测以及常用的预测方法。

自然界实际存在的蛋白质是有限的，并且存在着大量的同源序列，可能的结构类型也不多，序列到结构的关系有一定的规律可循，因此蛋白质结构预测是可能的。在蛋白质结构预测方面，预测结果最可靠的方法是同源建模方法。同源建模是基于下述事实：每一个自然蛋白质具有一个特定的结构，但具有相似序列的蛋白质倾向于折叠成相似的空间结构。一对自然进化的蛋白质，如果它们的序列具有25~30%的等同部分或者更多，则可以假设这两个蛋白质折叠成相似的空间结构。这样，如果一个未知结构的蛋白质与一个已知结构的蛋白质具有足够的序列相似性，那么可以根据相似性原理给未知结构的蛋白质构造一个近似的三维模型，然后通过能量优化及蛋白质动力学计算得到最终构象。

SWISS-MODEL：http://www.expasy.ch/swissmod/SWISS-MODEL.html

非专业人士应用最广泛的一个在线建模服务器，主要包括三种模式：Automated Mode、Aligment Mode和Deep View Project Mode。

Automated Mode和Aligment Mode模式提供一个简捷的用户介面。Automated Mode：用户只需要输入一条氨基酸序列，服务器会依据自带数据库进行建模预测。Aligment Mode：用户提供两条氨基酸序列，并指定目标序列和模板序列，服务器会依据用户提供的信息进行建模预测。Deep View Project Mode模式则可以让用户控制许多参数，依据自己需求进行调整。

Modeller：https://salilab.org/modeller/download_installation.html

该软件由Salilab开发，可在Windows和Linux下运行，需要对应版本的Python。主要功能包括多聚体建模、二硫键建模和杂原子建模等，该软件完全是命令行模式，操作相对复杂，对于习惯于GUI（Graphical User Interface，图形用户界面）的使用者，Modeller操作不太方便，因此有人为其编写了一个GUI界面，即Easy Modeller。Easy Modeller支持Windows下各版本的Modeller，操作简便，只需要提交自己的蛋白序列以及模板结构就可以方便的进行同源建模。

总之，蛋白三维结构预测能更清楚的揭示突变和蛋白结构之间的关系，让您的文章内容更加丰富，观点更加直观明确！

参考文献：

[1] Chabon J J, Simmons A D, Lovejoy A F, et al. Circulating tumour DNA profiling reveals heterogeneity of EGFR inhibitor resistance mechanisms in lung cancer patients. Nature communications, 2016, 7:11815.

癌症业务线  李    青丨文案

王   迪丨编辑

配图来源于网络，侵删