蛋白質(zhì)修飾分析

　　實(shí)驗介紹由mRNA表達產(chǎn)生的蛋白質(zhì)需要經(jīng)過(guò)蛋白質(zhì)翻譯后的化學(xué)修飾，即蛋白質(zhì)修飾，來(lái)完成蛋白質(zhì)的特定功能?；瘜W(xué)修飾會(huì )引起蛋白質(zhì)的結構和理化改變，進(jìn)而引起蛋白質(zhì)的活性和功能改變。蛋白質(zhì)修飾包括磷酸化、乙?；?、糖基化等，是調節蛋白質(zhì)功能的重要方式。例如，蛋白質(zhì)的磷酸化與細胞信號傳導、細胞周期調節、生長(cháng)發(fā)育以及癌癥機理等諸多生物學(xué)問(wèn)題具有密切關(guān)系；蛋白質(zhì)的乙?；钦{節蛋白質(zhì)活性的一種重要方式；蛋白質(zhì)的糖基化對蛋白質(zhì)的三維結構和功能具有重要影響；蛋白質(zhì)的棕櫚化對于跨膜蛋白質(zhì)的活性具有重要的調節作用；蛋白質(zhì)的硝基化和亞硝基化在蛋白質(zhì)的氧化損傷方面具有重要作用。因此，對蛋白質(zhì)修飾進(jìn)行詳細分析對闡明蛋白質(zhì)的功能具有重要意義

 

　　使用范圍

 

　　細胞信號傳導、細胞周期調節、生長(cháng)發(fā)育，氧化機制研究，腫瘤與癌癥機理研究等。

 

　　服務(wù)流程:

 

　　分析步驟

 

　　1. 找到特定蛋白對應的序列文件

 

　　根據蛋白質(zhì)的名稱(chēng)，找到蛋白質(zhì)組中的特定蛋白對應的序列文件，下載后進(jìn)行后續數據處理，序列下載可用網(wǎng)站包括NCBI、EBI等。

 

　　2. 預測蛋白質(zhì)的磷酸化位點(diǎn)、乙?；稽c(diǎn)和糖基化位點(diǎn)

 

　　對蛋白質(zhì)組學(xué)得到的重要蛋白質(zhì)，進(jìn)行功能位點(diǎn)預測，找到其中可能的磷酸化、乙?；?、糖基化位點(diǎn)。磷酸化位點(diǎn)預測對應的軟件包括GPS、PhosphoSitePlus等，乙?；稽c(diǎn)預測對應的軟件包括ASEB、NetAcet等，糖基化位點(diǎn)預測對應的軟件包括NetNGlyc、DictyOGlyc等。

 

　　3. 預測蛋白質(zhì)的棕櫚?；稽c(diǎn)、硝基化位點(diǎn)和亞硝基化位點(diǎn)

 

　　對蛋白質(zhì)進(jìn)行功能位點(diǎn)預測，找到其中可能的棕櫚化、硝基化、亞硝基化位點(diǎn)。預測蛋白質(zhì)棕櫚化位點(diǎn)的軟件包括SUMOsp等。預測硝基化位點(diǎn)和亞硝基化位點(diǎn)的軟件包括GPS-SNO

 

　　4.修飾后蛋白質(zhì)的GO富集分析

 

　　收集具有特定修飾的蛋白質(zhì)（例如具有磷酸化的蛋白質(zhì)），對其進(jìn)行GO富集分析，分析這些蛋白質(zhì)生物學(xué)功能的相關(guān)性。對應的軟件包括GO-slim等。

 

　　  圖1. 預測得到的蛋白質(zhì)磷酸化位點(diǎn)，包含磷酸化的位置、長(cháng)度和打分信息。圖中紅色標識的殘基為特定

 

　　蛋白中具有磷酸化作用的殘基位點(diǎn)。

 

　　圖2. 對于特定蛋白預測得到的蛋白質(zhì)N末端的乙?；稽c(diǎn)，包含乙?；臍埢Q(chēng)和打分信息。

 

　　圖3. 對于特定蛋白質(zhì)預測得到的糖基化位點(diǎn)，包含蛋白質(zhì)各個(gè)位置的糖基化可能性以及閾值。

 

　　圖4. 預測得到的蛋白質(zhì)棕櫚化位點(diǎn)，包含棕櫚化化的位置、打分和聚類(lèi)信息。

 

　　圖5. 預測得到的蛋白質(zhì)硝基化位點(diǎn)，包含硝基化的位置、長(cháng)度和打分信息。

 

　　圖6. 磷酸化蛋白質(zhì)的GO富集分析，包含蛋白質(zhì)對應的GO分類(lèi)、所占全部蛋白質(zhì)的百分比以及P-value。

 

　　參考文獻[1] Ren, J., Gao, X., Jin, C., Zhu, M., Wang, X., Shaw, A., Xue, Y. (2009). Systematic study of protein sumoylation: Development of a site-specific predictor of SUMOsp 2.0. Proteomics, 9, 3409–3412. doi:10.1002/pmic.200800646

 

　　[2] Gupta, R., Jung, E., Gooley, a a, Williams, K. L., Brunak, S., & Hansen, J. (1999). Scanning the available

 

　　Dictyostelium discoideum proteome for O-linked GlcNAc glycosylation sites using neural networks. Glycobiology, 9(10), 1009–22.

 

　　[3] Kiemer, L., Bendtsen, J. D., & Blom, N. (2005). NetAcet: prediction ofN-terminalacetylation sites.

 

　　Bioinformatics (Oxford, England), 21(7),1269–70.doi:10.1093/bioinformatics/bti130