Swiss-model也是一款预测蛋白质结构模型的工具.网页地址:https://swissmodel.expasy.org/ 首先,进行常规的注册后,点击start modelling 以搜索BRCA1蛋白质为例: 进入NCBI的protein网页:https://www.ncbi.nlm.nih.gov/protein/,输入要查询的BRCA1 点击搜索后,选择最后的氨基酸序列: 将所有的序列黏贴后回到SWISS-MODEL的网站,在下图框框里面输入氨基酸序列 这里只选了BRCA1蛋白质的前

发表时间:(2019年4月) IF:3.950 单位:韦恩州立大学化学系 物种:小鼠心肌细胞 技术:谷胱甘肽修饰蛋白组学 一. 概述: 本研究采用化学选择性蛋白组学方法,鉴定出过氧化物诱导HL-1小鼠心肌细胞后的含有半胱氨酸特异位点谷胱甘肽修饰多肽1763个,经过生信分析发现125个与心肌疾病相关的谷胱甘肽修饰蛋白,这些被修饰蛋白包括肌节结构和收缩蛋白.分子伴侣.信号及调节蛋白.并进一步通过对修饰位点的结构分析,预测蛋白质谷胱甘肽修饰对功能的作用.本研究建立了一个选择性直接鉴定谷胱甘肽修饰蛋白质

学习的机器 用大量的数据识别图像和语音,深度学习的计算机(deep-learning computers) 向真正意义上的人工智能迈出了一大步. Nicola Jones Computer Science,Vol 505: P146-148, 2014.1.9 3年前,位于Mountain View, California的Google X实验室中研究者从YouTube视频中提取了100,000,000张静态图片,提供给Google Brain(一个由1000台计算机组成的网络,像蹒跚学步的小孩

#===============================      版本1  ===============================================InterProScan的三种使用方法Interproscan,通过蛋白质结构域和功能位点数据库预测蛋白质功能.是EBI开发的一个集成了蛋白质家族.结构域和功能位点的非冗余数据库.Interproscan整合了一些使用最普及的一些数据库,并应用于功能未知的蛋白进行Interpro注释和GO注释.以下介绍3中interp

网络图(Network)看似复杂,其实构成非常简单,网络图是一种图解模型,形状如同网络,故称网络图,由节点(node)和连线(edge)两个因素组成的.其中 node 又分为 source node(源节点)和 target node(目标节点)两个因素组成的.这里的 node 就是我们的基因,edge 就是基因间的相互作用关系.任何网络图都不外乎这些构成成分.知道了网络图的构成之后,再做图分析就很简单了. 节点(node) 所谓的节点,就是我们要分析的基因.在一个网络图当中往往有数十个乃至上百

生命组学: 比较真核生物有关呼吸链的gene是比较核外编码基因,因为与呼吸有关的功能在线粒体上,线粒体位于核外.想要查看两种基因是否具有相互作用,可以对不同物种的编码ATP6 和ATP8的直系同源基因构建共进化树:可以绘制热图观察其区块化现象:可以计算相关系数:可以绘制箱图,进行类别之间相互比较,可看出显著性差异.以上操作都可以得到一组值或者图,为判定是否具有相互作用,可使用已知数据做同样操作,得到一个标准值.两相比较得到复合物之间相互作用. DIP(蛋白质相互作用数据库)和PCN这些已有数据库

生命组学 蛋白质之间的互作可以有以下应用: Eg:改变蛋白质基因,从而组改变结构,削弱蛋白质之间的相互作用. Eg:数据模拟出蛋白质的靶点,即结合腔,将此数据存入结合化合物的dataset,用于制药 结构预测: 通用方法:首先将得到序列采用Fasta(全局序列比对)&blast(局部序列比对)在PDB中(此数据库中有实验数据和计算预测得到的数据)找模板modeling.找模板的方法可以基于sequence similarity.可以基于structure相似性,因为存在氨基酸序列不同但是最终组成

基于文章:探索「老药新用」最短路径:亚马逊AI Lab开源大规模药物重定位知识图谱DRKG,记录了该项目的实际部署与探索过程,供参考. 1. DRKG介绍 大规模药物重定位知识图谱 Drug Repurposing Knowledge Graph (DRKG) 是一种涉及基因.化合物.疾病.生物学过程.副作用和症状的综合性生物知识图.DRKG包括来自六个现有数据库的信息,包括DrugBank.Hetionet.GNBR.String.IntAct .DGIdb,以及从最近的出版物收集的数据,特别

I-TASSER是一款用于预测蛋白质结构和功能的工具,网站链接:https://zhanglab.ccmb.med.umich.edu/I-TASSER/ 具体描述如下: I-TASSER (Iterative Threading ASSEmbly Refinement) is a hierarchical approach to protein structure and function prediction. It first identifies structural templates

MutPred的功能是预测氨基酸替换后的致病性及其分子机制,旧版本见链接:http://mutpred1.mutdb.org/ 新版本更新为MutPred2,见网站链接:http://mutpred2.mutdb.org/index.html,如下图所示,点击predict here 操作步骤见下图: 输入邮件地址.输入想要查询的蛋白质序列.最后submit等结果. 重点讲中间输入的蛋白质序列怎么来的: 首先,进入网站https://www.ncbi.nlm.nih.gov/nuccore/ 假

