导读:本文包含了蛋白质交互作用论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:蛋白质,作用,相互作用,矩阵,奥斯汀,乳浊液,核蛋白。
蛋白质交互作用论文文献综述
徐昌[1]（2019）在《基于集成学习模型下的蛋白质交互作用预测方法研究》一文中研究指出随着后基因组发展,蛋白质组的研究正在如火如荼地进行.蛋白质相互作用的研究不仅有助于揭示生命活动的本质,而且还有助于理解疾病活动的机制和有效药物的开发.机器学习的快速发展为理解蛋白质相互作用的机制提供了新的机遇和挑战.它在蛋白质组学研究领域发挥着重要作用.近年来,已经开发了越来越多的用于预测蛋白质相互作用的计算方法.本文的模型是基于集成学习的思想,结合随机森林和支持向量机算法来预测蛋白质间相互作用.本文的主要工作包含以下几点:(1)蛋白质-蛋白质相互作用在各种生物过程中起关键作用.已经开发了许多方法来预测蛋白质-蛋白质相互作用.然而,许多现有的应用是有局限的,因为它们依赖于大量的同源蛋白和相互作用标记.在本文中,我们提出了一种新的集成学习方法(RF-Ada-DF),和基于氨基酸序列的特征提取方法,用于识别蛋白质-蛋白质相互作用.我们的方法首先通过多元互信息和归一化Moreau-Broto自相关描述符技术构建基于蛋白质序列的特征向量来表示每对蛋白质.然后,我们将提取的638维特征输入到用于判断交互对和非交互对的集成学习模型中.此外,该集成模型在AdaBoost框架中嵌入随机森林,并将弱分类器转换为单个强分类器.同时,我们还采用双误度量故障检测,以抑制训练过程中的过度适应.为了评估新方法的性能,我们对蛋白质间相互作用预测进行了几项综合测试,同时与现有的最优方法的性能进行了比较.在Heli.pylori数据集上,我们的方法实现了88.16%的准确率和87.68%的灵敏度,我们的方法的准确率提高了0.57%.在S.cerevisiae数据集上,我们的方法实现了95.77%的准确率和93.36%的灵敏度,我们的方法的准确率提高了0.76%.在Human数据集上,我们的方法准确率达到98.16%,灵敏度达到96.80%,我们的方法准确率提高了0.6%.实验表明,我们提出的方法可以很有效地提取蛋白质的相互作用信息.(2)配体-受体相互作用在细胞分化,增殖和免疫应答过程所需的信号转导中起重要作用.配体-受体相互作用的分析有助于更深入地了解细胞增殖/分化和其他细胞过程.计算技术将用于促进未来蛋白质组学研究中的配体-受体相互作用研究.在本文中,我们通过定向梯度直方图和离散余弦变换从配体和受体蛋白质序列中提取特征向量.然后我们提出了一种新的计算方法,通过机器学习方法从氨基酸序列预测配体-受体相互作用.我们在配体-受体数据集(不平衡数据集)上提出了两种模型.Neighborhood Fuzzy模型是使用模糊C均值聚类算法将正负类数据集分成若干个子平衡数据集并使用支持向量机算法得到若干个子分类器,然后使用相似性度量(距离度量)选择最优子分类器进行预测.Ensemble Fuzzy模型是使用模糊C均值聚类和bootstrap的方法将数据集平均分为若干个子数据集,然后训练若干个子分类器,最终结果由这些子分类器投票表决的方式得到.为了验证两种模型的性能,我们对配体-受体相互作用数据集进行了五折交叉验证,准确度达到80.08%,灵敏度达到82.98%,特异性达到80.02%.相比于使用单一的支持向量机分类器(灵敏度值是46.28%),模型的灵敏度提高了36.7%.然后,我们在两个蛋白质-蛋白质相互作用数据集上测试我们提取的特征提取方法,并分别达到93.79%和87.46%的准确率.我们提出的方法是鉴定配体-受体相互作用的有用工具.(本文来源于《安徽师范大学》期刊2019-05-01）
