蛋白质和衍生物

美国FTC质构仪（多种型号可选）质地是决定鱼、肉、无肉蛋白替代品及其加工衍生物食用质量的首要考虑因素。例如，从制造商的角度来看，这可能是一种成分的影响，例如，一个加工过的火腿生产商向其产品中加水，并希望量化消费者可接受的最大加水水平。从顾客的角度来看，这是正宗的火腿。从农场/海洋到餐盘的质地分析被用来客观地衡量鱼、海鲜和肉类产品的质量，例如老化对肉嫩度和鱼的肌肉轮廓的影响，以表明脂肪含量。其他应用包括加工肉制品的切片/撕裂特性，肉酱和糊状物的稠度，鱼凝胶的弹性，海产品的硬度，以及腌料对肉类的影响等。在过去50年里，全球对肉类和鱼类的消费显著增加，但也有一种消费肉类替代品的趋势。肉类替代品主要由寻求更健康、无胆固醇、可持续和合乎道德的肉类替代品的素食主义者和纯素食主义者消费，但也有弹性素食主义者(主要食用植物性食品，偶尔食用肉类、鱼类和家禽)消费。食品科学家正在开发植物性肉类 与肉类口感和味道相似的鱼类替代品，模仿动物蛋白质中的纤维特性。它们通常由大豆、麸质和Quorn等产品制成，但制造商也使用其他成分，如豌豆蛋白。无论是在一个研发实验室，一个领域，还是一个制造设施，我们的产品是量化鱼，肉和植物性替代品的质构特征的理想解决方案。

大家好，本周分享一篇发表在ACS central science上的文章，题目是Redirecting RiPP Biosynthetic Enzymes to Proteins and Backbone-Modified Substrates，通讯作者是来自UC伯克利分校的Matthew B. Francis教授和Alanna Schepartz教授。核糖体合成和翻译后修饰多肽 (RiPP，Ribosomally synthesized and post-translationally modified peptides) 是肽衍生的天然产物，具有强效的抗菌、抗病毒和抗癌特性。RIPP 生物合成始于核糖体合成的多肽，其 N 端先导序列 (~20–110 aa) 会招募一种或多种能够对相邻 C 端底物序列进行多种翻译后修饰 (PTM) 的内源酶。环化脱水酶和脱氢酶是其中研究得非常充分的 RiPP 酶。这些酶共同催化分子内环化和随后的芳构化反应，在多肽链中安装恶唑啉/恶唑和噻唑啉/噻唑杂环。Naismith 及其同事设计了一个环化脱水酶家族，先导肽与脱水酶催化剂的 N 端而不是与底物多肽的N端相融合。这些酶，尤其是LynD Fusion (LynD-F)和 MicD Fusion (MicD-F)，以不依赖先导肽的方式发挥作用，以促进含有 C 末端上Ala-Tyr-Asp (AYD) 识别序列的多肽环化脱水。此外， Schmidt 和同事证明了两种脱氢酶 ArtGox 和 ThcOx 也接受无先导肽底物。总而言之，与基于嵌合先导肽或先导肽交换的方法不同，这些酶代表了一种完全无先导的途径得到安装噻唑和恶唑键的多肽。在本文中，作者报告了使用 MicD-F和 ArtGox共同作用来处理含有多种翻译相容的氨基苯甲酸衍生物和 β-氨基酸的多肽底物，得到含恶唑啉/恶唑和噻唑啉/噻唑杂环的骨架。作者在测试中发现，MicD-F 和 ArtGox 在 +1 位点（环化反应位点前一个残基）和-1位点（环化反应位点后一个残基）均接受具有不同结构的底物，且-1 位点对非α-氨基酸单体的耐受性低于 +1 位点。作者进一步实验证明，RiPP 生物合成酶可以重定向到完整的折叠蛋白。他们发现MicD-F 和 ArtGox 可以在蛋白质loop和linker安装杂环骨架，而不会破坏天然的三级折叠。即使插入的 CAYD 序列在mCherry（一种大的 β-桶蛋白）的C 末端，或是嵌入在二聚体 α-螺旋束蛋白 Rop中的loop区，仍然可以得到折叠完好的球蛋白产物，其中含有构象受限的、完全非天然的杂环骨架。作者认为他们的研究代表了第一个在环化位点旁边含有多种非α-氨基酸单体的多肽中进行无前导azol(in)e生物合成的例子，以及第一个含有翻译后安装的杂环的折叠蛋白。作者还通过计算揭示了这些杂环限制构象空间的程度；它们还在合成中消除了肽键——这两种特征都可以提高稳定性或增加接头序列的功能，这在新兴的生物治疗药物中很常见。作者认为这项工作提出了一种扩展蛋白质组的化学多样性的一般策略。本文作者：Cyao责任编辑：LDY原文链接：https://pubs.acs.org/doi/full/10.1021/acscentsci.1c01577文章引用：DOI：10.1021/acscentsci.1c01577

近日，中国科学院大连化学物理研究所研究员叶明亮、研究员秦洪强团队开发了表征蛋白质中组氨酸残基反应活性的蛋白质组学分析新方法。该工作筛选并获得了具有组氨酸优异反应效率的α, β-不饱和醛探针，发展了基于烯醛探针的组氨酸标记技术和可逆酰肼化学富集方法，通过蛋白质组定量技术实现了人类蛋白质组中的组氨酸反应活性的高效表征。相关成果发表在《美国化学会志》上。　　氨基酸亲核反应活性的表征推动了共价药物靶点和候选药物分子的发现。组氨酸占据超过1/5人源酶活性中心，在生理环境中既是质子的供体又是质子的受体，受到蛋白质空间微环境的精细调控。然而，由于缺乏可以在生理条件下标记组氨酸的化学探针，在此之前难以实现组氨酸活性的全局性表征。　　本工作发现α, β-不饱和醛在生理状态下可与组氨酸残基发生迈克尔加成反应，且引入的醛基可作为富集标签用于后续的可逆酰肼富集。与基于点击化学的经典活性蛋白质组分析方法（ABPP）相比，该策略引入活性最高的烯醛探针——丙烯醛作为反应基团和富集标签，是目前报道的最小尺寸的ABPP多功能探针。　　同时，该方法样品处理流程简便，引入标签质量小，并通过可逆富集过程引入稳定同位素标记试剂，有效避免了传统工作中制备同位素连接臂的繁琐流程和高成本。该方法共定量了超过8200个组氨酸残基的标记效率，筛选到317个高亲核反应性组氨酸残基，并且发现组氨酸的反应活性和其磷酸化呈负相关。　　该方法为后续基于组氨酸的共价靶向偶联药物的开发提供了数据支持，且丙烯醛衍生物也可作为新型反应基团用于共价抑制剂的研制。

近日，郑州大学第一附属医院杨静华教授团队与空军军医大学朱平教授团队、上海大学陈亮教授团队合作在国际顶尖学术期刊Science上发表了题为“Cysteine carboxyethylation generates neoantigens to induce HLA-restricted autoimmunity”的长篇研究论文。 该研究报道了一种泛蛋白修饰组学技术并发现了新型蛋白修饰和诱导限制性自身免疫。 自身免疫性疾病，如强直性脊柱炎 (AS)，机体的免疫系统对外来的抗原会做出相应的免疫应答，结果通常是将外来抗原清除，而对自身的成分通常也会发生无伤害作用的免疫应答。 一般情况下，基因可编码并翻译成蛋白质。但现有蛋白质测定技术却发现了很多与基因编码不同的氨基酸，研究者把这些现代技术检测不到的“非编码氨基酸”（ncAAs）称为人类蛋白质中的黑色物质。 非编码氨基酸包括天然蛋白质中各种形式的氨基酸修饰、变异和衍生物，可反映基因编码以外的蛋白质序列和结构的改变信息，并直接影响着蛋白结构、功能和调控。每一个非编码的氨基酸都可能是蛋白质维度上的疾病标记物和药物靶点，与人类疾病发生发展的分子机制密切相关。 杨静华教授团队经过多年研究，基于超高分辨蛋白质谱和国家超算平台，建立了一套泛蛋白修饰组学的搜索引擎，用于测定大队列人群蛋白质组中的ncAAs图谱。ncAA图谱包括基因编码以外的蛋白质结构信息，是人类疾病发生、发展及转归的分子基础。本研究采用泛蛋白修饰组学搜索引擎，测定了强直脊柱炎患者外周单核细胞的泛蛋白修饰图谱，发现了一系列与疾病相关的非编码氨基酸。论文链接：https://www.science.org/doi/10.1126/science.abg2482

p　　用于生物样品分析的蛋白指纹法，该专利技术被国际顶级科学杂志《科学》以及医学界权威杂志《柳叶刀》评为世界蛋白指纹图谱和蛋白质芯片排名第一的技术。针对这项技术的一些问题，火石创造对许洋博士进行了深度的专访。/pp style="text-align: center "img width="300" height="385" title="001.png" style="width: 300px height: 385px " src="http://img1.17img.cn/17img/images/201711/insimg/ebf3be8e-c0c2-49d6-9891-a76d207d183f.jpg" border="0" vspace="0" hspace="0"//pp style="text-align: center "strong　　许洋博士/strong/pp　　许洋博士一直致力于蛋白质组学研究开发，怀揣近五十项蛋白分子质谱诊断技术的自主发明专利。2009年他创办了湖州赛尔迪生物医药科技有限公司，凭借专利产品蛋白指纹图谱仪成为行业领头羊，也成为此类器械行业标准的起草者。/ppstrong　　火石：请问您为什么做蛋白质谱?/strong/pp　　许洋博士：我研究蛋白质谱是偶然也是必然。在美国纽约著名的Sloan-Kettering研究所单克隆抗体实验室早期研究治疗白血病时，我们制造了全世界第一枚人源化单克隆抗体(抗CD33人源化单抗)。后来我又和顶尖美国公司合作第一个将人源化单克隆抗体做成了靶向药。有了扎实的基础，必然能在更窄的蛋白质谱领域做的更好。/pp　strong　火石：蛋白质谱当前的临床应用情况如何?/strong/pp　　许洋博士：只有拿到医疗器械注册证才算进入临床，蛋白质谱目前只有三种临床应用：对肿瘤的筛查 对早期肾脏疾病的分析 在细菌上的鉴定应用。蛋白质谱在国内仍处于非常早期的阶段，且具有垄断性，极少人能做且在做。/ppstrong　　火石：作为国家“千人计划”医疗器械特聘专家，您认为蛋白指纹图谱仪在医疗器械中的角色是什么?/strong/pp　　许洋博士：蛋白指纹图谱仪分析的大数据可以生动地比喻为人体疾病的健康地图。/pp　　蛋白指纹究竟是什么?把质谱仪的显示屏中的每一个蛋白质都用一个分子量来表达，这些分子量组合起来就叫蛋白指纹。就像每个人的指纹都是不同的，每种疾病的特定蛋白质表达物也不同，称之为指纹图谱。蛋白指纹图谱技术是由蛋白质芯片及分析仪器——表面加强激光解析电离飞行时间质谱仪两部分组成，可以将病人血清中蛋白质成分的变化记录下来，绘制成蛋白指纹质谱图，并显示样品中各种蛋白的分子量、含量等信息。将这张图谱与正常人、某种疾病病人的谱图或基因库中的谱图进行对照，就能最终发现和捕获新的特异性相关蛋白及其特征。这种方法具有微量、精确、简易、快速的特点，适应于基础和临床等各个领域。/pp　　之所以将蛋白指纹图谱仪分析的大数据比喻为人体疾病的健康地图(MAP)，是因为既然β2—微球蛋白是11731、人绒毛膜促性腺激素是37580、转甲状腺素蛋白是13761(数字对于计算机的应用更好管理)，而每个蛋白质在质谱仪分析中都是数字，它本身就是大数据。任何物质在质谱底下都是数字，综合起来就是大数据。我把大数据串联起来，就能将分子在身体的MAP做出来。譬如一位吸烟的男士来体检，能发现他吸了烟数年之后肺部出现影像学病理性位点，结合质谱仪分析发现相关的疾病标志物，我们能够模拟出肺部疾病的健康地图，即通过质谱仪检测的健康大数据，可以模拟出该患者肺部出现了数个小红点，点击每个红点后都会解释原因，如显示铅、铬等数据是否超标，以及告诉你相应的对策。这样的技术开启了全智能健康4.0时代。/pp　　Tips：β2—微球蛋白(β2—MG)被认为是诊断早期肾功能损伤的敏感指标，尤其对于糖尿病肾病、高血压肾病、红斑狼疮肾炎的早期诊断具有重要参考价值，因此β2—微球蛋白的测定在临床上是有多种价值的。/pp　　strong火石：您和您的团队在蛋白质组学研究的技术或者方法上有什么突破吗?/strong/pp　　许洋博士：蛋白质作为标志物对肿瘤的诊断，确实没有太大的进展。/pp　　一直以来蛋白质组学研究面临的重大瓶颈是蛋白质分离问题：人体内有十万种蛋白质与衍生物，多数可能与疾病有关联，但这十万种蛋白质与衍生物只有分开后，质谱才能分析清楚。此前蛋白质组学技术中最流行、最通用的蛋白质分离方法是双向电泳，基本上能分离近二千种血浆蛋白质，远远不及十万种，所以成为了瓶颈。/pp　　2006年我提出了一个设想：和蛋白有关的抗体至少有一万多种，那为什么不用抗体来分离蛋白质?这件事一直有人在做，但之前都没有人想到用抗体组把一千个蛋白质一次性快速、实时地分离出来。之后就诞生了免疫质谱分析方法(专利号ZL 200610140652.0)，可以在一个抗体组基质上同时捕获多个生物标志，并对捕获的变异的或修饰的生物标志进行质谱精确分析，还可以同时检测多个生物标志群。用免疫组质谱技术能测定抗原变异片段的分子量。另外，还可以将多种疾病特异性抗原的抗体同时标在一个基质点上。/pp　　Tips:免疫质谱分析方法：质谱与抗体分离技术联合应用即为免疫组质谱(Immunomic mass spectrometry，IMS)。免疫组质谱检测为一组多种(类)抗体与质谱联合来精确地鉴别变异或修饰生物标志群的方法。在一个抗体组基质上同时捕获多个生物标志，并对捕获的变异的或修饰的生物标志进行质谱精确分析。可以同时检测多个生物标志群(biomarkers)。/pp　　双向电泳(Two-dimensional electrophoresis)：是一种等电聚焦电泳与SDS-PAGE相结合，分辨率更高的蛋白质电泳检测技术。目前是快速成长的蛋白质组学技术中最流行最通用的蛋白质分离方法。目前2D-PAGE能够在同一块凝胶上同步检测和定量数千个蛋白质。/pp　　从整个2015年的政策看，医疗器械行业是受到国家大力扶持的，行业地位与重要性大幅提升，法规向国际化看齐，行业监管不断趋严，医疗器械正成为与药物齐头并进的新兴产业。/pp　　strong火石：是什么驱动着行业的高增长?/strong/pp　　许洋博士：一是需求，老龄化加剧，家庭支付能力增强，导致医疗需求高增长 二是政府加大医疗卫生投入，《医疗器械科技产业“十二五”专项规划》表示，“十二五”期间将扶植形成8～10家产值超过50亿元的大型医疗器械产业集团 三是为配合新医改完善基层医疗建设的目标 四是国内生物技术研发应用进入突破期。/pp　　strong火石：您认为接下来医疗器械未来发展的特点和前景会是怎么样的?/strong/pp　　许洋博士：未来5年，医疗器械和制药占比将会达到1:1。近十年，我国医疗器械市场规模快速增长，国内医疗器械工业总产值从2003年的189亿人民币上升到2013年的1889亿，2013年同比增长21%，增长速度远快于药品。预计在未来5年左右，我国医疗器械行业仍然将保持高速增长。医疗器械行业涉及到医药、机械、电子、塑料等多个行业，中高端医疗器械更是多学科交叉、知识密集、资金密集的高技术产业，研发成本高，决定了只有大型厂商才能在大中型医疗器械方面有所作为。此外，器械“国产化”也会成为必然趋势。/pp　　strong火石：赛尔迪当前开展的业务、研发的产品有哪些?公司部署战略是怎么样的?/strong/pp　　许洋博士：我们现在正在做一张人类的大健康MAP。通过精准医疗计划，基于环境健康大数据，通过蛋白指纹图谱仪完成健康管理。现在的疾病市场最关注的问题分别是：检测0～6岁儿童智力、优生优育(为什么生不出聪明宝宝)、高达5千万的肿瘤人群以及3.5亿的高血压、糖尿病人群。/pp　　其中糖尿病肾病是糖尿病最常见且严重的并发症之一，是糖尿病所致的肾小球微血管病变而引起的蛋白排泄和滤过异常那个渐进性肾功能损害。而微量白蛋白尿即早期糖尿病肾病是可逆的，这不同于大量白蛋白尿即临床糖尿病肾病，因此积极防治早期糖尿病肾病就显得尤为重要。去年底，赛尔迪公司与中国医学科学院北京协和医院签署协议，承担国家对糖尿病肾病体内铅、镉毒素的临床大样本检测。全新升级的蛋白指纹图谱仪，是目前唯一获国家药监局批准、能检测含微量白蛋白、β2—微球蛋白以及泛素3项指标的医疗器械。这对糖尿病肾病的早发现、早治疗具有重大意义。/pp　　赛尔迪接下来将按照个体化精准检测所附带的信息，由这些信息与大数据库交流，提出符合个体化治疗的方案，向个体化精准医学管理方式转变。/pp　　随着大数据时代的来临，“互联网+”概念的提出让医疗健康事业呈现出了新的发展势态和特征。医学知识体系正被大数据、精准医疗所重构，信息化进程提高了知识传递速度与医疗协同效率。/ppstrong　　火石：蛋白质组学技术如何助推精准医疗?/strong/pp　　许洋博士：常识知道铅、镉会引起糖尿病性肾病。但铅、镉指标不是医院常规检测的项目。如果采取个体化精准治疗，每年常规检查一次体内铅与镉的指标，发现异常就能进行针对性的从尿液排泄的治疗。已经得了肾病正在透析的病人，检测铅与镉指标后进行针对性排泄也会增强治疗效果。利用蛋白指纹图谱仪能够发现早期的肿瘤和心血管标志物，这就会对疾病的治疗带来极大的希望。随着质谱技术在精准医疗的应用，越来越多的个体化标志物将会被发现，人体的蛋白指纹图谱测定将会成为医院的常规工作。/pp　　精准医疗，即考虑每一个体健康的差异，制定个性化的预防和治疗方案。正确的选中一个工具，解决关键问题，这就是精准医疗。基于基因组测序技术、生物医学工具以及大数据工具逐步成熟和完善，精准医疗能够为个体基因特征、环境以及生活习惯进行疾病干预及治疗，但如何尽快与大数据结合才是发展重点。日前我与北京协和医院合作，创立了中国特色的首个百万人疾病与环境毒素数据库与IMS(爱睦世)特检中心：HZIMS2008，首次在复杂疾病系统中构建了基于环境毒素大数据的移动网络数据库的质量控制体系，使我国重大疾病，如高血压、糖尿病、肿瘤的大数据病因学研究处于世界领先。/pp/p