常见的ORF预测工具 Open Reading Frame Finder- NCBI ORF Finder - SMS OrfPredictor  - YSU 基本概念 开放阅读框(英语:Open reading frame:缩写:ORF:其他译名:开放阅读框架.开放读架等)是指在给定的阅读框架中,不包含终止密码子的一串序列.这段序列是生物个体的基因组中,可能作为蛋白质编码序列的部分.基因中的ORF包含并位于开始编码与终止编码之间.由于一段DNA或RNA序列有多种不同读取方式,因此可能同时存在许

以下是对Ensembl突变数据库中储存的数据的描述,对于Ensembl数据库中不同的物种,我们从各种来源(例如,dbSNP数据库)导入突变数据(SNP.CNV.等位基因频率.基因型等),导入的突变数据和等位基因经过质量控制过程来标记可疑数据. 我们将突变分成几个不同的类,并计算突变的预测结果,并且我们还创建了突变集以帮助人们从特定数据集中检索特定突变体组. 我们计算了人类每个突变在种群中的连锁不平衡. 突变数据类型 Ensembl突变数据库储存了从外部导入的数据以及就算得来的数据. 外部导入的数

大家好,本周分享的是发表在Molecular & Cellular Proteomics.上的一篇关于富马酸二甲酯在脑细胞蛋白质中新作用靶点的鉴定及功能性验证的文章,题目是Identification of Novel Protein Targets of Dimethyl Fumarate Modification in Neurons and Astrocytes Reveals Actions Independent of Nrf2 Stabilization,通讯作者是南卡罗来纳大学的N

生物信息学 GU也可以配对,即“wobble” pairing GU. Hairpin发夹结构,最少不能少于3个碱基.没有配对 Bulge 单侧配对 Loop双侧配对 假结,游离的leading edge与hairpin相结合.大部分软件不考虑此结构. 表示RNA5种结构: 如果有假结,则环形图会有交叉: 颜色代表稳定性: 但是RNA序列较长则得到正确的预测比较困难,因为配对可能性上升.所以采用150bp以内的序列预测比较准确. 常用方法: 1.共变化(进化)方法,基于相似性比对. 2.单序列预

生物医学大数据-蛋白质基因组学:质谱注释 蛋白质组与其他组学的关系便是互为印证:蛋白质基因组学原本用于基因组注释,后面扩展到蛋白质与转录组或可变剪接之间关系,同时,蛋白质组依赖于基因组注释作为验证.许多研究未标明蛋白质基因组学,而是归属于对应的组学. 蛋白质基因组学现存问题: 基因组注释方法:1.Denovo.2.与转录组相应证.3.与基因组数据库同源比对. 基因组注释问题: 对于特定结构: 起始位点定位信号难以确定 确定promoter调控结合位点,错误率高 终止位点不被注释 可变剪接预测和确

题目:Associations of the Fecal Microbial Proteome Composition and Proneness to Diet-induced Obesity 期刊:Mol Cell Proteomics IF:5.236 发表日期:2019年9月 单位:乔治亚州立大学生物医学科学研究所,加州大学圣地亚哥分校等 物种:小鼠 技术:16S rRNA,TMT 10-plex宏蛋白质组 一. 研究背景 高脂肪低纤维饮食促进肥胖的发展,尽管遗传因素在决定对这种致肥胖饮

技术背景 PDB(Protein Data Bank)是一种最常用于存储蛋白质结构的文件.而我们在研究蛋白质构象时,往往更多的是考虑其骨架,因此在很多pdb文件中直接去掉了氢原子.但是在我们构建蛋白质力场时,又需要用到这些氢原子.因此这个流程就变成了,在预测蛋白质构象时,不考虑氢原子,然后在力场构建的步骤去添加氢原子.由于氢原子的位置相对其连接的重原子来说,是相对比较固定的,而且最低能量位置也比较容易找到.因此常见的策略是,先在大致合理的位置补充上氢原子,再通过能量优化算法去优化氢原子的位置,使

5.(2021.7.12)Bioinformatics-KG4SL:用于人类癌症综合致死率预测的知识图神经网络 论文标题:KG4SL: knowledge graph neural network for synthetic lethality prediction in human cancers 论文地址:https://academic.oup.com/bioinformatics/article/37/Supplement_1/i418/6319703 论文期刊:Bioinformati

14.(2022.5.21)Bioinformatics-SGCL-DTI:用于DTI预测的监督图协同对比学习 论文标题: Supervised graph co-contrastive learning for drug–target interaction prediction 论文地址: https://academic.oup.com/bioinformatics/article-abstract/38/10/2847/6551245 论文期刊: Bioinformatics 2022

MSTE: 基于多向语义关系的有效KGE用于多药副作用预测 论文标题: Effective knowledge graph embeddings based on multidirectional semantics relations for polypharmacy side effects prediction 论文期刊: Bioinformatics 2021 MSTE: 基于多向语义关系的有效KGE用于多药副作用预测 摘要 1.引言 2.相关工作 2.1 KGE 2.2.1 基于平移的