周畅[2]（2017）在《基于氨基酸序列多尺度编码的梯度提升树蛋白质交互作用预测算法研究》一文中研究指出蛋白质作为生命细胞中主要功能大分子,通常与其他蛋白质合作形成交互作用。这种交互在细胞中的代谢、转录和DNA复制等几乎所有生物功能中都发挥着相当重要的作用。因此对蛋白质交互作用的研究,能够为蛋白质功能和生物活动的探索提供深远的洞见。为了解决生物实验在探测蛋白质交互作用时,面临着的周期长和源耗大问题,越来越多的研究者提出很多有效并且准确预测蛋白质之间交互作用的计算方法,但是这些方法大多都需要知道例如蛋白质结构、蛋白质功能或者基因邻域信息等有关蛋白质的信息。本文提出一种充分利用氨基酸物理化学性质的方法编码蛋白质序列,基于梯度提升树预测蛋白质交互作用,主要工作如下:(1)将每一个蛋白质序列,根据其组成氨基酸定量和定性的物理化学性质进行多尺度编码。有关氨基酸频率、蛋白质序列的组成、转变、分布和基于理化的自协方差这几种特性作为描述序列的特征向量。由此将蛋白质序列重新编码成347维的特征向量,其中不仅体现了蛋白质序列的组成和位置信息,还能够包含具有统计意义的残基关系。(2)根据以上多尺度特征提取的方法得到的347维特征向量的特点,本文选择使用梯度提升树作为预测蛋白质交互作用的分类器。在酿酒酵母的蛋白质交互作用数据集上,准确度和马修相关系数分别达到了 95.28%和90.68%,在幽门螺旋杆菌和人类的蛋白质数据集上,相比于其他现有的工作精度提升至89.27%和98.00%。与此同时,本文将提出的方法扩展到交叉蛋白质交互作用网络中,结果同样印证其有效性。试验结果表明,由于梯度提升树和多尺度编码蛋白质方法的结合,在预测蛋白质交互作用的问题上有明显的优势,可以贡献于未来蛋白质组学的研究。(本文来源于《天津大学》期刊2017-12-01）
刘岁晗[3]（2015）在《图谱研究揭示蛋白质间交互作用链》一文中研究指出一国际研究团队通过大规模蛋白图谱研究发现,有机生物细胞内的不同蛋白质间具有较深联系,正是它们间的相互作用促进了细胞和生物体的构建。而蛋白图谱的绘制,或可帮助科学家探寻导致人类错综复杂的各种疾病的根源。这项研究由加拿大多伦多大学的安德鲁·艾米莉教授和美国得克萨斯大学奥斯汀分校的爱德华·马尔科特教授领衔,有来自3个国家的七个科研团队共同参与。根据物理学家组织网报道,研究人员仔细筛查了从酵母菌、蠕虫、老鼠、人类等(本文来源于《前沿科学》期刊2015年03期）
刘岁晗[4]（2015）在《图谱研究揭示蛋白质间交互作用链》一文中研究指出科技日报北京9月8日电 （记者刘岁晗）一国际研究团队通过大规模蛋白图谱研究发现，有机生物细胞内的不同蛋白质间具有较深联系，正是它们间的相互作用促进了细胞和生物体的构建。而蛋白图谱的绘制，或可帮助科学家探寻导致人类错综复杂的各种疾病的根源。(本文来源于《科技日报》期刊2015-09-09）
魏志森,杨静宇,于东军[5]（2015）在《基于加权PSSM直方图和随机森林集成的蛋白质交互作用位点预测》一文中研究指出为了提高蛋白质相互作用位点预测的精度,该文基于蛋白质位置特异性得分矩阵(Position specific scoring matrix,PSSM),提出了一种新的加权得分矩阵直方图特征表示方法;针对训练数据的极端不平衡,结合下采样和分类器集成方法,训练随机森林集成分类器。相对于传统的特征,该文所提新特征具有更低的维数,同时拥有更好的鉴别性。分类器集成则缓解了下采样带来的信息丢失,并提高了分类精度。实验结果验证了所述方法是有效的,在标准数据集上的结果优于其他最新的蛋白质相互作用位点预测方法。(本文来源于《南京理工大学学报》期刊2015年04期）