基本信息 关键内容： 蛋白质纯化 开标时间： 2021-10-09 09:30 采购金额： 170.00万元 采购单位： 中国中医科学院中药研究所 采购联系人： 张老师 采购联系方式： 立即查看 招标代理机构： 北京国际招标有限公司 代理联系人： 杨思源 代理联系方式： 立即查看 详细信息 中国中医科学院中药研究所青蒿素中心青蒿素衍生物合成、筛选平台公开招标公告 北京市-东城区 状态：公告 更新时间： 2021-09-16 中国中医科学院中药研究所青蒿素中心青蒿素衍生物合成、筛选平台公开招标公告 发布日期：2021-09-16 项目概况 青蒿素中心青蒿素衍生物合成、筛选平台 招标项目的潜在投标人应在北京市东城区朝阳门北小街71号510室获取招标文件，并于2021年10月09日 09点30分（北京时间）前递交投标文件。 一、项目基本情况 项目编号：0610-2141NH041101 项目名称：青蒿素中心青蒿素衍生物合成、筛选平台 预算金额：170.0000000 万元（人民币） 最高限价（如有）：170.0000000 万元（人民币） 采购需求： 本项目共分二个标段：第一包预算金额为肆拾陆万元整（46万元）；第二包预算金额为壹佰贰拾肆万元整（124万元）。 包号 序号 项目名称 设备名称 数量 是否可采购进口产品 相关需求 招标控制价（万元） 01 1-1 青蒿素中心青蒿素衍生物合成、筛选平台 超高效样本分离 分析系统 1 是 数据通讯：液相主机和检测器通过以太网和数据工作站连接，非USB形式，便于远程控制和网络化管理。 46 02 2-1 高效样品破碎系统 1 是 仪器可同时处理348个样品 124 2-2 多模式微孔板 检测仪 1 是 荧光强度检测具有专用二向色镜转化条，可根据特定荧光染料选择优化二向色镜组合，并可通过软件系统自由切换。 2-3 快速样品分离 纯化系统 1 是 系统最大耐压：不低于40 Mpa。 合同履行期限：自合同签订之日起至所有设备质保期结束之日止，具体时间详见招标文件。 本项目( 不接受 )联合体投标。 二、申请人的资格要求： 1.满足《中华人民共和国政府采购法》第二十二条规定； 2.落实政府采购政策需满足的资格要求： （1）节能产品强制采购；（2）节能产品、环境标志产品优先采购；（3）政府采购促进中小企业发展；（4）政府采购支持监狱企业发展；（5）政府采购信用担保；（6）进口产品管理；（7）促进残疾人就业政府采购政策；（8）其它相关法律法规。 3.本项目的特定资格要求：1.在中华人民共和国境内注册，能够独立承担民事责任，有生产或供应能力的本国供应商，包括法人、自然人及其他组织。2.遵守国家有关法律、法规、规章，具有良好的商业信誉和健全的财务会计制度。3.供应商应提供2020年度经会计师事务所出具的财务审计报告（复印件并加盖公章）或银行出具的资信证明文件（原件）；4.供应商应提供近3个月中任意一个月的社保缴纳证明和纳税证明（复印件并加盖公章）；5.参加本次采购活动前3年内在经营活动中没有重大违法记录的声明（原件）；6.对在“信用中国”网站(www.creditchina.gov.cn)、中国政府采购网(www.ccgp.gov.cn)、“中国执行信息公开网”（http://zxgk.court.gov.cn）等渠道列入失信被执行人、重大税收违法案件当事人名单、政府采购严重违法失信行为记录名单及其他不符合《中华人民共和国政府采购法》第二十二条规定条件的供应商，不得参与本次招标采购活动。（加盖单位公章、本公告发布日期之后出具，否则无效）；7.供应商须提供中国裁判文书网查询的无行贿犯罪档案查询结果（本公告发布日期之后出具，否则无效）（有行贿犯罪记录的备案单位将被拒绝）； 8.若供应商为代理商，须提供拟进口设备的制造商资格声明、制造商针对本项目的授权、并同时须进口设备卖方出具所供货设备安装、调试、售后等方面的承诺；9.本项目不接受联合体投标；10.是否专门面向中小企业、监狱企业、残疾人福利性企业采购：否。 三、获取招标文件 时间：2021年09月17日 至 2021年09月24日，每天上午9:00至11:00，下午13:00至17:00。（北京时间，法定节假日除外） 地点：北京市东城区朝阳门北小街71号510室 方式：现场领取，如购买招标文件经办人为法定代表人：提供供应商单位开具的法人身份证明原件、法定代表人身份证原件及加盖公章的身份证复印件；如为委托代理人：提供法定代表人授权委托书原件、被委托人身份证原件及加盖公章的复印件。 售价：￥200.0 元，本公告包含的招标文件售价总和 四、提交投标文件截止时间、开标时间和地点 提交投标文件截止时间：2021年10月09日 09点30分（北京时间） 开标时间：2021年10月09日 09点30分（北京时间） 地点：北京国际招标有限公司303会议室（北京市东城区朝阳门北小街71号303会议室） 五、公告期限 自本公告发布之日起5个工作日。 六、其他补充事宜 本招标公告在中国招标投标公共服务平台、中国政府采购网上同时发布。 七、对本次招标提出询问，请按以下方式联系。 1.采购人信息 名 称：中国中医科学院中药研究所 地址：北京市东城区东直门内南小街16号 联系方式：张老师、010-64087135 2.采购代理机构信息 名 称：北京国际招标有限公司 地 址：北京市东城区朝阳门北小街71号 联系方式：杨思源 王悦 010-84046641 3.项目联系方式 项目联系人：杨思源 王悦 电 话： 84046641 × 扫码打开掌上仪信通App 查看联系方式 基本信息 关键内容：蛋白质纯化 开标时间：2021-10-09 09:30 预算金额：170.00万元 采购单位：中国中医科学院中药研究所 采购联系人：点击查看 采购联系方式：点击查看 招标代理机构：北京国际招标有限公司 代理联系人：点击查看 代理联系方式：点击查看 详细信息 中国中医科学院中药研究所青蒿素中心青蒿素衍生物合成、筛选平台公开招标公告 北京市-东城区 状态：公告 更新时间： 2021-09-16 中国中医科学院中药研究所青蒿素中心青蒿素衍生物合成、筛选平台公开招标公告 发布日期：2021-09-16 项目概况 青蒿素中心青蒿素衍生物合成、筛选平台 招标项目的潜在投标人应在北京市东城区朝阳门北小街71号510室获取招标文件，并于2021年10月09日 09点30分（北京时间）前递交投标文件。 一、项目基本情况 项目编号：0610-2141NH041101 项目名称：青蒿素中心青蒿素衍生物合成、筛选平台 预算金额：170.0000000 万元（人民币） 最高限价（如有）：170.0000000 万元（人民币） 采购需求： 本项目共分二个标段：第一包预算金额为肆拾陆万元整（46万元）；第二包预算金额为壹佰贰拾肆万元整（124万元）。 包号 序号 项目名称 设备名称 数量 是否可采购进口产品 相关需求 招标控制价（万元） 01 1-1 青蒿素中心青蒿素衍生物合成、筛选平台 超高效样本分离 分析系统 1 是 数据通讯：液相主机和检测器通过以太网和数据工作站连接，非USB形式，便于远程控制和网络化管理。 46 02 2-1 高效样品破碎系统 1 是 仪器可同时处理348个样品 124 2-2 多模式微孔板 检测仪 1 是 荧光强度检测具有专用二向色镜转化条，可根据特定荧光染料选择优化二向色镜组合，并可通过软件系统自由切换。 2-3 快速样品分离 纯化系统 1 是 系统最大耐压：不低于40 Mpa。 合同履行期限：自合同签订之日起至所有设备质保期结束之日止，具体时间详见招标文件。 本项目( 不接受 )联合体投标。 二、申请人的资格要求： 1.满足《中华人民共和国政府采购法》第二十二条规定； 2.落实政府采购政策需满足的资格要求： （1）节能产品强制采购；（2）节能产品、环境标志产品优先采购；（3）政府采购促进中小企业发展；（4）政府采购支持监狱企业发展；（5）政府采购信用担保；（6）进口产品管理；（7）促进残疾人就业政府采购政策；（8）其它相关法律法规。 3.本项目的特定资格要求：1.在中华人民共和国境内注册，能够独立承担民事责任，有生产或供应能力的本国供应商，包括法人、自然人及其他组织。2.遵守国家有关法律、法规、规章，具有良好的商业信誉和健全的财务会计制度。3.供应商应提供2020年度经会计师事务所出具的财务审计报告（复印件并加盖公章）或银行出具的资信证明文件（原件）；4.供应商应提供近3个月中任意一个月的社保缴纳证明和纳税证明（复印件并加盖公章）；5.参加本次采购活动前3年内在经营活动中没有重大违法记录的声明（原件）；6.对在“信用中国”网站(www.creditchina.gov.cn)、中国政府采购网(www.ccgp.gov.cn)、“中国执行信息公开网”（http://zxgk.court.gov.cn）等渠道列入失信被执行人、重大税收违法案件当事人名单、政府采购严重违法失信行为记录名单及其他不符合《中华人民共和国政府采购法》第二十二条规定条件的供应商，不得参与本次招标采购活动。（加盖单位公章、本公告发布日期之后出具，否则无效）；7.供应商须提供中国裁判文书网查询的无行贿犯罪档案查询结果（本公告发布日期之后出具，否则无效）（有行贿犯罪记录的备案单位将被拒绝）； 8.若供应商为代理商，须提供拟进口设备的制造商资格声明、制造商针对本项目的授权、并同时须进口设备卖方出具所供货设备安装、调试、售后等方面的承诺；9.本项目不接受联合体投标；10.是否专门面向中小企业、监狱企业、残疾人福利性企业采购：否。 三、获取招标文件 时间：2021年09月17日 至 2021年09月24日，每天上午9:00至11:00，下午13:00至17:00。（北京时间，法定节假日除外） 地点：北京市东城区朝阳门北小街71号510室 方式：现场领取，如购买招标文件经办人为法定代表人：提供供应商单位开具的法人身份证明原件、法定代表人身份证原件及加盖公章的身份证复印件；如为委托代理人：提供法定代表人授权委托书原件、被委托人身份证原件及加盖公章的复印件。 售价：￥200.0 元，本公告包含的招标文件售价总和 四、提交投标文件截止时间、开标时间和地点 提交投标文件截止时间：2021年10月09日 09点30分（北京时间） 开标时间：2021年10月09日 09点30分（北京时间） 地点：北京国际招标有限公司303会议室（北京市东城区朝阳门北小街71号303会议室） 五、公告期限 自本公告发布之日起5个工作日。 六、其他补充事宜 本招标公告在中国招标投标公共服务平台、中国政府采购网上同时发布。 七、对本次招标提出询问，请按以下方式联系。 1.采购人信息 名 称：中国中医科学院中药研究所 地址：北京市东城区东直门内南小街16号 联系方式：张老师、010-64087135 2.采购代理机构信息 名 称：北京国际招标有限公司 地 址：北京市东城区朝阳门北小街71号 联系方式：杨思源 王悦 010-84046641 3.项目联系方式 项目联系人：杨思源 王悦 电 话： 84046641

