本月來自美國佛羅里達州立大學、英國愛丁堡大學Wellcome Trust細胞生物學中心、牛津大學和日本國立遺傳學研究院的研究人員開發(fā)了一系列可用于蛋白質(zhì)組學研究的新技術(shù)，研究成果分別發(fā)表在Angewandte Chemi 和Cell雜志上。(www.biogo.net 生技網(wǎng))
佛羅里達州立大學的生物物理化學家Brüschweiler和他的同事們將高性能的計算機和*的實驗室磁共振技術(shù)整合到一起，相互互補，用于提供蛋白質(zhì)在原子水平上的結(jié)構(gòu)及動力學信息。研究人員首先利用核磁共振技術(shù)（NMR）對特定的蛋白進行分析并獲得相關(guān)數(shù)據(jù)。然后再利用高性能的計算機驗證核磁共振數(shù)據(jù)，從而預測出蛋白質(zhì)的結(jié)構(gòu)、動力學及特征。計算結(jié)果嚴格取決于蛋白質(zhì)“能量圖譜”的形狀——即生理條件下蛋白質(zhì)的空間構(gòu)象。這項技術(shù)可幫助科學家在短時間內(nèi)完成對人體蛋白質(zhì)結(jié)構(gòu)和動力學的研究及預測。
在另一篇文章中，蘇格蘭的William C. Earnshaw和Juri Rappsilber以及日本的Tatsuo Fukagawa聯(lián)合了他們?nèi)齻€實驗室的優(yōu)勢和資源，創(chuàng)建出多分類組合蛋白質(zhì)組學（multiclassifier combinatorial proteomics，MCCP）方法，這是一種分析蛋白質(zhì)組功能關(guān)系的統(tǒng)計方法。利用Earnshaw實驗室在染色體研究上的豐富經(jīng)驗，研究小組采用Rappsilber 實驗室使用的SILAC及質(zhì)譜成像技術(shù)，通過與野生型和突變?nèi)旧w的比較，收集了6個不同分類的數(shù)據(jù)，獲得了大約4000個有絲分裂染色體相關(guān)蛋白的清單。通過一種機器學習方法-Random Forest（RF）整合這些分類，他們在完整染色體的背景下揭開了蛋白復合物之間的功能關(guān)系，并找到約560個未鑒定的蛋白，值得進一步研究。Random Forest分析將染色體蛋白與非染色體蛋白和目標蛋白分開。
研究者們認為這種MCCP方法很靈活，可用于研究任何的蛋白質(zhì)。且它的優(yōu)勢在于，它能夠確定一個不能純化的復雜細胞器中的蛋白組成，并結(jié)合遺傳學和蛋白質(zhì)組學來研究全部染色體中的復合物。機器學習方法的使用可揭示蛋白之間的功能關(guān)系。