周训钊[6]（2015）在《鼻咽癌细胞与淋巴管内皮细胞交互作用的观察及其差异蛋白质研究》一文中研究指出目的:观察体外条件下鼻咽癌高转移细胞株5-8F与淋巴管内皮细胞(lymphatic endothelial cell,LEC)的共培养情况,研究 LEC 与 5-8F 细胞的交互作用。寻找共培养后,LEC与5-8F细胞的差异表达的蛋白,为鼻咽癌淋巴转移的分子机制研究奠定基础。方法:首先,采用荧光蛋白标记的慢病毒转染LEC与5-8F细胞,用叁种方式将LEC与5-8F进行体外共培养,在活细胞工作站下观察两种细胞的形态学以及运动迁移能力的变化。然后分别制备LEC与5-8F细胞培养24h后的条件培养基(conditioned medium,CM)。采用四甲基偶氮唑蓝(Methyl thiazolyl tetrazolium,MTT)实验观察不同浓度5-8F CM对LEC增殖情况的影响;采用细胞划痕试验观察不同浓度LEC CM对5-8F细胞迁移能力的影响。再将绿色荧光蛋白标记的LEC(green fluorescent protein-LEC,GFP-LEC)与红色荧光蛋白标记的 5-8F(red fluorescent protein-LEC,RFP-5-8F)进行直接共培养,经流式分选后采用蛋白质芯片检测共培养前后GFP-LEC、RFP-5-8F细胞差异表达的蛋白。根据检测结果选取Fractalkine与 ⅠGF-ⅡR(Insulin-like growth factor Ⅱ receptor)进行差异蛋白的免疫组织化学(Immunohistochemistry,IHC)验证。最后,对差异蛋白进行生物信息学分析。结果:1.活细胞工作站观察发现,在GFP-LEC与RFP-5-8F细胞共培养过程中,有的RFP-5-8F细胞出现伪足,呈长梭状且运动能力增强;有的RFP-5-8F细胞体积变大,出现片状伪足;RFP-5-8F细胞不再紧密排列而是相互分离生长;GFP-LEC围绕着RFP-5-8F细胞呈管腔样生长且增殖更旺盛;GFP-LEC与RFP-5-8F疑似发生胞浆的融合。2.MTT实验显示,共培养24h后,与相应的对照组相比,各浓度的5-8FCM对LEC的增殖效果均无统计学意义(P>0.05);培养48 h后,10%、50%、75%、及98%浓度的5-8FCM均能促进LEC的增殖(P<0.05);培养72h后,发现只有75%与98%浓度的5-8FCM促进了 LEC的增殖(P<0.05)。划痕实验显示,共培养6、12、24h后,各浓度LEC-CM处理下的5-8F细胞迁移距离均大于对照组(P均<0.01)。3.蛋白质芯片检测后发现GFP-LEC在共培养后,共有328种差异表达的蛋白;RFP-5-8F在共培养后,共有177种差异蛋白表达。IHC染色结果分析显示,与对照组相比,共培养后Fractalkine、IGF-ⅡR的表达增加,差异具有统计学意义(P<0.05)。4.GFP-LEC、RFP-5-8F差异蛋白的生物信息学分析结果显示,这些差异蛋白主要参与了细胞的增殖、粘附、迁移等过程。结论:1.LEC与5-8F细胞共培养后发生了交互作用,这促进了 LEC的增殖以及5-8F细胞的迁移。2.GFP-LEC与RFP-5-8F细胞的交互作用与肿瘤的转移相关。(本文来源于《广西医科大学》期刊2015-05-01）
王宇伟,牛耘[7]（2015）在《基于关系相似性的蛋白质交互作用识别》一文中研究指出针对目前蛋白质提取方法仅以单句信息为依据的不足,文中提出了以相似性为框架基于大规模文本的蛋白质交互关系识别方法。首先通过搜索医学文献数据库建立蛋白质对的签名档,然后提取签名档中的重要特征建立蛋白质对的向量空间模型,最后通过K近邻分类方法判断蛋白质对的交互关系。实验比较了向量空间模型下不同的距离度量策略对分类效果的影响,得出了比较合理的衡量相似性的函数。结果表明基于大规模文本采用基于余弦距离度量相似性的近邻方法识别蛋白质交互关系取得了较高且均衡的精确度和召回率,并且此方法直接利用了已有的交互信息,从而免除了额外的人工标注负担。(本文来源于《计算机技术与发展》期刊2015年02期）