p style="text-indent: 2em "12 月 1 日，谷歌旗下的 DeepMind 公司宣布，其strong新一代 AlphaFold 人工智能系统/strong在国际蛋白质结构预测竞赛（CASP）上击败了其余的参会选手，strong精确预测了蛋白质的三维结构/strong，strong准确性可与冷冻电子显微镜（cryo-EM）、核磁共振或 X 射线晶体学等实验技术相媲美。/strong/ppbr//pp style="text-indent: 2em "（详见《解决生物学 50 年来的重大挑战！生物界「AlphaGo」精准预测蛋白质结构》）这一消息引发了全球媒体关注，前 Genentech 首席执行官 Arthur D. Levinson 博士盛赞这一成就是strong「划时代的进步」/strong。/ppbr//pp style="text-indent: 2em "人工智能的「进击」对生物学、对其他学科会有什么影响？网络上有人提出：strongAI 都能解蛋白质结构了，结构生物学家是不是该失业了？/strong/ppbr//pp style="text-indent: 2em "《返朴》总编、结构生物学家颜宁特邀几位同仁对这一新闻各抒己见， 回答大家的疑问。/pp style="text-align: center text-indent: 2em "img style="max-width: 100% max-height: 100% width: 558px height: 618px " src="https://img1.17img.cn/17img/images/202012/uepic/73bb911a-86ca-490b-a90a-f01fb76aa418.jpg" title="微信图片_20201204191414.jpg" alt="微信图片_20201204191414.jpg" width="558" height="618"//pp style="text-align: center text-indent: 2em "span style="font-size: 12px "by Asier Sanz | https://asiersanz.com//span/ppbr//pp style="text-align: center text-indent: 2em "strongAlphaFold2 是个大突破，但我们还有努力的方向/strong/ppbr//pp style="text-align: center text-indent: 2em "张阳/pp style="text-align: center text-indent: 2em "（ITASSER 创造者，美国密歇根大学教授）/ppbr//pp style="text-indent: 2em "AlphaFold2 显然是蛋白质结构预测领域的重大突破。这可能是从 1969 年第一篇 Journal of Molecular Biology 用比较建模方法预测蛋白质结构发表 51 年以来最大的突破。/ppbr//pp style="text-indent: 2em "这个领域过去 20 年来，进展一直比较缓慢，但最近几年，随着共同进化、接触图预测以及引入深度学习之后，很多软件，比如 I-TASSER 和 Rosetta 等，都有了很大进步。/ppbr//pp style="text-indent: 2em "就 I-TASSER 来讲，两年前在第 13 届 CASP（CASP13）时，它能够正确预测的非同源蛋白数目比其六年前在 CASP11 上提高了 5 倍。这次 CASP14 也比 CASP13 的预测能力提高了很多。但 AlphaFold2 这次比上次进步更大，和两年前的上一个版本相比， AlphaFold2 的主要变化是直接训练蛋白质结构的原子坐标，而不是用以往常用的、简化了的原子间距或者接触图。/ppbr//pp style="text-indent: 2em "传统上，蛋白质结构预测可以分成基于模板和从头预测，但是 AlphaFold2 只用同一种方法 —— 机器学习，对几乎所有的蛋白质都预测出了正确的拓扑学的结构，其中有大约 2/3 的蛋白质预测精度达到了结构生物学实验的测量精度。这说明，至少是在单结构域的蛋白结构，他们接近解决了这个问题。/ppbr//pp style="text-indent: 2em "谷歌这次为什么能够取得如此大的成功？/ppbr//pp style="text-indent: 2em "这首先与它们拥有强大的人力和计算资源有关。/ppbr//pp style="text-indent: 2em "计算机上，他们使用 TPU（据他们的宣传是比 GPU 快 15 倍），学术界的实验室只有 CPU 或者 GPU，而很多实验室都还没有 GPU。他们对媒体宣传中说 Alphafold2 最后只用相当于 100 个 GPU 的资源训练了两周就产生了最后的模型，学界大多数实验室都可以做到，这是不客观的。因为产生一个新的想法，到训练成功的模型，中间起码要反复测试重复 100 次甚至 1000 次。这就像吃了十个馒头的饿汉一 样，不能说吃了最后一个馒头吃饱了，就觉得只吃最后一个馒头就够了。/ppbr//pp style="text-indent: 2em "另外，他们可以高薪招聘大量专业人才，集中精力攻关一件事，不需要担心基金申请、教学和学生毕业论文等等。这些人力和计算资源上的差别是谷歌 DeepMind 这样的工业研究机构比起学术界在攻关科学或者工程问题上的最大优势。/ppbr//pp style="text-indent: 2em "当然，学术界在蛋白质结构预测这么多年的积累，也给 AlphaFold2 的成功奠定了基础。/ppbr//pp style="text-indent: 2em "我自己很高兴他们取得了这么大突破。这个工作首先证明了蛋白质结构预测问题是可以被解决的。这其实不是一个简单的问题，因为蛋白质结构和序列的复杂关系，常常让人们 —— 特别是做结构预测的人 —— 怀疑，蛋白质折叠这个问题是不是可解， 或者有没有唯一解。/ppbr//pp style="text-indent: 2em "我们在 15 年前的一篇 PNAS 论文中提到，用 PDB 库中的模板，在理论上可以解决 “单结构域蛋白质结构预测” 这个问题，但那是一个基于模板的传统解法， 难点是如何找到最好的模板。谷歌他们这次用「暴力」的机器学习，「暴力」地解决了这个问题。这个做法的成功会对很多相关领域都产生深远影响。/ppbr//pp style="text-indent: 2em "有人说这个 AlphaFold2 会让很多相关行业的人失业。我认为恰恰相反，它给很多领域提供了解决问题的新途径和新思维，因而会极大推动相关领域的发展，因此会产生更多更大的机会。即便是在蛋白质结构预测这个相对较小的领域，我们还有很多事情要做。/ppbr//pp style="text-indent: 2em "AlphaFold2 这次只有 2/3 的蛋白预测做到实验精度，还有 1/3 做不到，是否还有更快更好的途径来产生更高精度结构的算法？基于商业或其它考虑，我相信谷歌可能不会公开代码或 Server。/ppbr//pp style="text-indent: 2em "所以，最终可能还得学术界的同行共同努力，完善和推广这一技术，让其真正惠及生物医学研究以及普通公众的健康需求。/ppbr//pp style="text-align: center text-indent: 2em "strong共赢大于竞争/strong/ppbr//pp style="text-align: center text-indent: 2em "龚新奇/pp style="text-align: center text-indent: 2em "（中国人民大学数学科学研究院教授，清华大学北京结构生物学高精尖中心合作研究员）/ppbr//pp style="text-indent: 2em "2020 年第 14 届国际蛋白质结构预测竞赛（CASP14）共有 84 个常规（Regular）题目，其中有 14 个题目因为生物实验没给出确定结构等原因被取消或延缓，其他 70 个题目的单体和复合物蛋白质所含有的氨基酸个数从 73 到 2180 不等。/ppbr//pp style="text-indent: 2em "19 个国家的 215 个小组参加了 CASP14。最终，谷歌旗下 DeepMind 公司的人工智能系统 AlphaFold2 在 2018 年的 Alphafold 基础上迭代创新，超常发挥，一枝独秀，基本解决了「从氨基酸序列预测蛋白质结构」这个困扰人类 50 年的生物学第二遗传密码问题。/ppbr//pp style="text-indent: 2em "AlphaFold2 的成功表现在三个方面：/pp style="text-indent: 2em "1.不少结构的预测精确度跟实验晶体结构相当，可以替代晶体结构；br//pp style="text-indent: 2em "2.一些含有多个结构域的复杂超长的单链结构也达到了可以跟实验结构比较的程度；/pp style="text-indent: 2em "3.帮助解析了竞赛中涉及到的、实验多年没拿到的 X 射线晶体和 cryo-EM 冷冻电镜结构，比如 T1058 的膜蛋白是用了 Alphafold2 的预测模型之后，才跟原有晶体学数据综合成功解析了结构。br//pp style="text-indent: 2em "AlphaFold2 团队的 John Jumper 报告表明，他们使用了基于注意机制的神经网络，动态调整网络中节点的顺序和链接；依靠的是端到端的优化整体构建结构，而不是氨基酸距离；网络中内置了大量的序列、结构和宏基因组等多重比较信息；还依赖分子模拟软件优化去掉了原子的堆积碰撞。/ppbr//pp style="text-indent: 2em "在 AlphaFold2 的摘要作者名单里，交叉团队的 30 位作者中有 19 位都被标记为相同贡献的第一作者。他们将近 8 分钟的宣介视频，记录了团队成员在新冠疫情期间精诚合作、攻坚克难的宝贵场景。/ppbr//pp style="text-indent: 2em "CASP 组织者 John Moult 指出，计算下一步还有更困难的问题要解决：超大复合物结构、动态构象变化、蛋白质设计、药物设计等等。/ppbr//pp style="text-indent: 2em "除了我们蛋白质结构预测小同行对 AlphaFold2 的成功很欣喜之外，社会上还有多个不同方向的学术界、产业界和新闻界对它寄予了厚望。/ppbr//pp style="text-indent: 2em "在欣喜的同时，蛋白质结构预测小同行也有一些保留意见：/pp style="text-indent: 2em "1.工程化明显，依赖于强大的 GPU 计算资源和代码优化团队；br//pp style="text-indent: 2em "2.谷歌公司几乎可以收集全球所有网络信息，虽然看起来 AlphaFold2 的自动化程度很高，但他们在人工操作中使用了哪些信息值得关注；/pp style="text-indent: 2em "3.预测对了结构，但不等于明白了蛋白质折叠过程和原理。/ppbr//pp style="text-indent: 2em "strong生物实验科学家也有不少看法：/strong/pp style="text-indent: 2em "1.算出结构只是生物学规律发现的第一步；/pp style="text-indent: 2em "2.计算的多个 models 中，有时打分排序不准；/pp style="text-indent: 2em "3.开放 AlphaFold2 的 server 之后，使用效果不一定那么好；/pp style="text-indent: 2em "4.只是在已有蛋白质结构数据集上训练得到的模型，尚不能计算其它构象或其它类别的分子结构。/pbr/p style="text-indent: 2em "还有关心这个领域的其他方向的专家也提出了问题：怎么理解这个算法成功的原理？怎么跟原有的热力学、物理学等基本原理相融相通？/ppbr//pp style="text-align: center text-indent: 2em "我认为 AlphaFold2 是个大突破，后续可能性很多，会替代一些简单的结构生物学实验，但对当下科学家追求的前沿生物学来说，共赢大于竞争；对生物学、数学和计算机学等学科而言，则会带来新的机遇。br/br/strong技术服务于科学探索，结构生物学早就进入新时代/strongbr/颜宁/pp style="text-align: center text-indent: 2em "（美国普林斯顿大学雪莉?蒂尔曼终身讲席教授，美国科学院外籍院士）/ppbr//pp style="text-indent: 2em "首先，简单说一下，什么是生物学里的「结构」。/pbr/p style="text-indent: 2em "用个不太恰当的类比：变形金刚。比如擎天柱是辆车还是个机器人，这就是不同的结构了，机器人能打架大车做运输，功能也不一样。而不同的汽车人组成成分可能差不多，都有合金、玻璃、橡胶，但是形态各异，特长也不一样。br/生物分子的组成成分和基本单元就那么几种，但是组装起来，不同的序列不同的结构，于是功能各异、五花八门。这个结构不是静止的，每一个生物大分子基本都像个小机器，比变形金刚更复杂、更变化多端。/ppbr//pp style="text-indent: 2em "因为结构决定了生物大分子的功能，所以解析高分辨率结构在过去几十年一直是理解生物大分子工作机理最有力的工具。但是一直以来，因为技术局限，对于绝大多数生物大分子的结构解析困难重重。所以，一批科学家另辟蹊径，试图在已有的知识基础上，绕开劳心劳力又劳财的实验步骤，从蛋白质的序列直接通过计算预测出它们精准的三维结构。/ppbr//pp style="text-indent: 2em "蛋白结构预测并不是一个新鲜学科，一直以来就是结构生物学的一个分支，很多科学家不断开发算法，希望根据序列预测出来的结构越来越准确。br/这个领域在过去十几年进步迅速，并且与实验结构生物学融合度越来越高。比如，自从进入电镜时代，看到一堆黑白灰的密度，如果其中某些部分没有同源结构，通过软件预测一个大致的结构模型，放到密度图里面做框架，再根据实验数据调整，已经是个常规操作。/ppbr//pp style="text-indent: 2em "这次人工智能赢得 CASP 的新闻亮点有两个，一是 AI，二是准确度高。这确实是突破，但是有了两年前的新闻（注：2018 年，DeepMind 开发的第一代 AlphaFold 首次参加 CASP 并且拔得头筹）做铺垫，现在这次委实是意料之中。br/至于衍生出来的所谓「结构生物学家都要失业了」的调侃 —— 如果你对结构生物学的理解还停留在 20 年前，那这么说也不是不行。但是结构生物学自身一直在发展着，一场冷冻电镜的分辨率革命更是令结构生物学不同往日了。br/我在 2015 年主持一个学术研讨会的时候曾经评论过：结构生物学的主语是生物学，是理解生命、是做出生物学发现。br/但是，在 X - 射线晶体学为主要手段的时代，获得大多数研究对象的结构本身太难了，于是很多研究者把「获得结构」本身作为了目标，让外行误以为结构生物学就是解结构。但我从进入这个领域之初，就被教育得明明白白：结构本身只是手段，它们是为了回答问题、做出发现。而电镜使得「发现」二字尤为突出。br/br/看到结构本身、知道你的研究对象长啥样，倒也可以称之为发现，但我刚刚说的「发现」，特指那些超乎想象的、通过结构才揭示出来的、自然界里神奇的存在或者令人叹为观止的机理。/pbr/p style="text-indent: 2em "我讲课最喜欢举的例子之一就是施一公组的剪接体结构。为啥呢？因为它集合了结构生物学发现里几乎所有的精彩要素和挑战。br/br/第一，在剪接体结构出来之前，有很多剪接体的组分甚至是未知的。不同于传统的结构生物学，先知道你要研究对象是啥，再吭哧吭哧地去把它们的结构解出来 —— 剪接体的电镜分析是看到了密度图之后，完全不晓得这是啥，需要通过质谱等手段去鉴定组分。我从 2015 年就预测：电镜与质谱组合，将会变成一个重要的生物学研究发现手段。在电镜时代，这样的例子越来越多。比如清华大学隋森芳老师组的那个巨大的藻胆体结构，靠质谱都不够了。为了搞明白组分，他们甚至先做了基因组测序。br/br/第二，几十上百个蛋白如何众星捧月地把那么几条貌似简单的 RNA 掰成与几个小小的金属离子配合的核酶反应中心，在茫茫碱基中，在正确的时间正确的地点牵线搭桥，剪掉 intron（内含子），连接 exon（外显子）？就为了这一「剪子」 一「钩针」，为了几毫秒的过程，这么个庞然大物的几十上百个组成部件却要分分合合，这个过程是真神奇。/ppbr//pp style="text-align: center text-indent: 2em "img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202012/uepic/72bc97e7-d254-461b-b199-1156f73a37c8.jpg" title="微信图片_20201204191624.jpg" alt="微信图片_20201204191624.jpg"//pp style="text-align: center text-indent: 2em "span style="font-size: 12px "施一公实验室报道的首个酵母剪接体的结构/span/pp style="text-align: center text-indent: 2em "span style="font-size: 12px "（图源：生物化学经典教材 Lehninger Principles of Biochemistry（第七版）封面）/span/pp style="text-align: center text-indent: 2em "span style="font-size: 12px "br//span结构生物学目前的实验手段只能获得静止的 3D 照片，为了揭示这部电影，就要不断获得中间态的 3D 照片，帧数越多，电影越精准。但即便如此，这个过程中的动力学问题，简单说，就是变化速度，依旧不是现在的结构生物学实验手段可以揭示的，需要借助更多生物物理技术、计算生物学手段去探索。br/我自己的工作虽然没有剪接体那么酷炫，但是电压门控钠离子通道如何感受膜电势的变化，开门关门，就这么个过程，听着简单，我们死磕三年了，依旧束手无策。另外，我们今年发的两篇 PNAS 论文其实代表了结构生物学的另一个努力方向：在实验操作过程中对生物大分子施加外力（电场、磁场、各种长度的波......）。br/也许是受到我自身专业领域的局限，AlphaFold 迄今带给我的震撼还赶不上冷冻电镜的革命，后者将我们从技术挣扎中解放出来，可以专注于结构带来的生物学发现本身。br/br/AlphaFold 目前最成功的预测是针对单链分子，当然将来预测复合物的高精结构也应该不在话下。相比于对蛋白折叠的贡献，我倒是更希望 AI 能够助力 Molecular Dynamics Simulation（分子动力学模拟）。对结构生物学而言，这个领域才是亟需进步的。br/br/我个人认为生命是地球上最神奇的存在，那么多未知要探索，任何一次技术进步都是契机。该考虑的是如何把新技术为我所用，去问出、去探索更有意思的问题。br/最后，当 AI 能够成功预测我们正在孜孜以求的生物大分子动态、原位高分辨率结构的时候，那失业的一定不止是结构生物学家、或者生物学家了 :pbr/br/strong各抒己见/strong/pp style="text-indent: 2em "strongbr//strong根据现在披露的结果，AlphaFold2 已经基本达到实验解析结构的精度。前天 AlphaFold2 团队的报告展示了新冠病毒 SARS-COV-2 的预测结果，说明 RNA 聚合酶这么大的蛋白也能基本预测准确。/pbr/p style="text-indent: 2em "理论上，这会对结构生物学有很大冲击，尤其是以后单颗粒 cryo-EM 的实验方法上，是否还需要把分辨率做得那么高？低分辨率的电子密度图，甚至 SAXS 数据结合预测结果应该就能解决问题了。br/但是，现实中的冲击不会那么大。这是因为，AlphaFold2 模型的创新性非常高，其中结合的 2D transformer 和 3D equivariant transformer 都是 AI 领域的前沿技术，模型的训练难度很大。/pbr/p style="text-indent: 2em "DeepMind 的训练方法在学术界很难复现，估计学术界要花几年的时间才能跟上，因此短期内 AlphaFold2 对结构生物学的影响会比较有限。DeepMind 可能会和个别实验室合作，预测蛋白质结构。/pbr/p style="text-align: right text-indent: 2em "—— 龚海鹏（计算生物学家，清华大学结构生物学高精尖创新中心研究员）/pbr/br/p style="text-indent: 2em "AlphaFold 为结构生物学家提供了除晶体学、冷冻电镜、NMR 以外的另外一种手段，用于揭示生物大分子发挥作用的分子机制。/pbr/p style="text-align: right text-indent: 2em "—— 张鹏（结构生物学家，主要利用晶体学和冷冻电镜技术；中科院分子植物科学卓越创新中心研究员）/pbr/br/p style="text-indent: 2em "AlphaFold 目前还不能预测复杂的分子机器，主要是因为蛋白 - 蛋白相互作用非常复杂，存在极多的可能性。实验手段所揭示出来的蛋白 - 蛋白相互作用方式还只是冰山一角，更何况在不同生理条件和过程中的结构变化。因此，未来对有特定功能的、多个成分组成的、生物大分子复合体的结构解析，以及体内的结构分析，将成为结构生物学实验研究的主要内容。无论有没有 AlphaFold，结构生物学也正在朝这个方向发展。/pp style="text-indent: 2em "Rosetta（注：从头蛋白结构建模算法）也好，AI 也罢，结构预测都是基于已有的实验数据够大。没有足够的数据积累，这些基于统计和数据库的预测就无法实现。完全基于物理学和化学第一性原理的结构预测还没有出现。br/实验科学永远是探索未知的必要手段。新的软件算法应该是成为实验科学家的更有力工具，而不是取代实验科学。/ppbr//pbr/p style="text-align: left text-indent: 2em "—— 王宏伟（cryo-EM 专家，清华大学结构生物学高精尖创新中心执行主任，清华大学生命科学学院院长）br/br/br/br/ 最近两年，结构生物学领域经历了与围棋界类似的故事。Alphago Fan 版本时围棋界并不认为它能够战胜人类顶尖高手，可是 Alphago Lee 后整个围棋界甘拜下风，并且转向 AI 拜师学艺。2018 年 Alphafold 出现时，实验结构生物学领域认为被战胜的仅仅是传统的结构预测领域，2020 年 Alphafold2 之后，实验结构生物学领域应该开始思考如何与之共存以及如何「拜师学艺」了。/pp style="text-align: left text-indent: 2em "br/ 目前阶段人工智能在围棋上已经远远超过人类顶尖棋手，但是人类围棋比赛并未因此取消，如同汽车发明后奥林匹克仍然在进行田径比赛一样。原因之一是人工智能虽然超越了人类，但并未解决围棋的最终解。同样的道理，对于复杂的结构生物学问题，预测手段本身还不能号称完全解决了问题。/pp style="text-align: left text-indent: 2em "br/ 实验结构生物学领域接下来需要做的一个事情是要拥抱变化，更好地与预测方法结合以及共同发展。/pbr/p style="text-align: right text-indent: 2em "—— 周强（cryo-EM 专家，西湖大学生命科学学院特聘研究员）/ppbr//ppbr//pp style="text-indent: 2em "蛋白质体系越大，结构的解析越难仅依赖计算方法。Cryo-ET (冷冻电镜断层成像) 技术擅长解析体外难表达的大分子机器结构、细胞中的原位蛋白结构等复杂体系，因此很难被脱离实验手段的方法取代。目前，由于体系过于复杂，使用分子动力学模拟整颗病毒尚未实现，要模拟细菌、细胞、组织，还要很长的路要走。/ppbr//p

自十年前 "Proteoform" 诞生以来，它在蛋白质组研究领域的接受度和使用频率也越来越高。然而当初为何需要新造一词?它的出现能为蛋白质组学研究和交流中带来什么帮助?今天为大家介绍两篇由 Consortium for Top-Down Proteomics (CTDP))发表在 Nature Methods 上的文章，主要内容是关于蛋白质组学中的术语 "proteoform" 的定义和提出 "proteoform identification" 的分类。　　Nature Methods | Proteoform: A Single Term Describing Protein Complexity & Nature Methods | A Five-level Classification System for Proteoform Identifications　　在 2013 年的文章 Proteoform: A Single Term Describing Protein Complexity 中，作者提出，随着人类基因组计划的成功，人们认识到生物机制所提供的复杂性在很大程度上是由于在蛋白质水平上的变异，而不是大量的基因水平上的不同导致的。高度相关但化学性质不同的蛋白质分子之间的差异源于群体、细胞、组织类型以及亚细胞定位的差异。在 DNA、RNA 和蛋白质水平上，蛋白质的复杂性分别来自等位基因变异、RNA 转录物的选择性剪接和翻译后修饰。这些事件产生不同的蛋白质分子，调节各种各样的生物过程，例如：细胞信号传导、基因调控和蛋白质复合物的激活。　　而随着质谱法在蛋白质组学中的应用，Top-Down、Bottom-Up 方法的开发，研究者们已经可以提供蛋白质的精确组成，然而如何使用合适的术语描述蛋白质的型体差异的问题久未解决。在文献中可以找到下列词汇："protein forms"，"protein isoforms"，"protein species"，"protein variants" 以及蛋白质的 "mod forms"。这些词都存在着问题，例如在文献中常用的 "isoforms"，根据国际纯粹与应用化学联合会(IUPAC)的定义，它只指在基因水平上差异导致的蛋白质的不同，而不包括在蛋白质水平上的变异。UniProt Knowledgebase(以基因为中心的权威蛋白质数据库)以不同的方式使用术语 "isoforms"，它表示通过可选剪接或可变启动子，使用从同一基因产生的相关形式的蛋白质分子。但是由于遗传变化(例如，突变和多态性)不包括在这个术语中，这与IUPAC对 "isoforms" 的定义产生冲突。尽管 IUPAC 和 Uniprot 在定义上存在差异，"variants" 和 "isoforms" 在 IUPAC 中用于描述来自不同 DNA 或 RNA 的蛋白。因此，二者在定义修饰后的蛋白质上是混淆不清的。　　因此，作者建议使用术语 "proteoform" 来指定单个基因的蛋白质产物的所有不同的分子形式，包括由于遗传变异、RNA 转录物的选择性剪接和翻译后修饰引起的变化。任何基因或蛋白质加工事件，如使用内部蛋白或 RNA 编辑机制的事件，都被术语 "proteoform" 清楚地涵盖了。该术语应包括 PSI-MOD 中的所有翻译后修饰，但归类为试剂衍生物或同位素标记残基的修饰除外。多基因家族的蛋白质产物应继续以序列一致性为基础进行分类(如90%， 99%等)。这个术语与作者支持的以基因为中心的方法是一致的，因为将不同基因的产生的蛋白质分在一组，也会导致蛋白质鉴定的不精确。　　在 2016 年发表的文章 A Five-level Classifcation System for Proteoform Identifcations 中，作者提到，在 2013 年引入的 “proteoform” 一词迅速得到了蛋白质组学界的认可。但是随着蛋白质组学的研究的发展，在当时另一个模糊的定义出现了——“proteoform identification”，即对于来自于单一基因产生的不同形式的蛋白质的鉴定。因为当时唯一实用的蛋白质组学方法是用质谱法(MS)来确定蛋白质的确切初级结构，而大量的质谱结果都声称为 "proteoform identification"。这个看似微不足道的问题具有重大的影响，因为 "proteoform identification" 的含义不清使得比较来自不同实验室和方法的结果变得困难。这种情况阻碍了研究者们对于技术进步的评价和对于生物知识的有效扩展。　　为了解决这一问题，并协助研究人员表达研究结果中的模糊性，作者提出了一个 5 级的 proteoform 分类系统。该分类方案涵盖了 4 种可能出现的 "proteoform identification" 模糊类型：　　(1)翻译后修饰(PTM)定位：PTM 没有定位到特定的氨基酸。　　(2)PTM 识别：PTM 的鉴定不完全。　　(3)氨基酸序列：氨基酸序列的鉴定不完全。　　(4)基因：起源基因是未知的或模糊的。　　这4个类别决定了鉴定中存在的模糊程度，从完全没有(第1级)到所有4种类型都存在(第5级)。(见表1)　　表1. proteoform 水平的分类系统　　第 1 级：proteoform 的鉴定完全，对其起源基因有充分的了解，确定了完整的氨基酸序列，并且已知所有 PTMs 和其位置(如果存在的话)。第 2 级：在上述模糊性的一种类别中存在 1 种。这方面的例子包括：2A 级，其中氨基酸序列已完全确定，并了解其起源基因，所有 PTMs 已完全确定，但其定位不完整。2B 级，氨基酸序列完全确定，知道其起源基因，并且 PTM 的定位是完整的，但 PTM 或结构特征(例如，乙酰化与三甲基化或糖蛋白形态)没有完全鉴定。2C 级，如果存在，所有PTM都被识别和定位，但存在一些序列鉴定不完整(例如，在一个小区域内氨基酸的序列未知)，但仍然知道其基因的起源。2D 级，氨基酸序列完全确定，所有 PTM 都被完全识别和定位，但是关于基因起源存在歧义。第 3 级：存在 2 种上述的模糊类型。第 4 级：存在 3 种上述的模糊类型。第 5 级：获得的信息不足，无法知道该蛋白质源自哪个基因、其序列是什么、PTMs 或其定位 只有观察到的 proteoform 的分子量是已知的。　　作者在这里提出的分类系统可以将不同结果水平的 "proteoform identification" 区分开，但有意不提出每个研究者发表的结果的置信度相关问题。理想情况下，每一种 proteoform 的鉴定都应该伴随着分类水平和置信度度量。早期估计 "proteoform identification" 可信度的努力包括 C-score 和 MIScore，但需要进一步的工作来开发和完善估计，以便能够可靠地自动分配 proteoform 水平。　　总结，作者分别在 2013 年和 2016 年提出了 "proteoform" 的定义和"proteoform identification" 的分类系统，并且认为 "proteoform" 具有很高的使用意义，有助于提高蛋白质组学领域的出版物的可读性和理解性。同时，推荐使用文中提到的 5 级分类系统，因为它的一致性将有助于研究结果发表、评价和提升不同的鉴定方法以及推进蛋白质组学的发展。　　原文　Proteoform: a single term describing protein complexity | Nature MethodsDOI https://doi.org/10.1038/nmeth.2369A five-level classification system for proteoform identifications | Nature Methods　　DOI https://doi.org/10.1038/s41592-019-0573-x　　结 束 语　　随着更多新造词术语在学界的引入，如何对它们进行合适的中文翻译、避免概念混淆，已成为中文交流语境下值得关切的问题。　　撰稿：李孟效　　编辑：李惠琳，王冠博，周默为，梁玉

瓜氨酸化是影响蛋白质结构和功能的关键的翻译后修饰。尽管它与各种生物过程和疾病发病紧密相关，但由于缺乏有效的方法来富集、检测和定位该翻译后修饰，其潜在机制仍然知之甚少。近期，威斯康星大学麦迪逊分校李灵军教授课题组报道了生物素硫醇标签的设计和开发，该标签能够通过质谱法对瓜氨酸化进行衍生化、富集来实现可靠的鉴定。作者对小鼠组织的瓜氨酸化蛋白质组进行了全局分析并且从432种瓜氨酸化蛋白质中识别出691个修饰位点，这是迄今为止最大的瓜氨酸化数据集。作者发现并阐述了这个翻译后修饰的新的分布和功能并且表示该方法有希望为进一步破译瓜氨酸化的生理和病理作用奠定基础。这项工作以“Enabling Global Analysis Of Protein Citrullination Via Biotin Thiol Tag-Assisted Mass Spectrometry”为题发表在国际化学权威杂志Analytical Chemistry上 (https://doi.org/10.1021/acs.analchem.2c03844)，文章作者为Yatao Shi#, Zihui Li#, Bin Wang#，Xudong Shi , Hui Ye, Daniel G. Delafield, Langlang Lv, Zhengqing Ye, Zhengwei Chen, Fengfei Ma，Lingjun Li*。此外，李灵军教授课题组进一步拓展了此方法的实用性。作者通过应用二甲基化亮氨酸(DiLeu)等重标记策略第一次实现了瓜氨酸化的高通量定量研究，并利用这一方法揭示了瓜氨酸化在人体细胞DNA损伤及修复过程中的重要作用。相关成果以“12-Plex DiLeu Isobaric Labeling Enabled High-Throughput Investigation of Citrullination Alterations in the DNA Damage Response”为题同样发表在Analytical Chemistry上(https://doi.org/10.1021/acs.analchem.1c04073)，文章作者为Zihui Li, Bin Wang, Qinying Yu, Yatao Shi, Lingjun Li*。　　研究的主要内容　　作者设计了一种生物素硫醇标签，它可以很容易的以低成本合成并且可以与瓜氨酸残基和2,3-丁二酮发生特异性反应(图 1a)。这种衍生化不仅增加了质量转移以允许更可靠的鉴定，而且还引入了生物素部分，使修饰分子的后续富集成为可能。该生物素硫醇标签设计具有紧凑的结构，在高能碰撞解离 (HCD) 期间仅产生两个碎片/诊断离子(图 1b)。 因此，肽主链可以保持良好的裂解效率，并在 HCD 或电子转移解离 (ETD) 期间分别产生丰富的b/y或c/z离子系列。在 HCD(图 1c)、ETD或电子转移/高能碰撞解离(EThcD)碎裂下，衍生化肽标准品的序列收集质谱图几乎完全覆盖相应的肽序列。实验结果表明生物素硫醇标签衍生的瓜氨酸化肽可以产生用于解析及标注的高质量的串联质谱图，并且与各种裂解技术相结合时可以提高瓜氨酸化位点的识别可信度。　　图1|用于瓜氨酸化分析的生物素硫醇标签设计。a，使用生物素硫醇标签和 2,3-丁二酮对瓜氨酸肽进行衍生化。 b，HCD、ETD 或 EThcD 片段化后生物素硫醇标签衍生的瓜氨酸化肽的片段化位点。c，HCD 裂解后生物素硫醇标签衍生的瓜氨酸肽标准品 SAVRACitSSVPGVR 的串联质谱图。　　在接下来的实验中作者使用该生物素硫醇标签和基于质谱的自下而上的蛋白质组学方法对瓜氨酸化进行分析(图2a)。作者在体外利用 PAD(一种可以催化瓜氨酸化的酶)催化的人组蛋白 H3 蛋白来验证这个过程。作为未被PAD催化的阴性对照，未发现组蛋白的肽段被鉴定为瓜氨酸化，证明了生物素标签反应的高特异性(图 2b)。在体外 PAD 处理后，作者 发现许多精氨酸残基被催化为瓜氨酸，并且大量的位点被高可信度的鉴定为瓜氨酸化位点(图 2c)，进一步表明该方法的高效性。在 HCD 碎裂后，其产生了一系列丰富的 b/y 离子，可以帮助准确的表征在同一肽段上单个(图 2d)以及多个(图 2e)瓜氨酸化位点。　　图2|使用生物素硫醇标签进行体外瓜氨酸化分析。a，使用生物素硫醇标签进行蛋白质瓜氨酸化分析的实验工作流程。b、c，在体外 PAD 处理之前 (b) 和之后 (c) 组蛋白 H3 蛋白的瓜氨酸化分析。 已识别的瓜氨酸化位点在序列中以蓝色字母突出显示。 序列下方的红色矩形表示鉴定的瓜氨酸化肽，而瓜氨酸化位点以蓝色显示。 d，PAD处理的组蛋白 H3 (R64Cit) 的已鉴定瓜氨酸化肽的串联质谱图示例。 e，PAD 处理的组蛋白 H3 的同一肽上鉴定的两个瓜氨酸化位点(R70Cit 和 R73Cit)的串联质谱图示例。　　接下来，作者们尝试利用所开发的方法对复杂的生物样本中的瓜氨酸化进行全局分析，并希望能够以此提供阐明生物体中瓜氨酸化调节机制的依据。首先，作者对小鼠的六个身体器官和五个大脑区域进行了深入的瓜氨酸组分析，生成了第一个小鼠瓜氨酸组组织特异性数据库。作者从432种瓜氨酸化蛋白质中以高置信度的方式鉴定了691个瓜氨酸化位点(图 3a)。更重要的是，这些蛋白质中约有 60% 未曾在UniProt 数据库检索并被报道，这一结果极大地扩展了对瓜氨酸化以及这些底物蛋白质如何受到瓜氨酸化影响的理解。作者发现结果中与 UniProt 数据库的已知的瓜氨酸位点重叠部分较少(图 3b)，这可能是因为 UniProt 中描述的近 40% 的瓜氨酸化位点是基于相似性外推理论而没有实际的实验证据。此外，许多报道的位点位于组蛋白上，尤其是蛋白质末端，可能会逃过自下而上质谱策略的检测(图 3b)。图 3c 展示了单位点瓜氨酸化和多位点瓜氨酸化蛋白质分布情况，其中 70% 的已鉴定蛋白质仅有一个瓜氨酸化位点被检测到。　　这个新发现的瓜氨酸化蛋白质组为推测瓜氨酸化的调控机制提供了宝贵的资源。例如，作者在髓鞘碱性蛋白(MBP)上鉴定到了九个瓜氨酸化位点，而在 UniProt 数据库中只有四个(图3d)。作者的结果提供了高质量的串联质谱图，不仅证实了已知修饰位点的存在(图3e)，而且还高可信度的识别了未知的位点(图 3f)。然后作者进行了瓜氨酸化肽段的序列分析，发现在鉴定的瓜氨酸化位点两侧并没有高度保守的氨基酸序列模式(图3g)，但是谷氨酸残基更频繁地出现在瓜氨酸的N末端侧附近。这与Fert-Bober 等人报道的小鼠瓜氨酸组分析结论一致。另一方面，Tanikawa 等人发现在人体组织和血浆中大约五分之一的 PAD4 底物含有 RG/RGG 基序。同样，Lee 等人及相关研究人员观察到天冬氨酸和甘氨酸残基在瓜氨酸化位点出现频率偏高。值得注意的是，这些研究使用了不同的人源细胞系或组织，因此作者的结果可能表明在不同物种之间瓜氨酸化位点周围的序列模式是不同的。为了更好地辨别瓜氨酸化蛋白质所涉及的功能，作者展示了基因本体论(GO)富集分析的热图，其显示了二十个最显著富集的细胞成分(图3h)以及KEGG途径(图3i)。作者发现小鼠大脑组织和身体器官之间存在明显差异，而瓜氨酸蛋白更多地参与大脑功能。具体来说瓜氨酸化蛋白质集中在轴突、髓鞘、核周体和突触中，因此在中枢神经系统中可能发挥着重要的作用。　　图3|不同小鼠组织的大规模瓜氨酸组分析。a，不同小鼠组织中已鉴定的瓜氨酸化蛋白和瓜氨酸化位点的数量。 b，本研究中鉴定的瓜氨酸化位点与 UniProt 数据库中报告的位点比较。 c，每个鉴定的瓜氨酸化蛋白质的瓜氨酸化位点数量分布。d，本研究中确定的瓜氨酸化位点与 UniProt 数据库中关于髓鞘碱性蛋白的瓜氨酸化位点的比较。e、f，在髓磷脂碱性蛋白 R157Cit (e) 和 R228Cit (f) 上鉴定的两个瓜氨酸化位点的示例串联质谱图。g，鉴定的瓜氨酸化肽的序列。瓜氨酸化位点位于中间的“0”位置。字母的高度表示每个氨基酸在特定位置的相对频率。 h,i，使用 Metascape 生成的热图显示不同小鼠组织中显着丰富的(p 值 0.01)细胞成分 (h) (KEGG) 通路 (i)。　　为了进一步拓展该方法的实用性，作者应用了二甲基化亮氨酸(DiLeu)等重标记策略，第一次实现了对瓜氨酸化进行高通量的定量研究。作者首先使用瓜氨酸化标准肽段进行测试，证明在优化反应条件下DiLeu标记和生物素硫醇标记反应可以分步进行而不互相干扰(图 4B，4C)。同时，将标准肽段按照已知比例进行4-plex DiLeu标记并混合，再进行生物素硫醇标记和瓜氨酸化分析，结果显示了非常好的定量准确性(图5)。作者进一步优化了运用该方法在复杂生物样品中进行定量分析的实验方法，并且证明此方法依然可以实现极佳的定量准确度和精确度(图6)。　　图4|瓜氨酸化标准肽段测试DiLeu标记和生物素硫醇标记分步反应的特异性和效率　　图5|瓜氨酸化标准肽段测试DiLeu标记和生物素硫醇标记定量分析的准确性　　图6|复杂生物样品测试DiLeu标记和生物素硫醇标记定量分析的准确度和精确度　　作者接下来应用该方法对DNA损伤中瓜氨酸化的作用进行了研究。作者在MCF7细胞中用三种方法造成了DNA损伤，并定量分析了蛋白质瓜氨酸化的变化。作者一共鉴定到63种瓜氨酸化蛋白以及其包含的78个瓜氨酸化位点，并发现三个实验组中的瓜氨酸化表达相比于对照组呈现出非常不同的趋势(图7A)，这一结果表明瓜氨酸化在不同类型的DNA损伤模型中具有差异性的作用。通过对实验组中显著变化的瓜氨酸化蛋白进行生物过程网络分析，作者发现瓜氨酸化主要对DNA代谢，蛋白结构变化，翻译以及DNA修复等过程进行调控(图 7B，7C)。该实验结果表明蛋白瓜氨酸化对DNA损伤以及相关发病机理具有非常重要的作用。　　图7|高通量定量分析研究瓜氨酸化在DNA损伤中的变化及作用(来源：Anal. Chem.)　　小结　　本文章介绍了一种生物素硫醇标签的设计和开发，该标签可与瓜氨酸化肽段发生特异性反应并极大地提高了瓜氨酸化的富集和检测效率。在使用标准肽和重组蛋白证明该方法的有效性后，作者进一步优化了从复杂生物样品中检测瓜氨酸化的实验过程。通过此方法对小鼠五个大脑区域和六个身体器官的蛋白质瓜氨酸化进行分析，作者鉴定出432个瓜氨酸化蛋白以及691个瓜氨酸化位点，这是迄今为止最大的数据集。该研究揭示了这种翻译后修饰可能在神经系统中发挥的关键作用，并表明它们在包括呼吸和糖酵解在内的许多代谢过程中也可能发挥着重要作用。总的来说，实验结果表明蛋白质瓜氨酸化在不同组织中具有广泛分布并参与各种生物过程，这扩展了目前对蛋白质瓜氨酸化生理作用的认知和理解。此外，作者进一步拓展了此方法的实用性，通过应用DiLeu等重标记策略第一次实现了瓜氨酸化的高通量定量研究，并利用这一方法揭示了瓜氨酸化在人体细胞DNA损伤及修复过程中的重要作用。更重要的是，该方法可以提供一种普适、简单而强大的检测方法来明确鉴定蛋白质瓜氨酸化，这也将启发和有益于未来对这种翻译后修饰在生理和病理条件下的功能作用的研究。　　相关研究成果近期发表在Analytical Chemistry上的两篇文章中, 通过生物素硫醇标签辅助质谱法对蛋白质瓜氨酸化进行全局分析文章的共同第一作者是威斯康星大学麦迪逊分校博士生石亚涛，李子辉，王斌，并与中国药科大学叶慧教授课题组合作 应用二甲基化亮氨酸等重标记策略进行蛋白质瓜氨酸化高通量定量研究文章的第一作者是威斯康星大学麦迪逊分校博士生李子辉，两篇文章通讯作者为李灵军教授。更多关于李灵军教授研究团队的最新研究进展欢迎登陆课题组网站：https://www.lilabs.org/

近日，华东理工大学光遗传学与合成生物学交叉学科研究中心杨弋、朱麟勇、陈显军团队在活细胞蛋白质标记与成像研究中取得重要进展，相关研究在《细胞发现》发表。 人造荧光蛋白及荧光探针。华东理工供图生物过程可视化一直吸引着科学家的好奇心。不同类型的荧光成像工具可以帮助科学家观察生命体中多种生物事件的发生过程，其中最著名的是荧光蛋白标记技术。荧光蛋白及其衍生技术经历了近30年的飞速发展，为生物学各个领域的研究作出了极大贡献，但伴随着显微镜技术的飞速发展，现有荧光蛋白的性质已经难以适应新型仪器的成像要求。相比之下，基于蛋白质标签和激活型荧光团的荧光标记工具凭借其理化性质成为新的研究热点。该团队针对自催化蛋白质标签SNAP-tag，设计开发了高信噪比的青色人造荧光蛋白SmFP485。SmFP485的荧光产生十分迅速，避免了荧光蛋白生色团成熟导致的延迟，因此可以用于实时监测蛋白质的合成过程。研究团队随后对SmFP485的结构进行了解析，探究了人造荧光蛋白的荧光激活原理。在此基础上，研究团队通过化学进化方法设计出一系列光谱覆盖绿色到近红外波段的人造荧光蛋白，它们均具有高亮度和高信噪比特点，特别是其在近红外波段的亮度已远超现有成像工具，能够对活细胞以及活体动物中的蛋白质表达、蛋白质降解、蛋白质组装、蛋白质相互作用以及蛋白质运输进行原位实时标记与成像。最后，研究团队在多色人造荧光蛋白的基础上，采用蛋白质与荧光团共进化的方法设计开发出一系列光谱涵盖青色到近红外波段的钙离子遗传编码荧光探针，实现了对哺乳动物细胞中钙离子震荡的实时监测，为荧光探针的构建提供了新的荧光载体。综上，研究团队开发了一系列高性能人造荧光蛋白，它们具有荧光产生迅速、亮度高、信噪比高、光谱范围广等优点，为活细胞以及活体动物中蛋白质的可视化提供了有力工具，同时也为荧光探针的构建提供了新的思路和策略。

日前，国际蛋白质学会(Protein Society)将2015年&ldquo 青年科学家奖&rdquo 授予清华大学医学院教授颜宁博士，表彰她在跨膜物质运输的结构生物学领域所做出的一系列杰出工作。　　该学会网站发布的声明指出：颜宁博士独立开展研究工作不到十年，但却在膜蛋白、特别是跨膜转运蛋白的结构生物学研究领域取得了一系列令人叹为观止的出色成果，这其中包括具有里程碑意义的人类葡萄糖转运蛋白GLUT1的三维晶体结构。此外，她在离子通道研究领域也卓有建树，为钠离子通道研究贡献了主要结构之一 最近她还利用最新冷冻电镜技术解析了高通量钙离子通道RyR1的高分辨率结构。颜宁博士不仅敢于挑战结构生物学研究中的&ldquo 硬骨头&rdquo ，而且致力于通过结构信息全面揭示蛋白质的功能与生物学意义。　　国际蛋白质学会&ldquo 青年科学家奖&rdquo 前身为&ldquo 鄂文西格青年科学家奖&rdquo (The Irving Sigal Young Investigator Award)，设立于1989年，每年颁给一至两位处于独立科研生涯早期(独立领导实验室一般不超过8年)、但已对蛋白质研究领域作出重要贡献的优秀科学家。2004年之前的获奖者、包括第一位华裔获奖者施一公教授(2003年)，绝大多数都已经入选美国科学院。颜宁博士是该奖设立27年来的第30位获奖者。　　颜宁教授将于2015年7月在西班牙巴塞罗那召开的国际蛋白质学会年会上领奖，并作获奖学术报告。　　颜宁指导学生做实验　　颜宁，1996-2000年就读于清华大学生命科学与技术系，获学士学位 2000-2004年于美国普林斯顿大学分子生物学攻读博士学位， 2005年获得由《科学》杂志和美国科学促进会评选的北美地区&ldquo 青年科学家奖&rdquo 2007年10月受聘清华大学医学院教授 2012年入选美国霍华德休斯医学研究院首批&ldquo 国际青年科学家&rdquo ，同年获得基金委&ldquo 杰出青年基金&rdquo 2015年入选教育部&ldquo 长江学者&rdquo 。