牛海力,孔保华,刘骞,王雪,吕虹[8]（2014）在《蛋白质水解物与食品中不同组分之间交互作用的研究进展》一文中研究指出通过酶水解的方式能够获得具有较强抗氧化活性的蛋白质水解物,如果将其添加到食品当中,不仅可以抑制脂肪和蛋白的氧化,而且还可以通过蛋白质水解物与食品组分间的交互作用改善食品的一些功能性质,进而提高食品的品质。本文主要综述不同蛋白质来源的蛋白质水解物与食品组分(主要包括蛋白质、碳水化合物以及脂质)之间的交互作用、作用机理及其对食品功能性质的影响,从而为蛋白质水解物在食品中的应用提供理论研究参考。(本文来源于《食品工业科技》期刊2014年23期）
张挽青,闫加庆,左玮,陈乃宏[9]（2014）在《α-突触核蛋白和蛋白质降解系统的交互作用》一文中研究指出α-突触核蛋白(α-synuclein)与帕金森病的发病机制有着紧密的联系。α-synuclein可通过泛素-蛋白酶体途径(UPS)和自噬-溶酶体途径(ALP)(主要是大自噬和分子伴侣介导的自噬)进行清除。而这两种主要蛋白质降解途径异常会导致α-synuclein清除受损从而大量沉积。反过来,大量沉积的α-synuclein也会引起其变体的产生,从而产生毒性,这将进一步损伤UPS和ALP功能,出现恶性循环导致神经元的死亡。本文将就以下方面的最新发现进行综述:α-synuclein的降解方式以及α-synuclein对蛋白质降解途径的异常作用。(本文来源于《生理科学进展》期刊2014年02期）
龙肇[10]（2014）在《蛋白质—多糖交互作用对高乳脂乳浊液稳定性的影响及作用机理研究》一文中研究指出食品乳浊液是食品工业中作用机理极为复杂的多组分体系之一，通常由水、油脂、蛋白质、多糖和小分子乳化剂等部分组成，各组分间相互作用赋予食品良好的口感、质构特性和风味特征。热力学不稳定性是乳浊液的固有特性，通常表现为体系絮凝、聚结、乳析或沉淀。乳浊液的稳定性是食品工业中面临的最主要的难题之一。本论文针对高蛋白质、高乳脂乳浊液加工和储存过程中易失稳和搅打后泡沫不稳定的问题，首先探讨了均质和杀菌工艺对乳浊液稳定性和品质的影响，其次系统研究了中性条件下两种阴离子多糖（黄原胶和卡拉胶）和一种中性多糖（瓜尔豆胶）与酪蛋白酸钠复合水溶液的形态特征以及叁种多糖与酪蛋白酸钠之间的交互作用对高蛋白质（3wt%）、高乳脂（36wt%）中性乳浊液稳定性的影响及作用机理，应用响应面探讨了叁种多糖复配使用对乳浊液品质的影响并进行了配方优化。主要研究内容和结果如下：研究了均质和杀菌工艺对乳浊液稳定性和品质的影响并探讨了作用机理。其结果表明较高的均质压力对乳浊液有减小粒径，提高粘度、增加界面蛋白吸附量和吸附强度、降低界面蛋白浓度和增强弹性结构的作用，二次均质会促进脂肪球的重新聚结；杀菌工艺结果表明杀菌强度由强到弱依次为高压蒸汽灭菌>沸水浴杀菌>UHT杀菌。研究了酪蛋白酸钠与叁种多糖复合水溶液的水力学直径、ζ-电位、剪切流变特性和界面张力。水力学直径的增大和ζ-电位的降低表明酪蛋白酸钠和黄原胶之间通过疏水相互作用形成酪蛋白酸钠-黄原胶复合物。由酪蛋白酸钠溶液的弱剪切稀化体系向酪蛋白酸钠-瓜尔豆胶复合溶液的近似牛顿流体的转变说明酪蛋白酸钠与瓜尔豆胶在溶液体系中存在分子交互作用。卡拉胶与酪蛋白酸钠复合水溶液的水力学直径变化不明显。在多糖浓度低于某一临界浓度时（黄原胶和瓜尔豆胶为0.04wt%，卡拉胶为0.02wt%），蛋白质-多糖复合物的形成降低了酪蛋白酸钠疏水基团的暴露程度以及多糖对体系的增粘作用减缓了酪蛋白酸钠分子的迁移速率，界面张力增大；在高于该浓度时，蛋白质与多糖之间的离散作用和热力学不相容作用促进了酪蛋白酸钠分子在界面的富集，降低了界面张力。研究了酪蛋白酸钠与叁种多糖之间的交互作用对乳浊液粒度分布、界面蛋白浓度、显微结构、流变特性和脂肪部分聚结率等的影响。结果表明多糖的添加能增加酪蛋白酸钠在界面上的吸附量，在多糖的浓度低于体系的临界絮凝浓度时，能有效减少乳浊液大粒径脂肪球的体积和数量，但阴离子型的黄原胶和卡拉胶在浓度高于0.04wt%时会促进脂肪球聚集，进一步增大乳浊液粒径。连续相中未吸附的多糖分子引起乳浊液发生排斥絮凝后，会导致宏观上浑浊的或透明的乳清分离，其中黄原胶体系的絮凝结构会抑制脂肪球的运动，降低其脂肪部分聚结率，而卡拉胶体系的絮凝体结构较强，不易被破坏。