JNBIO(聚能生物)是一家由留学人员创办的高新技术企业，自主创新与欧洲前沿技术相融合，开发生产低温超高压连续流细胞破碎仪，是国家技术创新基金立项扶持的项目。　　JNBIO系列低温超高压连续流细胞破碎仪自投入市场以来，积极开展与国家蛋白质科学研究平台的合作。到目前为止，中国科学院生物物理研究所(中国科学院蛋白质科学研究平台)、中国科学院上海应用物理研究所、复旦大学遗传工程研究所等国家重要蛋白质研究中心已采购使用JNBIO(聚能生物)高活性低温超高压连续流细胞破碎仪。　　JNBIO低温超高压连续流细胞破碎仪特有的细胞高活性破碎技术，最大限度地保持了蛋白质的空间结构和内部活性基团，为研究蛋白的高级结构，晶体工程提供了先决条件。　　人类基因组计划完成之后，蛋白质科学研究成为当代生命科学领域的前沿，是未来生物技术与生物产业发展的重要源泉。全球发达国家政府、研究机构和大学以及相关产业界竞相抢占蛋白质研究的制高点。　　2004年5月，中国科学院生物物理研究所率先启动了“中国科学院蛋白质科学研究平台”建设。2008年7月中旬，中国科学院生物物理研究所(中国科学院蛋白质科学研究平台)采购了JNBIO低温超高压细胞破碎仪(JN-3000)。目前，中国科学院生物物理研究所用JNBIO低温超高压细胞破碎仪全面替代了国产和进口的高压细胞破碎仪。　　中国科学院上海应用物理研究所的上海光源是一台高性能的中能第三代同步辐射光源，它的英文全名为ShanghaiSynchrotronRadiationfacility，简称SSRF。它是我国迄今为止最大的大科学装置和大科学平台。生命科学和医药学与人类健康生活息息相关，也是同步辐射光得到广泛应用的重要领域。同步辐射X射线衍射方法是当前测定生物大分子结构的最有力手段，是研究生命现象与生物过程的利器。2009年5月26日，JNBIO低温超高压连续流细胞破碎仪(JN-3000PLUS)正式进驻上海光源。　　复旦大学遗传工程国家重点实验室是在由谈家桢院士创立的复旦大学遗传学研究所的基础上发展而来的研究实体，是我国最早建立的国家重点实验室之一。1984年经国家计委批准建立，1985年开始运行，同时向国内外开放，1987年通过国家验收。近年来，遗传工程国家重点实验室投入大量经费，采购先进的仪器设备建立蛋白质组学研究平台等。JNBIO低温超高压连续流细胞破碎仪独有的细胞高活性破碎技术和5ml微样品量，受到了遗传所教授们的青睐。日前，JN-3000PLUS微量精密型低温超高压连续流细胞破碎仪已正式投入使用。

01 摘要蛋白质组学目前的研究活动的成长与基因组学早期的发展轨迹相似。基因组学花费了大概十年的时间实现了产业化。尽管蛋白质组学技术起步的时间比基因组学更早，但蛋白质组学相对更大的复杂性导致其与基因组学相比需要更先进的技术。然而，今天，蛋白质组学的重要研究瓶颈正在被不断突破，让科学家们看到了其在研究、转化和临床意义上达到与基因组学相当的水平的前景。因此，随着时间的推移，蛋白质组学在研究和临床中应用的商业机会将与基因组学的可用市场总量（TAM）规模趋于一致，目前全球TAM已经达到500亿美元。并且我们有理由相信，由于蛋白质组学动态、变化的性质将使得其超过基因组学而转化为更加具有经常性、重复性的临床应用。质谱是最能促进蛋白质组学工业化的技术，但其工作流程的标准化，尤其是样品制备阶段的标准化，仍然存在着挑战。对于长期投资商来说，应该对在这个生态圈中拥有于众不同知识产权的供应商给与更大的关注。尽管以基于高元多工分析方法为代表的新兴检测方法与质谱方法相比仅处于早期发展阶段，但也具有巨大的潜力。02 背景与投资情况论述生命的基本构成部分是核酸和氨基酸。核酸是基因的基本构成成分。氨基酸是蛋白质的基本构成成分。事实上，我们体内每个细胞的成分都可以归类于蛋白质、基因、脂质或碳水化合物这四类大分子化合物。脂质和碳水化合物组成简单不易出错。因此，最重要的是对基因和蛋白质进行深入了解。我们对人类生物学的理解，从细胞功能到疾病的因果关系，再到药物治疗，都是我们对基因组学和蛋白质组学知识的衍生品。在20世纪，先进显微镜和生物化学技术的发明导致我们对基于结构的蛋白质和基因的理解有了很大的进步。在21世纪，基因组学经历了一场革命，使其从一个刚刚起步的研究领域经历了工业化的过程，成为了临床生物学重要方面。这不仅使得人类对生物学有了更深更新的了解，也提供了包括液体活检诊断，CAR-T细胞治疗，甚至是mRNA疫苗的一系列新的临床治疗及诊断方法。蛋白质组学在21世纪也取得了重要进展。这不仅是由于质谱和X射线晶体学等成像方面新技术的出现，也是由于免疫检定试剂方面的生物化学方法创新，使得我们可以分离特定的蛋白进行进一步的研究。与基因组学相比，蛋白质组学还未取得飞跃。这并不是由于它相对于基因学的有较小的前景和应用场景，这只与它的方法的复杂性有关。我们认为，下一个十年蛋白质组学将进入快车道，使生物学研究、医学治疗和诊断方面进入一个以蛋白质为中心的新时代。蛋白质组学的挑战。超过95%的获得FDA批准的药物都是以蛋白质为目标，但蛋白质组中的多数组分却尚未被人们所了解。我们相信，十年后，西方国家的蛋白质组学公司所创造的股权价值将与今天基于基因组学的公司所创造的约2500亿美元的市值相当或更多。创新的速度正在加快：在1869年由弗里德里希-米歇尔（Friedrich Miescher）发现核酸之后近85年才由沃森和克里克于1953年发现了DNA双螺旋。从沃森和克里克的发现到2001年第一个人类基因组序列的发表花费了近50年时间。从2001年人类基因组的第一份草图到2021年7月公布的第一份完整序列花费了20年时间。总而言之，从核酸发现到确定完整的人类基因组花费了近155年的时间。在接下来的155年里，创新的速度将呈指数型增长，而蛋白质组学将是其中最大的受益者。03 蛋白质组学的今天：挑战与机遇什么是蛋白质组学？它为什么重要？图一：蛋白质组学受益于多种技术跨越式进步蛋白质组学作为一个术语首次出现在1996年，它被定义为对一个细胞系的整个蛋白质图谱进行大规模表征。蛋白质组学的要点是完整性和深度：通过检测和解读该细胞中的所有蛋白质的作用以及相互作用来彻底了解细胞功能，而不是应用传统的通过抗体分离已知蛋白质的方法单独检测每个蛋白质。基于抗体的蛋白质检测将继续在后续的工作中得到应用，但蛋白质组学是针对所有蛋白质，它们的相互作用，及其多种形态的大规模、高通量、高灵敏度的分析。因为蛋白质修饰和相互作用出错是发生疾病的通常原因，蛋白质组学研究对理解造成疾病发生的原因非常重要，Source: Graves PR, Haystead TA., Molecular biologist’s Guide to Proteomics (2002)04 蛋白质组学和基因组学之间的关系是什么？当马克-威尔金斯（Mark Wilkins）在1996年首次使用蛋白质组学一词时，他明确表示他指的是“基因组的补充”。基因是细胞的说明书。通过RNA的表达，他们指示细胞要构建哪些蛋白质。蛋白质细胞构建之后，它们通过与其他蛋白质和环境的相互作用而被翻译和修饰。因此，1) 基因组学的大部分功能效用通过蛋白质组体现；2) 下游事件-包括蛋白质间的相互作用，新的蛋白质形态和动态修饰的产生，及其对细胞分裂的影响-是蛋白质组学而不是基因组学的主题。Source: Virag D, Dalmadi K B. Current Trends in the Analysis of Post-translational Modifications (2020)因此，基因组学和蛋白质组学是相互关联的，而不是分开的，但蛋白质组学在功能上更为重要及复杂。有25000个独立的基因，但有超过100万种蛋白形式。虽然一个人的基因组不会改变，但一个人的蛋白质组是动态的。身体里的变化是通过蛋白质的修饰来表达的。你出生时的基因组和今天一样。但你的蛋白质组每天都在变化。05 为什么蛋白质组学研究如此困难？1. 分子的复杂性和多样性Source: Creative-Proteomics.com蛋白质分子本身的分子结构更为复杂。DNA是由4种核苷酸组成的，而蛋白质是由20种不同的氨基酸组成的。翻译后修饰，如甲基化和羟基化，改变了蛋白质的形态和功能。每个蛋白质可以有9种不同的蛋白形式。取决于翻译后修饰和蛋白质间的相互作用。这意味着同一个蛋白质可以有9种不同的功能。DNA的分子结构相对简单，有4种核苷酸变体，这意味着基因测序方法（如合成测序）不能应用于蛋白质组。需要新的、更复杂的、定制的方法来捕获生物样本中数百万种不同的蛋白质形态。2. 动态范围问题Source: Montanaro Research Aebersold R., Targeted Proteomic Strategy for Clinical Biomarker Discovery (2009)Y轴表示血浆样品中特定蛋白质分子的浓度和丰度。虽然有些蛋白质的含量极高，但大多数蛋白质类型的浓度很小，甚至可以忽略不计。红圈中的蛋白质存在于蛋白质组的“黑暗角落”，在这种极低的丰度下，这些蛋白质非常难以测得。大多数蛋白质的丰度极低。在血浆细胞中发现的约12,000个独立的蛋白质中，前10个占总蛋白量的90%，而其他约11,990个仅占10%。3. 少数的暴政如下饼图显示了血浆样品中蛋白质的相对丰度。单一的一种蛋白质，即血浆白蛋白，占了57%的总丰度，使读取其余的1万种蛋白质更加困难。Source: Anderson NG., Molecular Cell Proteomics (2002)06 蛋白质组学市场机遇有多大？我们相信，蛋白质组学在分子生物学研究以及临床医学和诊断方面有与基因组学一样远大的前景。Source: Montanaro Research自2001年第一个人类基因组的组装以来，基因组学已经成为生物医学的一个工业化部分， 纯基因组学公司的总市值达到2400亿美元。Illumina是其中最大的公司。蛋白质组学TAM（可用市场总量）如今已经达到数百亿美元。Somalogic estimate the total TAM to be $50 bn (Source: Somalogic)虽然临床应用方面的TAM具有最大的长期潜力，但在未来5年内研究和发展方面的TAM是最容易解决的。Source: Souda P., Proteomics: The Next Frontier, SVB Leerink (2021)SVB Leerink的蛋白质组学专家Puneet Souda估计，目前仅美国的研发TAM 有140亿美元，这基于学术界和制药业共约 26,100 个实验室总经费的2.5%的保守估计。如果我们把西方国家的实验室数量看作是约50,000个，并更合理的假设占总经费的5%的资金分配给蛋白质组学研究，我们估计在全球发达经济体中的蛋白质组学研发TAM为500亿美元。

#本文由马尔文帕纳科医药业务发展经理 韩佩韦博士供稿# 蛋白质的热稳定性研究对于加深对蛋白质的结构和功能的了解有着非常重要的意义。差示扫描量热技术（DSC）是直接测量热转变过程焓变（ΔH）唯一的分析方法，例如蛋白质，核酸或其他生物多聚物的热变性过程，为表征蛋白质及其他生物分子的热稳定性建立“金标准”技术。 一、焓变对于蛋白质的稳定性意味着什么？ 1，什么是焓（hán）变（ΔH）？ ΔH（焓变）是在恒压状态下将系统升高至温度T过程中摄取的总能量。对于蛋白质而言，这意味着用于使蛋白质发生去折叠所花费的能量（热量），此过程中 ΔH 是为正值，代表这是一个吸热过程。这种能量与蛋白质中所有原子和分子运动相关，以及维系蛋白质保持折叠构象中的键能。 通过将吸热谱图下方的面积进行积分（见图 1）可以计算得到焓变（ΔH）。焓变用每摩尔蛋白质的吸收的卡路里（或焦耳）来表示。由于蛋白质在 DSC 实验中暴露于升高的温度，因此蛋白质开始发生热变性，并伴随着非共价键的断裂。焓变（ΔH）与维系蛋白质天然（折叠）构象中所需的价键数量有关。焓变（ΔH）也取决于我们测量总蛋白质浓度的准确程度。如果蛋白质浓度不是很准确, 则会影响到计算出的ΔH值。 2，焓变（ΔH）值可以在实践中告诉我们什么？ 当您比较不同蛋白质的DSC结果时，具有较大ΔH值的蛋白质不一定比具有较小ΔH的蛋白质更稳定。由于ΔH值会对蛋白质摩尔浓度归一化，因此该值通常与蛋白质的尺寸成比例。大多数蛋白质具有相同的键密度（单位体积内的价键数量），因此，期待具有较大分子量的蛋白质也具有较大的焓变（ΔH）值也是合理的。 3，焓变（ΔH）的决定因素是什么？ 焓变（ΔH）取决于溶液中天然蛋白质的百分比。 一个非常重要的考虑是DSC仅测量初始处于折叠（天然）构象中的蛋白质的ΔH值。ΔH值取决于具有折叠（活性）构象的浓度。如果初始折叠蛋白质组分小于总蛋白质浓度（即活性浓度小于100％），则计算出的ΔH值将相应地变小。 下图显示了在储存期间的不同时间测量的相同蛋白质的DSC图谱。蓝色曲线图谱表示新鲜制备的蛋白质，是100％天然（折叠）蛋白质。当蛋白质样品在储存期间发生部分变性时，溶液中的天然蛋白质的比例开始下降，导致DSC图谱的焓变降低。当我们拥有100％天然蛋白质的参考DSC图谱时，我们可以根据不同状态样品的相对ΔH值来估计每个样品中的折叠蛋白质比例。 4，如何判断蛋白质是否失活？ 到目前为止，我们已提及的焓变是指通过DSC仪器直接测量到的“热”焓，也就是热力学焓变，通常表示为ΔHcal，这是其他任何非量热技术，例如圆二色谱（CD），表面等离子共振（SPR）等技术不能获取的焓变量。 还有另一种其他技术可以获取的焓变类型，即范霍夫焓变 - ΔHVH，我们同样可以通过DSC数据计算得出。范霍夫焓变（ΔHVH）可从通过DSC非两状态模型（non-2-state model）拟合得到。 两种不同的焓变对蛋白质热稳定性的测定又有什么实际意义呢？ 在DSC技术中，ΔHcal仅由DSC热转变峰曲线积分的面积来确定，而ΔHVH仅通过热转变峰曲线的形状来确定。转变峰形越尖锐，ΔHVH越大，反之亦然。ΔHcal是具有浓度依赖性的，但ΔHVH不是。 若ΔHcal/ΔHVH比例为1，通常意味着所研究的热转变状态符合两状态去折叠（Two-state unfolding model）模型。如果ΔHcal/ΔHVH比例大于1，则意味着存在显著密集的中间体存在 而ΔHcal/ΔHVH比小于1，则意味着存在分子间相互作用。 使用ΔHcal/ΔHVH可以帮我们估测是否有很大部分蛋白质是失活的。如果我们有一个简单的单结构域蛋白质，并且假定没有中间体，则我们可以预测，其去折叠过程的ΔHcal/ΔHVH的比值不会远离1。因此，如果ΔHcal显著低于ΔHVH，可以表明很大部分蛋白质已经失活。 综上所述，对DSC中ΔH数据的分析可以让我们了解蛋白质的去折叠机制，以及多少蛋白质处于其活性的天然构象。 二、TM值如何与和蛋白质稳定性相关？ 中点转变温度TM我们可以从DSC数据中提取多个热力学参数，例如ΔH，ΔHVH（范霍夫焓变），ΔCP和ΔG，但最广泛使用的参数是TM。顺便提一下，这也是最容易和最准确的值 - TM是最大峰值所对应的温度。 “蛋白质稳定性”有多种定义。最常见的是，对于工业上有重要意义的蛋白质，该术语是指在生理温度下的功能（或操作）稳定性 即，他们可以在37°C下发挥多长时间的生物功能？这可以通过需要花几天或数周时间的等温研究来评估，或者，如果使用差示扫描量热法（DSC），则可以在几分钟内变性蛋白质。 通过DSC获得的哪个热力学参数与功能稳定性相关度最佳？事实证明，是TM值。 热力学稳定性（ΔG）是功能稳定性的较差的预测因子 技术上，ΔG仅适用于可逆去折叠过程，此外，它由TM，ΔH和ΔCP计算得到，后者可能很难获取。 一个例子是TM和ΔG与人肉杆菌蛋白抗原血清型C的半数聚集时间(half time)（作为功能稳定性的量度）的相关性，用作模型蛋白。ΔG与T1 / 2 agg. 相关系数（R）仅为0.4，而TM 与 T1 / 2 agg.的相关系数是0.92。（来自J Pharm Sci的数据，2011 Mar 100（3）：836-48） 思考TM的一种方式： 如下图所示，假设我们用 DSC 扫描两种不同配方中的蛋白质或两种不同的蛋白质构建体，则 TM 值向低温方向 5℃ 的负偏移（稳定性下降）实际上反映了在 37℃ 条件下的 Fu （蛋白去折叠比例）由2％增加到 3％。温度 T 下的 Fu 蛋白可以通过图像化的方式估算，即温度 T 以下的曲线下阴影区域面积和整个曲线下方面积的百分比。 由于聚集体的生成可能是浓度依赖的过程，因此较高浓度的去折叠蛋白质（红色扫描曲线）将导致较快的聚合（更大组分的去折叠状态（U）才能转换为不可逆变性状态（I）。参见下面的原理图。 这种解析的一个推论是，曲线的整体形状应该是相似的。我们假定这种情况是对于在不同配方中的相同蛋白质或由一个母分子衍生出来的具有相似构建体的蛋白质。但是，对于完全不同的蛋白质，使用TM值作为用于稳定性比较的预测指标则应该谨慎使用。 扩展阅读（www.malvernpanalytical.com）Differential Scanning Calorimetry (DSC): Theory andpracticeDifferential Scanning Calorimetry (DSC) forBiopharmaceutical Development: Versatility and PowerThe Power of Heat: Digging Deeper with DifferentialScanning Calorimetry to Study Key Protein Characteristics PEAQ-DSC 微量热差示扫描量热仪：DSC差式扫描量热法（DSC）是一种直接分析天然蛋白质或其他生物分子热稳定性的技术，无需外在荧光素或者内源荧光，它通过测定在恒定的升温速率下使生物分子发生热变性过程中的热容变化来实现。 马尔文帕纳科 MICROCLA PEAQ-DSC 微量热差示扫描量热仪能够帮助用户快速确认维持高级结构稳定性的最佳条件，提供简介、无缝的工作流程和自动化批量数据分析，其所提供的热稳定性信息被业内视为“金标准”技术，是一种非标记、全局性的数据。 关于马尔文帕纳科马尔文帕纳科的使命是通过对材料进行化学、物性和结构分析，打造出更胜一筹的客户导向型创新解决方案和服务，从而提高效率和产生可观的经济效益。通过利用包括人工智能和预测分析在内的最近技术发展，我们能够逐步实现这一目标。这将让各个行业和组织的科学家和工程师可解决一系列难题，如最大程度地提高生产率、开发更高质量的产品，并缩短产品上市时间。

在世界经济论坛发布的《2023年十大新兴技术报告》中，空间组学被评选为未来最有潜力对世界产生积极影响的十大新兴技术之一。这标志着空间组学不仅在科研领域取得了显著成果，更有望为医学、农业等多个领域带来革命性的突破。在这一技术浪潮中，景杰生物以其卓越的科研实力和前瞻性的战略布局，成为空间蛋白质组学领域的佼佼者。自2021年6月首次推出空间蛋白质组以来，景杰生物不断对技术与体系进行全面优化，一次次刷新着空间蛋白质组学的研究边界。如今，景杰生物再次重磅推出“全息空间蛋白质组学”，为空间蛋白质组学研究提供了更为强大的工具。全息空间蛋白质组学依托于景杰生物创新的10X Proteomics平台，该技术能够支持组织微环境的全覆盖高深度蛋白质组空间检测。在实验中，景杰生物研发团队选择了癌症石蜡样本，运用全流程的先进仪器设施，如徕卡冷冻切片机、数字玻片扫描系统和蔡司激光捕获显微切割仪，进行一站式操作。经过烤片、脱蜡、复水、HE染色等一系列步骤后，成像技术精准定位目标区域，并进行无间隔地切割取样。酶解后使用Orbitrap Astral / timsTOF 最新款高性能质谱平台进行蛋白质组学检测，从而得到与组织微环境图像匹配的全覆盖空间蛋白质组学数据。通过对目标区域进行全覆盖检测，得到了带有空间位置信息的100份蛋白质组学数据，每份数据对应精细组织，无间隔地构成了“全息”的空间蛋白质组学数据集。这些数据集共检测到5500多个蛋白，平均每个样本可检测到4100多个蛋白，是目前最大最全面的全息空间蛋白质组学数据集之一。对于全息空间蛋白质组学得到的庞大数据集而言，如何有效地利用生信分析手段进行挖掘和展示是大家的重要关注点。为此，景杰生物生信和人工智能团队借鉴空间转录组的分析经验，针对全息空间蛋白质组学开发了一系列工具，帮助我们“看得见、挖得深、画得漂亮、画得清晰”。通过以上数据分析方案，可实现与空间转录组学类似的：全息空间样本点无监督聚类分析、类间差异分析/差异蛋白功能注释、单个差异蛋白空间可视化、基于清晰的组织病理特征注释和指定病理分组差异分析、基于反卷积等算法注释细胞类型得分/比例等等个性化分析。相信这样一套分析的组合拳，一方面可以将蛋白信息清晰还原到组织空间微环境中，另一方面也可以与临床病理信息精准结合，定会成为空间蛋白质组学研究的标杆，加速精准医学和基础研究。随着本次全息空间蛋白质组学发布，景杰生物已搭建成全球首个结合空间蛋白质组学、空间磷酸化修饰组学以及全息空间蛋白质组学的一站式空间组学平台。包含了既可以满足个性化选取不规则点位进行蛋白质组精准检测的空间蛋白质组学，又可以进行个性化选取不规则形状点位进行磷酸化修饰精准检测的空间磷酸化修饰组学，本次又实现对组织微环境进行高分辨率全覆盖式蛋白质组精准检测的全息空间蛋白质组学，满足蛋白质组研究的多项需求，为空间蛋白质组学研究提供更多选择。展望未来，全息空间蛋白质组学将在癌症研究、神经科学、免疫学等多个领域发挥重要作用。而景杰生物作为空间蛋白质组学的先驱和引领者，将不遗余力全面推进空间蛋白质组学的技术进步，为前沿研究保驾护航！

糖是组成生命体的四大类重要分子之一，糖蛋白质是由糖链与肽链中的特定氨基酸残基以糖苷键共价连接而成的蛋白质。糖蛋白质普遍存在于生物体内，在很多生命过程中起着重要作用，如蛋白质的折叠、细胞之间的相互识别、炎症反应等。同时，糖基化修饰在疾病中，特别是肿瘤的发生、发展和转移过程中也起到重要作用，许多疾病诊断标志物及治疗的靶标都是糖蛋白质。糖蛋白质组学和糖组学的研究具有重要的科学意义。以基质辅助激光解吸电离质谱(MALDI-MS)和电喷雾质谱(ESI-MS)为代表的生物质谱技术，因具有快速、灵敏、可提供结构信息等优点，已成为糖蛋白质组和糖组分析的重要工具。　　由复旦大学杨芃原教授团队撰写的综述文章“质谱技术在糖蛋白质组学与糖组学方面的研究进展”发表于2016年第3期的《国家科学评论》。这篇综述论文系统介绍了近年来以质谱为核心的糖蛋白质组和糖组的研究策略和方法，以及该领域重要的生物和临床发现。重点讨论了国内糖蛋白质组学和糖组学研究团队在糖蛋白质和糖链的分离富集、糖链的衍生，糖链和糖蛋白质的质谱碎裂技术，糖链及糖蛋白质序列组成分析的软件技术等方面的进展，并分析了基于质谱技术的糖蛋白质组和糖组研究的关键问题，展望了该领域未来的发展趋势。　　杨芃原教授团队在基于质谱的糖蛋白质组学和糖组学方面展开了系统的研究。他们发展了一系列糖蛋白质/糖链富集和质谱定性的新方法，建立了基于复合纳米材料的富集新方法，基于新的共价反应的富集新策略，以及基于协同富集思路的富集新流程 建立了一系列糖蛋白质/糖链的质谱定量新方法，提出了酶促去糖链过程中的标记定量新方法和糖蛋白质组在蛋白质水平、糖基化程度水平及糖链水平的同时定量新方法等 开发了高通量糖蛋白质质谱检索的新算法等。这些工作提升了中国糖蛋白质组学和糖组学的研究水平，为糖蛋白质组学和糖组学研究提供了新的研究方法。

2012年3月23-25日，第五届蛋白质和多肽大会（五周年庆）在北京国际会议中心隆重召开，本届会议的主题是“强大的蛋白质和多肽”。除主论坛外，大会科技议题还包括：蛋白质科技前沿、蛋白质组学与宏蛋白质组学、人类疾病与蛋白质发现、蛋白药物及其临床意义、非人类蛋白的研发、多肽科学、多肽化学与合成方法、多肽药物发现、对生物活性肽及其应用的探索、肽的新应用、蛋白质工程技术、仪器设备的创新等14大分会和100多个分论坛。赛分科技作为全球知名的生物分离色谱领航者，积极参加了此次会议，并带来了赛分科技的最新科技成果——“抗体分析方法包”。赛分科技最新解决方案——“抗体分析方法包” 在此次会议中，赛分科技总裁兼首席技术官黄学英博士应邀主持了“蛋白质质量控制/质量评价与分析工具”专场，并发表了“单克隆抗体在分离与鉴定中的全套解决方案”的主题报告。黄学英博士在报告中 单克隆抗体作为一种重要的治疗蛋白质，越来越受到关注。赛分科技推出的抗体分析方法包为单克隆抗体的分析和鉴定提供了完整的解决方案。其中，Zenix™ 300体积排阻色谱柱可高效分离抗体单体、多聚体、片段、轻链和重链；Antibodix™ 阳离子交换色谱柱用于分离在结构上差异很小的单克隆抗体异构体。Bio-C8反相色谱柱可分离Fab和Fc以及轻重链。 与会观众和专家们对赛分科技的“抗体分析方法包”产生了浓厚的兴趣，积极提问，并纷纷索取相关产品资料。会议交流热烈，气氛友好。赛分科技展台 赛分科技 赛分科技有限公司（Sepax Technologies, Inc）总部位于美国特拉华州高新技术开发区，致力于开发和生产药物与生物大分子分离和纯化领域的技术和产品。赛分科技是集研发、生产和全球销售为一体的实业型企业。公司主要产品为液相色谱柱及耗材、固相萃取柱（SPE）及耗材、液相色谱填料以及分离纯化仪器设备。在液相色谱领域里，赛分科技已开发出了100多种不同型号的液相色谱材料，涵盖了反相、正相、超临界（SFC）、手性（Chiral）、离子交换、体积排阻、亲和、HILIC等各种类别，为世界范围内液相色谱产品最为完善的企业之一。 赛分科技的创新技术使之生产出具有最高分辨率及最高效的生物分离产品，包括体积排阻、离子交换、抗体分离、和糖类化合物分离色谱填料和色谱柱，可广泛地应用于单克隆抗体、各种蛋白、DNA、RNA、多肽、多糖和疫苗等生物样品的分析、分离和纯化。赛分科技先进的技术和完善的产品线已使赛分成为全球生物分离的领航者。

p /pp　　层析纯化技术由于其高选择性、灵活性、易放大性等优点，已经成为蛋白质药物纯化中不可或缺的技术。传统的层析填料为多糖基质，孔径一般在100 nm以下。1970年代出现了大孔和微孔无机材料硅填料，虽然增大了孔道、提高了层析的分辨率和流速，但只能在PH2-7.5范围内稳定，不利于分离纯化在碱性范围内稳定的蛋白质或是需要碱性层析条件的分离，从而限制了其在大规模快速分离蛋白质层析上的应用。多孔聚合物微球由于其高的比表面积、高的机械强度和多样的表面特征，常被用作层析分离纯化的填料。目前已发展出了多种表面基团、基质种类的层析填料，成功用于疫苗、病毒、抗体、酶、细胞因子等的分离纯化。/pp　span style="color: rgb(0, 176, 240) "strong　层析纯化病毒、病毒样颗粒等生物大分子的瓶颈问题/strong/span/pp　　随着病毒、病毒样颗粒在疫苗、肿瘤治疗、免疫治疗中的地位越来越重要，这类复杂生物大分子的分离纯化需求也逐渐增加。然而传统填料由于孔径较小，蛋白质只能以扩散方式通过填料，传质速率慢，处理量低，造成分离时间长、容易失活等问题[1]。当蛋白质体积较大时，填料表面在吸附一层蛋白后，由于体积位阻以及静电排斥作用，会阻碍其它的蛋白质进一步进入孔内，造成填料的载量下降。另一个限制是病毒或疫苗，尤其是带有包膜的病毒或疫苗，在狭窄的填料孔径内发生吸附时非常容易发生结构变化，破坏其整体结构。在乙肝病毒表面抗原(HBsAg)的纯化中发现这种病毒样颗粒在层析时会发生解聚[2]，经过离子交换层析分离后，疫苗的回收率通常不到50%[3, 4]。而抗原的结构发生变化以后，就会对其免疫原性产生影响，所以需要在纯化过程中尽可能维持抗原的结构。/pp　　为了解决针对病毒及病毒样颗粒纯化的瓶颈问题，目前已有采用膜色谱、超大孔贯穿孔颗粒填料及整体柱的策略进行纯化的案例，成功纯化了包括人乳头瘤病毒、番茄花叶病毒、流感病毒、腺病毒、慢病毒及各种病毒样颗粒。/ppspan style="color: rgb(0, 176, 240) "strong　　病毒及病毒样颗粒的分离纯化/strong/span/pp　　根据文献报道，超大孔填料相比传统层析填料不仅在载量及处理速度上有极大的优势，还更有利于病毒及病毒样颗粒的结构保持。/pp　　例如，在重组乙肝病毒表面抗原的分离纯化中，采用具有120nm及280nm超大孔径的离子交换填料DEAE-AP-120 nm和DEAE-AP-280 nm(商品名为中科森辉的Giga系列)具有比传统填料DEAE-FF高7倍以上的动态载量[1]。此外，采用ELISA测定抗原收率，发现采用超大孔填料能够减少重组乙肝病毒表面抗原在层析过程中的裂解，从而显著提高活性抗原的收率。/pp style="text-align: center "img width="576" height="450" title="1.jpg" style="width: 415px height: 282px " src="http://img1.17img.cn/17img/images/201808/insimg/3b67db18-4291-4ab6-9874-209cd57644af.jpg"/　　/pp style="text-align: center "重组乙肝病毒表面抗原在不同孔径离子交换填料上/pp style="text-align: center "　　的吸附动力学[1]/pp style="text-align: center "img width="497" height="345" title="2.jpg" style="width: 387px height: 289px " src="http://img1.17img.cn/17img/images/201808/insimg/07fdf233-77a5-4c30-8d20-faf7f044b54a.jpg"/　/pp style="text-align: center "　重组乙肝病毒表面抗原从不同孔径的填料上洗脱下来的/pp style="text-align: center "　　ELISA回收率[1]/pp　　对病毒的分离纯化同样有类似的效果。例如在灭活口蹄疫病毒的纯化中，DEAE-FF导致严重的病毒裂解。而采用具有100nm以上孔径的超大孔填料，不仅载量提高10倍以上，还能显著提高病毒在填料上吸附时的热稳定性，从而减少病毒的裂解，具有更高的收率。最终的分离纯化单步收率达90%以上[5]。/pp style="text-align: center "　　span style="font-size: 14px "strong灭活口蹄疫病毒在传统填料与超大孔填料上的吸附解离过程/strong/span/pp　　与商品填料的小孔道填料相比，超大孔结构可能从以下几方面提高对蛋白质构象的稳定性：/pp　　1)增大孔道(受限空间)：根据蛋白质折叠行为计算显示，蛋白质的折叠速率与空腔大小、形状密切相关，也即当填料孔道与蛋白的相对尺寸超过某一阈值后，蛋白的折叠行为将不受空腔大小影响。与数十纳米中孔结构的传统填料的相比，数百纳米超大孔结构会因孔道增大、与蛋白接触面积减小，从而对某一尺寸下蛋白质的变构行为有所改善。/pp　　2)界面曲率：小孔径填料孔道曲率大，填料与蛋白质接触面积大，因此受更大吸附力影响，蛋白质二级结构变化越严重。而曲率更大的超大孔孔道对蛋白二级结构的保护比狭窄孔道更有优势。/pp style="text-align: center "　span style="font-size: 14px "strong　表面曲率变化对蛋白接触面积的影响/strong/span/pp　　3)改善配基与蛋白活性区域的接触面积：超大孔微球内部数百纳米孔道在修饰配基后可能会有效改善传统填料狭窄孔道内由于配基拥挤造成的蛋白质失活现象。/pp　　4)减少蛋白在孔道内的静电排斥作用：有研究者认为，在离子交换填料上蛋白质起初会在孔道入口处形成一圈静电层，这一静电层会对后来蛋白继续进入孔道产生排斥作用从而使孔道关闭，动态载量下降。如果将超大孔填料修饰为离子交换树脂，由于孔道尺寸显著扩大可能会有效改善蛋白吸附静电层对孔道的封闭作用，从而有效引导蛋白质进入超大孔道，提高回收率。/ppspan style="color: rgb(0, 176, 240) "strong　　快速分离蛋白质及pDNA/strong/span/pp　　除了应用于病毒及病毒样颗粒的分离纯化的分离纯化，利用超大孔填料传质速度快的优势，将超大孔填料镀上亲水表层，再接上不同配基制成多种形式的层析填料，用于快速高分辨率的纯化蛋白混合物或质粒。超大孔填料制备成的亲和层析、反相层析和离子交换层析填料广泛的应用在蛋白质的分离纯化方向，显示出超大孔填料比传统分离填料高速高分辨率的蛋白质纯化优势。/pp　　例如以肌红蛋白、转铁蛋白和牛血清白蛋白的混合溶液为模拟体系，考察不同流速下超大孔聚苯乙烯阴离子交换介质(DEAE-AP，商品名为Giga系列)的分离效果，并与DEAE 4FF介质进行了对比。实验结果(图2)显示，作为对照的DEAE-4FF介质在流速达到361 cm/h时，分离效果已明显降低，而超大孔介质可以在流速高达1084 cm/h的条件下操作，分离效果良好，能够在6 min内实现三种生物大分子的快速分离。/pp style="text-align: center "img width="588" height="170" title="3.jpg" style="width: 473px height: 144px " src="http://img1.17img.cn/17img/images/201808/insimg/65df31ac-bd00-4a08-8a5a-feedfa1aa990.jpg"//pp　span style="color: rgb(0, 176, 240) "strong　超大孔填料应用前景与展望/strong/span/pp　　近年来，随着生命科学的发展，生物样品越来越复杂，如人的血样、尿样、组织样品等，对生物分离分析技术提出更高的要求。根据超大孔填料固有的诸多优点，通过合成不同种类的超大孔固定相及在固定相上做不同功能的衍生，超大孔填料已经被广泛应用于生物分离分析中，但也存在一些问题。因此，发展新的制备手段，优化制备条件和过程，探索制备和分离机理，对于开辟新的应用领域以及开展实际样品的分离分析有更大的理论和现实意义。/pp　　根据已有的文献报道，我们可以预测今后几年的相关工作仍会集中在以下几个方面：/pp　　(1)规则的聚合物整体材料内部形态。如获得规则的3D网络骨架，可控的孔径尺寸和分布。/pp　　(2)继续在微分离系统中扩展其应用。如在加压电色谱、微流控芯片材料、微流色谱和纳流色谱系统，甚至纳米器件开发等诸多方面大显身手。/pp　　(3)表面物理化学性质的调控向功能化、智能化方向发展。如基于分子印迹技术、温度响应以及pH响应的表面智能化的整体材料。/pp　　(4)制备规模整体柱的开发及其在生物下游技术中的应用。/pp　　目前，已经有一部分整体柱实现了商品化，但种类有限，还无法与种类繁多的颗粒型填充柱相提并论，也远未能满足分离分析的需求。而颗粒型的超大孔填料，由于其制备较困难、批次间重复性较差、价格昂贵等，也没有得到广泛的应用。相对于超大孔填充柱，有机相整体柱存在因流动相变会发生溶胀或收缩、机械强度差、比表面积小、柱容量差以及聚合过程中产生的微孔不利于小分子样品的分析等问题，现有报道大都用于生物大分子的分离。硅骨架整体柱也存在必须预先聚合好装入套管中，制备繁琐，比表面积较小的问题。因此，如何以更简便、有效的方式制备高效新型的超大孔填料并将其应用于实际样品的分离分析仍然是今后工作的重心。在实际工作中所面临的层出不穷的问题也是推动新型超大孔填料制备技术和方法发展的源源不竭的动力，在诸多的尝试中很可能就会出现某些性质优良的超大孔填料，这也预示着将来商品化的超大孔会越来越多。/ppspan style="color: rgb(0, 176, 240) "strong　　部分商品化的超大孔层析介质/strong/span/pp　　strong超大孔填料因其具有独特的多孔结构，与传统填料相比具有更加优良的渗透性和传质速率，可以在较低的操作压力下实现高效和快速的分离，已成为继多聚糖、交联与涂渍、单分散之后的第四代分离填料。可以预测，随着制备技术的不断提升，超大孔填料在生命科学、医药、环境和化学化工等领域必将大有可为。/strong/pp　　参考文献/pp　　[1] M.R. Yu, Y. Li, S.P. Zhang, X.N. Li, Y.L. Yang, Y. Chen, G.H. Ma, Z.G. Su, Improving stability of virus-like particles by ion-exchange chromatographic supports with large pore size: Advantages of gigaporous media beyond enhanced binding capacity, Journal of Chromatography A, 1331 (2014) 69-79./pp　　[2] P.M. Kramberger P, Boben J, Ravnikar M, ?trancar, A.S.m.c.a.b. in, p.a.f.q.o.t.m. virus., J. Chromatogr. A 1144(1)./pp　　[3] W. Zhou, J. Bi, J.-C. Janson, A. Dong, Y. Li, Y. Zhang, Y. Huang, Z. Su, Ion-exchange chromatography of hepatitis B virus surface antigen from a recombinant Chinese hamster ovary cell line, Journal of Chromatography A, 1095 (2005) 119-125./pp　　[4] W. Zhou, J. Bi, J.C. Janson, Y. Li, Y. Huang, Y. Zhang, Z. Su, Molecular characterization of recombinant Hepatitis B surface antigen from Chinese hamster ovary and Hansenulapolymorpha cells by high-performance size exclusion chromatography and multi-angle laser light scattering, Journal of Chromatography B, 838 (2006) 71-77./pp　　[5] S.Q. Liang, Y.L. Yang, L.J. Sun, Q.Z. Zhao, G.H. Ma, S.P. Zhang, Z.G. Su, Denaturation of inactivated FMDV in ion exchange chromatography: Evidence by differential scanning calorimetry analysis, BiochemEng J, 124 (2017) 99-107./pp/p