乳浊液表现出剪切稀化的特性，与Herschel-Bulkley模型有很好的拟合性。用响应面Box-Behnken实验设计考察了黄原胶、卡拉胶和瓜尔豆胶用量在乳浊液中的复配使用，结果表明黄原胶和卡拉胶之间的交互作用显着（P <0.05）影响乳浊液的表观粘度；黄原胶和瓜尔豆胶以及黄原胶和卡拉胶之间的交互作用对乳浊液的搅打起泡率有极显着性（P <0.01）影响。不同条件下多糖用量的四种优化组合对乳浊液稳定性影响的研究结果表明黄原胶是引起乳浊液的排斥絮凝的主要因素，且该絮凝结构强度较弱易被破坏，而由高浓度卡拉胶所引起的絮凝结构则相对较强。流变实验中乳浊液表现出剪切稀化和弱凝胶的特性。(本文来源于《华南理工大学》期刊2014-04-09）
蛋白质交互作用论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
蛋白质作为生命细胞中主要功能大分子,通常与其他蛋白质合作形成交互作用。这种交互在细胞中的代谢、转录和DNA复制等几乎所有生物功能中都发挥着相当重要的作用。因此对蛋白质交互作用的研究,能够为蛋白质功能和生物活动的探索提供深远的洞见。为了解决生物实验在探测蛋白质交互作用时,面临着的周期长和源耗大问题,越来越多的研究者提出很多有效并且准确预测蛋白质之间交互作用的计算方法,但是这些方法大多都需要知道例如蛋白质结构、蛋白质功能或者基因邻域信息等有关蛋白质的信息。本文提出一种充分利用氨基酸物理化学性质的方法编码蛋白质序列,基于梯度提升树预测蛋白质交互作用,主要工作如下:(1)将每一个蛋白质序列,根据其组成氨基酸定量和定性的物理化学性质进行多尺度编码。有关氨基酸频率、蛋白质序列的组成、转变、分布和基于理化的自协方差这几种特性作为描述序列的特征向量。由此将蛋白质序列重新编码成347维的特征向量,其中不仅体现了蛋白质序列的组成和位置信息,还能够包含具有统计意义的残基关系。(2)根据以上多尺度特征提取的方法得到的347维特征向量的特点,本文选择使用梯度提升树作为预测蛋白质交互作用的分类器。在酿酒酵母的蛋白质交互作用数据集上,准确度和马修相关系数分别达到了 95.28%和90.68%,在幽门螺旋杆菌和人类的蛋白质数据集上,相比于其他现有的工作精度提升至89.27%和98.00%。与此同时,本文将提出的方法扩展到交叉蛋白质交互作用网络中,结果同样印证其有效性。试验结果表明,由于梯度提升树和多尺度编码蛋白质方法的结合,在预测蛋白质交互作用的问题上有明显的优势,可以贡献于未来蛋白质组学的研究。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
蛋白质交互作用论文参考文献
[1].徐昌.基于集成学习模型下的蛋白质交互作用预测方法研究[D].安徽师范大学.2019
[2].周畅.基于氨基酸序列多尺度编码的梯度提升树蛋白质交互作用预测算法研究[D].天津大学.2017
[3].刘岁晗.图谱研究揭示蛋白质间交互作用链[J].前沿科学.2015
[4].刘岁晗.图谱研究揭示蛋白质间交互作用链[N].科技日报.2015
[5].魏志森,杨静宇,于东军.基于加权PSSM直方图和随机森林集成的蛋白质交互作用位点预测[J].南京理工大学学报.2015
[6].周训钊.鼻咽癌细胞与淋巴管内皮细胞交互作用的观察及其差异蛋白质研究[D].广西医科大学.2015
[7].王宇伟,牛耘.基于关系相似性的蛋白质交互作用识别[J].计算机技术与发展.2015
[8].牛海力,孔保华,刘骞,王雪,吕虹.蛋白质水解物与食品中不同组分之间交互作用的研究进展[J].食品工业科技.2014
[9].张挽青,闫加庆,左玮,陈乃宏.α-突触核蛋白和蛋白质降解系统的交互作用[J].生理科学进展.2014
[10].龙肇.蛋白质—多糖交互作用对高乳脂乳浊液稳定性的影响及作用机理研究[D].华南理工大学.2014
论文知识图