日前，中国科大极地环境研究室教授谢周清课题组发现，生物质燃烧影响城市PM10的蛋白质含量，研究成果近日在线发表在英国《大气环境》杂志上。　　空气中存在许多液态或固态微粒悬浮物，被称为气溶胶，直径在10微米以下的可吸入颗粒物叫PM10。其中，生物气溶胶是当前全球变化和公共健康关注的研究热点之一，其浓度一般用大气中总蛋白质含量来表示。由于汽车尾气能改变一些生物气溶胶的化学结构，使其成为能导致严重过敏反应的过敏原，这被认为是近年来城市中哮喘等过敏性疾病发病率升高的一种可能原因。　　谢周清课题组对2008年6月至2009年2月在合肥市采集的PM10进行了总蛋白质以及微量元素和水溶性离子成分的分析研究，发现城区PM10中总蛋白质的含量范围在每立方米2.08～36.71微克，平均值为每立方米11.42微克，明显高于目前世界上3个地区公布的数据——美国北卡罗莱纳州、洛杉矶和人口密度较大的墨西哥城的含量分别为每立方米0～0.2微克、1.0～5.8微克、0～2.54微克。　　论文第一作者康辉博士介绍，合肥城区大气中蛋白质含量呈明显的季节变化：夏季最低，每立方米2.08微克 从夏季到秋季含量逐渐增加，11月达到峰值，每立方米36.71微克。PM10中蛋白质的浓度与采样期间的降雨量呈相反的变化趋势，且秋冬季多雾天蛋白质的浓度和大气污染指数都呈现高值。　　除气象因素外，PM10中蛋白质浓度的变化与空气污染指数和平均可见度分别呈显著的正相关和反相关关系。通过进一步对2008年9月到2009年1月期间出现高含量蛋白质的原因进行探讨，研究人员发现，PM10总蛋白含量与代表生物质燃烧影响的水溶性钾离子以及代表人为污染影响的硝酸根显著相关。9～11月是合肥地区的农作物收获季节，除动植物和人为排放影响外，生物质燃烧可能是PM10蛋白质含量增大的重要原因。　　审稿人认为“这是一项迫切需要的研究工作”，并指出“这份数据独一无二，对评估城市大气污染有重要价值，特别是为理解人体健康的风险评估作出了贡献”。

因在病原菌和宿主相互作用分子机制研究方面取得一系列原创性成果，北京生命科学研究所高级研究员、中国生物化学与分子生物学会蛋白质专业委员会委员邵峰博士日前获得了蛋白质学会颁发的青年科学家奖。北京生命科学研究所高级研究员中国生物化学与分子生物学会蛋白质专业委员会委员邵峰博士　　邵峰通过研究致病细菌如何通过调节宿主细胞的多层信号通路而逃避其免疫反应的机理，获得了几个关键的科学发现。比如，发现了导致Rho GTP酶从宿主细胞膜上脱离的一个半胱氨酸蛋白水解酶家族，以及几个影响泛素信号转导的细菌因子等。基于这些重要科学发现，蛋白质学会决定将2013年的青年科学家奖授予邵峰。　　蛋白质学会于1985年成立，致力于推动国际蛋白质科学的研究和发展，是生命科学研究领域的权威国际学术组织之一。国际蛋白质学会在1989年开始设立青年科学家奖(此前名为The Irving Sigal Young Investigator Award)，每年颁奖给一位处于独立科研生涯早期已在蛋白质研究领域作出重要贡献的科学家。邵峰博士是首位获得此项殊荣的中国本土科学家，这反映了中国在蛋白质科学领域日趋上升的国际影响力。

2019年11月26日，刊登在Nature communication上的研究报告指出，一种与T淋巴细胞结合的抗体衍生物，重新定向T淋巴细胞以溶解肿瘤细胞。T细胞的免疫疗法正在改变当前癌症治疗的前景。但是，缺乏合适的靶抗原，将这些策略限制在极少的肿瘤类型上。在这里，本文报道了一种T细胞结合抗体衍生物，该衍生物分为两个互补的半部分，并针对抗原组合而不是单个分子。现在，每半个部分都是半抗体，包含与抗CD3抗体的可变轻链(VL)或可变重链(VH)融合的抗原特异性单链可变片段(scFv)。当两个半抗体同时在单个细胞上结合各自的抗原时，它们会对齐并重组原始CD3结合位点以与T 细胞结合。本文表明，通过这种方法，T淋巴细胞可专门消除双重抗原阳性细胞，同时保留单个阳性癌旁细胞。这使不适合当前免疫疗法的精确靶向治疗成为可能。抗癌单克隆抗体代表了现代药物治疗中增长最快的领域之一。在临床前和临床研究中目前列出的数百种治疗性抗体和抗体衍生物中，有一些脱颖而出，其重点是将细胞毒性T淋巴细胞重新靶向恶性细胞。其中，最先进的是将嵌合抗原受体(CARs)转染到T细胞和双特异性T细胞结合抗体(BiTE)，两者均使用单特异性单链可变片段(scFv)作为靶向装置。总的来说，这些抗体衍生物所针对的靶分子是存在于恶性细胞及其未转化的对应物上的分化抗原，它们的结合常常引起严重的，甚至致命的不良事件。由于适用于基于抗体疗法的真正的肿瘤特异性抗原很少见，因此本文在这里研究一种组合方法，该方法可以解决由某些类型的白血病或淋巴瘤，实体癌和其他来源的癌干细胞异常表达的抗原组合。此外，鉴于结合T细胞疗法的临床有效性，本文以双重抗原限制的方式重定向T淋巴细胞以裂解肿瘤细胞。半抗体消除体内已建立的肿瘤为了测试半抗体的潜在治疗适用性，对免疫缺陷的NOD/SCIDγ(NSG)小鼠进行了体内免疫接种。在第1天接种萤光素酶基因标记的THP-1肿瘤细胞。在第1、22和28天，尾静脉接种HLA-A2阴性的CD4和CD8供体T淋巴细胞。在第7天植入肿瘤细胞后，每天皮下分别注射：盐水、单个半抗体、两个半抗体的组合及这是双特异性T细胞结合抗体(BiTE)对照。直到第39天。为了研究半抗体是否可以相互发现以实现靶标功能互补，将构建体彼此分开注射在较远的位置，一个在颈部，另一个在后肢上。尽管所有接受盐水或单个半抗体的小鼠疾病发展迅速，并在53天内达到了安乐死的标准，但用两个半抗体对或BiTE对照治疗的小鼠却排斥了已建立的肿瘤（下图a）。接受半抗体对或BiTE对照的小鼠的总生存期显著延长。上图：体内高精度靶向癌细胞a.通过IVIS Lumina XR实时生物发光成像，每周评估一次荧光素酶基因标记的THP-1肿瘤细胞的生长b.每天监测生存期，直到第110天半体技术的组合性质为特异性治疗开辟了新的领域。它可能选择性消除不适合当前免疫疗法的人类癌症，并且与旨在增强对靶标亲和力的其他双重或三重抗原特异性策略大不相同。尚不清楚半抗体是否会诱导细胞因子释放综合征，这是双特异性T细胞结合抗体(BiTEs)或针对抗原（例如CD19）的CAR-T细胞的主要缺陷。在这种情况下，甚至用半抗体处理单个靶分子也是合理的，以便将T细胞活化专门限制在肿瘤部位，同时减少血管内T细胞活化和全身细胞因子分泌。 综上所述，本文研究的半体技术将成为用于组合高精度免疫靶向以消除恶性细胞及其他恶性肿瘤的通用平台。

大家好，本周为大家分享一篇发表在J Proteome Res.上的文章，Systematic Identification of Proteins Binding with Cisplatin in Blood by Affinity Chromatography and a Four-Dimensional Proteomic Method，该文章的通讯作者是华中科技大学药学院的杜支凤教授。以顺铂为代表的铂类抗癌药物广泛应用于治疗多种癌症肿瘤，如胃肠道癌、头颈部癌和卵巢癌等。在静脉滴注后，这些药物水解形成活性分子，与DNA结合并抑制DNA链的合成与复制，最终致使细胞死亡。然而，由于铂与硫醇的高亲和力，大多数铂在静脉注射后会与血液中的蛋白质结合；例如，人血清白蛋白 (HSA) 是含量最丰富的血清蛋白，也是血液中铂类药物的主要结合蛋白；另外，在红细胞中负责运输氧气的血红蛋白 (HB) 也被发现与铂结合，因此，有必要研究铂类药物在血液中的蛋白结合行为。先前的研究已经证明，利用质谱方法可以实现对高丰度蛋白质的可靠鉴定；然而，由于高丰度蛋白的干扰，占总蛋白的 80% 以上的低丰度蛋白则很少被鉴定。此外，由于缺乏足够信息，以及在胰蛋白酶消化过程中还原和烷基化剂的使用导致蛋白上的铂化位点无法被确定。更重要的是，目前排除假阳性结果的唯一方法是根据铂化肽的特征同位素模式，人工对比理论同位素和实验同位素，从而导致鉴定过程非常耗时并且具有较强的主观性。因此，有必要开发一种可靠、高效的方法来鉴定血液中铂类药物的结合蛋白质组。在血液蛋白质组学研究中，免疫亲和层析常用于消耗高丰度蛋白并富集低丰度蛋白。它有利于低丰度蛋白的鉴定和定量，从而可以提高血液中的蛋白质组覆盖范围。除了色谱分离外，离子淌度质谱 (IM−MS) 根据离子的迁移率差异进行分离，同样有助于低丰度蛋白质的分析。在金属化蛋白的鉴定中，金属化肽和游离肽的同位素分布模式明显具有差异，这有助于确定这些肽是否与金属药物结合。已经开发了一些数据处理软件程序来自动分配金属药物在已知蛋白质上的结合位点，如智能数字注释程序 (SNAP) 算法和 Apm2s 。本文结合高丰度蛋白分离和4D蛋白质组学方法 (IM-MS) ，系统、全面地鉴定了血液中顺铂的结合蛋白，并利用铂化肽的特征同位素模式和相似性算法来消除假阳性的识别。如图1所示，首先用超滤去除游离药物，然后使用多亲和去除柱分离血液样本中的高丰度和低丰度蛋白；用FAIMS Pro界面的nano-LC−MS/MS进行消化和分析；用MaxQuant对铂化的多肽和蛋白进行鉴定，用相似性算法Apm2s排除假阳性结果。在此基础上，采用基于平行反应监测 (PRM) 的方法测定了血浆中多肽与顺铂的结合率。本研究为系统鉴定血液中金属药物的结合蛋白提供了一种新方法，鉴定出的蛋白可能有助于了解铂类抗癌药物的毒性。图1 铂化蛋白的分离和鉴定以及用蛋白质组学方法测定顺铂与多肽之间的结合率的示意图本研究采用顺铂与人血浆的反应混合物建立了一种分析方法。为了与文献进行比较，样品的制备方法与文献中的制备方法相同1。选择CID作为碎裂方式，结果表明，从低丰度部分共鉴定出212个蛋白，从高丰度部分共鉴定出169个蛋白。在低丰度部分，共鉴定出1192个游离肽和208个铂化肽。其中，154个铂化肽被排除为假阳性结果，如文中表S1所示。高丰度部分的游离肽数和铂化肽数分别为1124个和169个，其中，144个铂化肽被排除为假阳性，如表S2所示。低丰度结合蛋白的鉴定在以往的研究中，由于高丰度蛋白的干扰，很少发现低丰度蛋白与铂的结合。本研究在高丰度蛋白被消耗后，从29个蛋白中共鉴定出54个铂化肽。APOA4中铂化肽的理论和实际质谱如图2所示，前体离子和铂化产物离子表现出特征的同位素峰。图片显示了关键的碎片离子的质谱图，用于分配铂化位点。在鉴定出的铂化蛋白中，CERU、FETUA、ITIH1和B4E1Z4有4个或更多的含铂肽，这表明铂可以与这些蛋白质的多条肽段结合。虽然低丰度蛋白只占血液中蛋白的一小部分，但它们具有非常重要的功能，对于维持正常生理活动不可或缺。例如，CERU可以将Fe2+氧化为Fe3+，并在铁代谢中发挥重要作用；B4E1Z4与补体激活相关。顺铂与这些蛋白的结合是否会对其功能产生影响仍有待进一步研究。图2 从低丰度蛋白部分鉴定出的铂化蛋白APOA4。(A)铂化肽的理论（左）和实验质谱（右）；(B)铂化肽的MS/MS和指示铂化位点的关键碎片离子的质谱图高丰度结合蛋白的鉴定IGHG1中一个铂化肽的理论和实验质谱如图3所示，其前体离子和铂化产物离子表现出特征同位素峰。根据关键的碎片离子确定了铂化位点。在已鉴定的蛋白中，ALBU（白蛋白）和CO3（补体C3）有4个或更多的含铂多肽。HSA负责血液中药物和小分子的运输，CO3在补体系统的激活中起着重要作用。高丰度蛋白与顺铂的结合已被用于提高肿瘤化疗的疗效和选择性，而新发现的高丰度结合蛋白有助于相关研究。与低丰度组分鉴定的铂化蛋白相比，大部分与低丰度组分蛋白不同，两个组分中仅共同检测到FETUA和CFAH作为铂化蛋白，这表明亲和层析对高丰度蛋白和低丰度蛋白的分离效果较好。图3 从高丰度蛋白部分鉴定出铂化蛋白IGHG1。(A)铂化肽的理论（左）和实验质谱（右）；(B)铂化肽的MS/MS和指示铂化位点的关键碎片离子的质谱图IM−MS分离铂化肽异构体如图4所示，通过nano-LC−IM−MS/MS成功分离了低丰度蛋白组分中FETUA的铂化肽异构体。同分异构体a和b是典型的铂化肽，由质谱图的同位素模式显示，它们被很好地分离。它们的MS/MS不同，根据关键碎片离子，异构体a和b的铂化位点分别被划分为M和H/T。这个例子显示了IM−MS对复杂样品的分辨能力。图4 用nanoLC−IM−MS/MS分离的低丰度蛋白组分中FETUA的铂化肽异构体。(A)m/z=764.67提取离子色谱和异构体a、b的质谱，理论质谱见中间；(B)异构体的MS/MS和关键碎片离子的质谱图结合蛋白的铂化位点在本文的两项研究中，His 和 Met 是首选的铂结合位点。此外，D、E、S和Y也被发现是铂结合位点。这也是合理的，因为血清蛋白的供氧氨基酸已被证明是顺铂的动力学首选结合位点。很少有Cys残基被鉴定为结合位点，这可能是由于没有还原和烷基化。肽的半胱氨酸常形成二硫键，不经还原和烷基化就无法识别，因此，序列覆盖率会很低。在未来的研究中，应使用替代还原剂来提高肽序列覆盖率。生物信息学分析 为了揭示铂化蛋白质的定位、功能和途径，将从高丰度和低丰度部分中鉴定的蛋白质组合起来并通过生物信息学工具进行分析。如图5A所示，GO分析表明大部分结合蛋白位于细胞外区域，发挥蛋白结合、金属离子结合、酶抑制剂等功能；因此，镀铂蛋白的定位证实了鉴定的可靠性。此外，这些蛋白质参与内肽酶活性、免疫系统过程、补体激活、炎症反应和凝血的负调节。为了阐明所涉及的途径，对鉴定的蛋白质进行了KEGG途径富集分析，结果表明最显着的富集途径是补体和凝血级联途径（图5B）。补体和凝血级联途径已被证明在造血干/祖细胞的动员中发挥关键作用，这对造血具有重要意义。顺铂的血液学毒性与其在补体和凝血级联途径中与血液蛋白的结合之间的相关性值得进一步研究。图5 (A)通过GO 分析确定的铂化蛋白的定位、分子功能和生物学过程；(B)铂化蛋白的富集途径血液蛋白与顺铂的结合率 由于未检测到一些铂化肽的游离形式，因此仅使用高丰度组分中的13种肽进行亲和力研究。可靠地计算了属于五种蛋白质的六种铂化肽的结合率。PRM分析中这些肽的信息见表S5，定量结果见图6。其中，富含组氨酸的糖蛋白的一种肽与顺铂的结合率最高，这可能是由于顺铂对含组氨酸和带负电荷的生物分子的高亲和力。Apoa1 蛋白的一个肽与顺铂的结合率最低。在本研究中可以确定结合率的铂化肽数量较少，这主要是由于某些肽的质谱响应低以及某些肽存在氧化形式。因此，这些肽的结合比率不能通过 PRM 方法确定。然而，与以往的研究相比，根据属于同一蛋白质的肽的质谱计数粗略估计某种蛋白质的丰度，这种方法可以更准确地确定高丰度肽与铂的结合率。图6 根据PRM分析多肽与顺铂的结合亲和力顺铂与血液蛋白的结合与其药代动力学、活性、毒性和副作用密切相关。然而，血液蛋白质组的复杂性限制了低丰度结合蛋白的鉴定。在本研究中，基于亲和色谱和nanoLC-IM-MS/MS 的 4D 蛋白质组学方法被用于分离低丰度和高丰度蛋白质并分析这两个部分。基于铂化肽的特征同位素分布和相似性算法，排除了假阳性鉴定。结果，共有 39 种蛋白质被鉴定为铂化蛋白质，这比之前研究中的数量要高得多。随后的生物信息学分析表明，这些结合蛋白位于细胞外区域，主要参与内肽酶活性、免疫系统过程、补体激活、炎症反应和凝血的负调控。最显着的富集途径是补体和凝血级联，这可能与顺铂的血液学毒性有关。高丰度部分的 PRM 分析表明，富含组氨酸的糖蛋白中的肽与高丰度组分中的顺铂的结合率最高。综上所述，本研究揭示了人类血液中与顺铂结合的蛋白质组，并计算了顺铂与血液蛋白的结合率。这种方法虽然在数据分析方面比较耗时，但它可以识别复杂系统中金属药物的低丰度结合蛋白，并且可以准确测量药物与血液蛋白的结合率。

p　　蛋白质是自然界中最神秘的物质之一，几乎所有的生命活动都有它的身影。正如人有生死，生物体内的蛋白质也有出生与死亡。蛋白质的出生是一个精准的从脱氧核糖核酸(DNA)转录得到的信使核糖核酸(mRNA)进而翻译合成蛋白质的过程。当蛋白质的功能使命完成后，需要被及时降解掉(死亡)，否则，蛋白质过早或者过晚降解均会导致其功能失常，进而导致“阿尔兹海默综合征”、“克雅士病”等多种疾病的产生。/pp　　泛素-蛋白酶体途径是真核生物最重要的蛋白质降解途径。在这个途径中，蛋白质被特异进行泛素标记(即泛素化修饰)，进而被送到蛋白酶体进行降解。该途径是一种能量(ATP)依赖的特异、高效的蛋白质降解途径, 发现该途径的三位科学家阿龙· 切哈诺沃、阿弗拉姆· 赫尔什科与欧文· 罗斯共享了2004年诺贝尔化学奖。在此途径中，泛素连接酶发挥了“扳机”似的重要作用，特异地进行底物蛋白质的识别，并启动后续的降解过程，是打开蛋白质死亡之门的钥匙。然而由于泛素连接酶与底物蛋白质间的低亲和力，至今尚无有效的高通量的实验鉴定方法。/pp　　近年来，生物大数据的积累使得我们有望利用知识挖掘思想对这一问题进行理论探索。军事科学院国家蛋白质科学中心贺福初院士、李栋研究员团队对泛素连接酶与底物的相互作用涉及的蛋白质网络、蛋白质结构和序列等多个层面的生物大数据开展了系统分析，给出了3856对潜在的介导泛素连接酶与底物相互作用的结构域组合，鉴定了底物蛋白序列上10480个潜在的泛素连接酶识别特征，发现了泛素连接酶与底物在生物学网络中倾向于形成特定的拓扑性质。进而基于这些特征发展了首个人类泛素连接酶-底物相互作用的预测和展示系统(UbiBrowser，http://ubibrowser.ncpsb.org)。该项研究有助于人们从多个角度认识泛素连接酶对底物的调控作用，发现两者之间的选择关系，并进而掌握开启蛋白质死亡之门的“钥匙”。/pp　　本项研究也是贺福初院士、李栋研究员团队利用生物大数据挖掘生物学知识的再次成功尝试。2008年，该团队整合基因组上下文等生物学特征，成功进行了蛋白质相互作用可靠性评估(Molecular & Cellular Proteomics, 2008, 7: 1043-1052)。2009年，该团队利用结构域预测了蛋白质组尺度内相互作用蛋白间的信号流走向(Molecular & Cellular Proteomics, 2009, 8: 2063-70)。2013年，该团队利用logistic回归方法，整合蛋白质功能等多层次生物学证据，对蛋白质组尺度的自相互作用蛋白进行了系统挖掘 (Mol Cell Proteomics, 2013,12:1689-700)。近年来，在国家科技部”中国人类蛋白质组计划”重点专项项目的支持下，该团队致力于通过整合深度学习等数据分析算法，以生物医学知识图谱为核心，构建面向生物医学大数据知识智能发现的“高速公路”。/pp　　本项研究8月24日发表在国际著名的《自然》子刊《自然?通讯》(Nature Communications)上，共同第一作者是军事科学院国家蛋白质科学中心李杨博士、卢亮博士和首都医科大学谢萍副教授。贺福初院士和李栋研究员为共同通讯作者。该工作得到国家国际科技合作专项、精准医学重点专项和国家自然科学基金的支持。/ppbr//p

引言准确预测蛋白质-配体(在本文的语境中，配体意指小分子有机化合物)的结合构象是计算生物学中的一项重要任务。一方面，它有助于人们理解蛋白质与内源小分子或药物分子的互作机制。另一方面，在药物设计或药物筛选(无论是单个蛋白-多个配体的正向筛选，还是单个配体-多个蛋白的逆向筛选)的过程中，也离不开对复合物构象的准确预测：这是准确计算蛋白质-配体结合稳定性(亲和力)的必要条件。对于给定蛋白和给定配体分子，依据是否已知结合口袋(也称配体结合位点)可以将复合物构象预测任务分为两类：口袋未知的盲对接(blind docking)任务和口袋已知的局部对接(local docking)任务。其中，盲对接任务是更普遍的、更富有挑战性的任务。在传统的对接流程中，这一任务又被划分为几个子任务：先借助口袋搜索算法确定可能的结合位点(即，转化为局部对接任务) 再利用构象生成(采样)方法生成大量可能的复合物构象，并依据打分函数评价各个构象(即，进一步确定配体的位置、朝向，以及各个键对应的扭转角) 挑选出打分值最优者作为最终结果。但是，对接过程面临着打分函数不够准确、构象搜索空间巨大导致计算耗时过长等挑战。比如，对于后者，文献[1]计算结果表明：对于单个配体复合物的盲对接任务而言，借助GNINA和Glide这两款传统的对接软件，生成百万量级的复合物构象并从中挑选最优者，平均耗时分别约为150 s和1500 s。在巨型分子库的(如ZINC 15数据库，含有约数十亿个化合物分子[2])虚拟筛选过程中，使用传统方法逐一对接每个分子在计算速度上是不可接受的。而数据驱动的机器学习方法为优化各个子任务的准确性和计算效率带来希望。此外，同样基于机器学习方法，部分研究者发展出“端到端”的、更为直接的对接流程：训练一个拟合自由能面(free energy landscape)的模型，无需将原有的对接任务划分为多个子任务，以蛋白质与配体的三维结构为输入，输出即为可能的复合物构象。参照Anfinsen提出的蛋白质折叠热力学假说，可以设想：如果存在一个能量函数，能够将复合物在三维空间下的所有状态映射到它对应的自由能，那么可以将复合物构象预测问题转化为该能量函数的最优化问题[3]。这是机器学习拟合自由能面的出发点。与传统的对接方法相比，这样的方法也同样可能在准确性和计算效率等指标上得到提升。本文将针对口袋搜索、构象生成、打分函数、自由能面建模这四个方向：整理相应的评价体系，包括常用的评价指标或测试集 挑选并简要介绍部分具有代表性的机器学习模型 结合模型评估实验讨论当前模型或评价体系存在的不足以及未来可能的发展方向。1.机器学习口袋搜索 1.1 评价体系目前存在两种描述蛋白质-配体结合口袋的方式。其中一种方法借助蛋白质表面的点云(surface points)来描述。这种方法被称作以配体为中心(ligand-centric)的方法。另一种方法则借助蛋白质上的原子来描述，那些蛋白质上的、与配体重原子距离小于一定阈值的重原子被定义为配体结合原子。这种方法被称作以蛋白质为中心(protein-centric)的方法。这两种描述方法相应地衍生出两类评价指标。对于前者，通常以配体原子中心距(预测的口袋中心与配体任意原子的距离，distance between the center of the predicted site to any atom of the ligand，DCA)、配体中心距(预测的口袋中心与配体中心的距离，distance between the center of the predicted site to the center of the ligand，DCC)、体素交并比(预测的口袋体积与配体所占据的空间体积的交并比，discretized volume overlap，DVO)等指标来衡量[4][5]。直观上，在这三个指标中：DCA最为宽松(只需大致判断配体位置)，DCC更为严格(额外考察了配体大小)，DVO最为严格(额外考察了配体构象)。但在多数文献中，常使用DCA和DCC这两个指标，并以4 Å作为预测成功与否的阈值[4]。对于后者，Yan等人以原子水平的交并比(Intersection over Union)来衡量[6]。具体地，计算预测的配体结合原子与标注的配体结合原子的交集与并集的比值。这也是机器学习目标检测任务中的常用指标。1.2 模型方法目前发展的大多数口袋搜索算法，都是以搜索蛋白质表面点云为目标。例如Krivák等人于2015年提出的P2Rank[7]：刻画蛋白质Connolly点云中各个点的物化特征，并使用随机森林模型对每个点进行可靶性预测，最后对点聚类得到口袋预测结果。以DCA为评价标准，P2Rank在多个数据集上表现优于传统方法Fpocket。Krivák等人后续还提供了P2Rank的网络服务[8]，并对多种方法口袋搜索方法进行了更加全面的总结和比较，其中包括Jiménez等人于2017年开发的、使用3D网格(体素)刻画结合位点的DeepSite[9]。值得一提的是，在Krivák等人的结果中(测试数据集为COACH420、HOLO4K，评价指标DCC)，DeepSite表现不及Fpocket 而在Jiménez等人的结果中(测试数据集CHEN251，评价指标DCC、DVO)，DeepSite表现显著优于Fpocket。最近，Yan等人另辟蹊径，以鉴定蛋白质上的配体结合原子为目标，发表了PointSite方法[6]，并声称其在多个数据集上(包括COACH420、HOLO4K、CHEN251等等，以原子水平的交并比为评价指标)取得了SOTA。Yan等人将口袋搜索问题转化为计算机视觉领域的点云分割问题 此处的点以蛋白质上的原子表示，以充分挖掘原子之间的键连特征。此外，作者还指出：将PointSite方法引入到其它口袋搜索方法如FPocket、P2Rank中(具体而言，使用点云分割的结果对后者的预测结果进行过滤)，可以进一步提升配体结合位点的鉴定效果。1.3 讨论从以上几种方法的评估实验中可看出，模型在不同测试数据集上的相对表现可能存在差异，因此需要建立一套统一的、合适的数据集进行测试。另外，在训练数据集的准备过程中，将未鉴定到配体结合的位点直接划分为负样本也值得考量。2.2在具体使用建议上，最近有研究将口袋搜索方法引入到完整的对接流程中[10][11]，相较于FPocket、P2Rank等方法，PointSite表现最优。　　2. 机器学习构象生成 2.1 评价指标对于构象生成模型而言，需要考察所生成构象的多样性和准确性，由此分别衍生出两类指标：覆盖率(COV，coverage)和匹配程度(MAT，matching metrics)。针对测试集中的每一个构象：查看是否能够在生成的构象集合里找到RMSD值小于给定阈值的构象(如果能，则表示该模型能够覆盖当前测试构象)，可以计算得到覆盖率 计算生成的构象集合与当前测试构象的最小RMSD值，取平均可以得到匹配程度的值。以上是从测试集的角度衡量模型表现(召回率) 相应地，将测试集构象与生成集构象在计算中对调，则可判断模型的准确率。目前常见的测试数据集包括GEOM-QM9和GEOM-Drugs[12]。2.2 模型方法构象生成模型沿着两个思路发展：直接生成各个原子的3D坐标 先生成原子对距离、二面角等中间参数，再将分子3D坐标还原。对于前者，技术难点在于保证模型对于输入分子的旋转-平移不变性(整体改变分子坐标，得到的构象是相同的，也即对齐过程)。对于后者，则可能生成不合法的中间参数(比如违反三角几何关系)，或者中间参数的误差在训练过程中不断累积，影响分子3D坐标重构，需要进行后续的力场优化 但这是目前大多数方法所选取的道路。此处简要介绍最近发展的GeoDiff模型[13]和DMCG模型(Direct Molecular Conformation Generation)[14]。Xu等人于2022年提出GeoDiff，使用扩散模型直接生成原子坐标。GeoDiff在GEOM-Drugs数据集上测试集覆盖率可达约89%、匹配程度约0.86 Å，并且经过力场优化之后可以进一步提升模型表现。作者指出：在逆向扩散过程中(生成过程)，如果某一时刻T的密度函数具有旋转-平移不变性，且逆向生成的条件概率函数具有旋转-平移不变性，则T时刻以前任意时刻的密度函数也具有旋转-平移不变性。同年， Zhu等人提出基于变分自编码器的DMCG模型，在GEOM-QM9和GEOM-Drugs数据集上均取得最优(对于后者，覆盖率约96%，匹配程度约0.70 Å)。作者指出：模型除了满足旋转-平移不变性外，对于对称结构还应当满足置换不变性(交换对称原子的坐标，得到的构象是相同的)。为此，计算任意旋转-平移操作以及对称原子置换操作下的两个结构的距离最小值，并将其引入损失函数中，以满足以上两种不变性。消融实验表明，如果不考虑这一项损失，则覆盖率将下降约20个百分点，匹配程度将提高约0.3 Å。2.3 讨论今年3月，Zhou等人[15]基于RDKit设计了一种简单的生成算法：使用RDKit分别采样二面角、采样几何片段、采样能量并生成相应的构象，随后按照能量大小进行聚类。在GEOM-QM9和GEOM-Drugs两个数据集上，与GeoDiff、DMCG等深度学习方法相比，该算法几乎在所有指标上取得SOTA。作者认为，目前的测试基准不足以覆盖实际应用中(如分子对接中)涉及的构象生成任务。　　事实上，生成足够的分子构象不会降低测试构象集上的匹配程度和覆盖率(召回率)，但可能降低生成构象集的相应指标(查准率)。而Zhou等人(包括Zhu等人的DMCG)并未在文中给出关于后者的模型评价，因此模型的实用性仍有待考察。另外，目前的构象生成方法均以单个配体的势能极小值作为优化目标，针对(已知口袋的)复合物中配体的构象生成模型仍有待开发。最后，GeoDiff模型与DMCG模型的发展也启示我们挖掘任务目标中蕴含的性质(对称性、不变性)，在模型训练中引入合适的归纳偏置。　　3. 机器学习打分函数3.1 评价指标Su等人[16]于2019年建立了一套打分函数的基准测试数据集CASF-2016。CASF-2016及其前身CASF-2013已被广泛用于评估打分函数的表现。同时，Su等人设计了四类指标分别考察打分函数的打分能力、排名能力、对接能力和筛选能力。打分能力通常以Pearson相关系数来衡量：考察天然蛋白复合物的计算打分值与实验结合常数的对数之间的线性相关性。排名能力通常以Spearman等级相关系数或Kendall等级相关系数来衡量：对于同一蛋白、不同配体的多个天然蛋白复合物结构，考察计算打分值给出的排名与实验结合常数给出的排名之间的匹配程度。对接能力以对接成功率衡量：对于单个复合物，在天然配体结合构象和一系列计算生成的诱饵分子构象(decoy)中，若计算打分最高者与真实结合构象的RMSD小于2 Å，则认为对接成功 对于多个复合物，进一步计算对接成功率。筛选能力以筛选成功率衡量：在天然配体和一系列其它配体分子中，计算打分前1%(5%、10%)结果里包含天然配体的比例。由此可见，打分能力直接以实验数据作为参考，是评估打分函数是否可靠的基本测试。排名能力是对打分能力的补充。打分能力越好，排名能力通常也越好 反之则未必成立(存在对实验结合常数进行非线性拟合的打分函数)。对接能力测试将计算生成的构象引入测试集中，因此更贴近实际对接操作、对于打分函数的选择更具参考意义。需要指出的是，对接能力测试给出的结果通常只能代表该打分函数的对接能力上限，在CASF-2016的测试中可能呈现分数虚高的情形(在测试中能够以90%的成功率在top-1中挑选出天然配体构象，但在实际应用中却不能达到这一表现)。这主要归结于实际应用中计算生成的构象不够充分。筛选能力涉及多种配体的对接，因此可视为对排名能力和对接能力的综合考察。3.2 模型方法针对打分函数的机器学习方法，前人已给出详尽的综述[17][18][19]。本文将展开介绍经典的ΔVinaRF20打分函数[20]，以及最近发展的DeepDock[21]和RTMScore[22]。ΔVinaRF20由Wang等人于2016年提出，在CASF-2013、CASF-2016测试集上的各指标中均排名靠前[16][20]。具体地，在CASF-2016测试集上，ΔVinaRF20在打分能力和排名能力两个指标上分别以0.82和0.75取得最优，在对接能力上以89.1%(top1)仅次于Autodock Vina(90.2%)，在正向筛选能力以42.1%(top1)取得最优、逆向筛选能力以15.1%(top1)位居第五(次于最优方法ChemPLP@GOLD约2.4%)。Wang等人指出：机器学习打分函数与经典的打分函数在这些指标中各有所长，前者长于打分，后者长于对接和筛选。因此作者拟结合二者优点：一方面对训练集进行数据增强，将计算生成的诱饵结构引入训练集中(同时计算估计亲和力作为标签)，以提高机器学习打分函数的对接和筛选能力 另一方面使用随机森林方法对AutoDock Vina中的打分函数进行参数化修正(使用Δ-machine learning方法，类似残差拟合)。Méndez-Lucio等人于2021年提出的DeepDock方法在CASF-2016的正向筛选和逆向筛选能力评估中分别以43.9%和23.9%取得SOTA，但DeepDock给出的打分值与实验结合常数的对数之间不存在相关性(在训练过程中未引入实验结合常数的相关信息)。DeepDock方法使用二维分子图刻画配体、多面体网格点刻画蛋白质口袋(参考了MaSIF的编码框架[23])，分别学习蛋白质口袋与配体原子的节点表示 随后两两组合配体和靶蛋白的节点形成节点对，使用混合密度函数拟合节点对的距离分布(概率密度函数)。作者指出：相较于通过最小化距离误差来学习节点对距离的平均值，混合密度函数能够学习训练集中节点对多个可能的距离，从而更好地刻画构象预测任务中的多值特性。在DeepDock的基础上，Shen等人从两方面进行改进得到RTMScore：一方面，使用无向图编码蛋白质口袋残基，在编码过程中满足对于输入复合物坐标的旋转不变性 另一方面使用Graph Transformer模型以学习更深层次的特征。作者声称RTMScore在CASF-2016测试集上的对接能力和筛选能力达到SOTA，相较DeepDock得到大幅提升：对接成功率达到98.6%，正向筛选成功率达73.7%，逆向筛选成功率达38.9%。3.3 讨论DeepDock等方法的发展展现了图模型在捕获蛋白质-配体互作的潜力，以及直接拟合蛋白残基-配体原子距离似然函数的有效性。事实上，距离似然函数不仅能作为打分函数评估当前构象，还能够作为某种“势能面曲线”指导构象优化。此外，这些新近提出的DeepDock等方法有待更广泛的测试验证。在其它论文的评估实验中[24]，RTMScore在对接能力中依旧表现最优。但考虑到缺少打分能力、排名能力等测试数据，后续仍需要更多的测试评估(尤其是将打分函数整合到完整的对接流程中)以验证这些方法的可靠性。　　4. 机器学习自由能面4.1 评价体系拟合自由能面的模型直接处理盲对接任务，生成复合物构象。其中存在两类评价指标。一类指标评估计算准确性。通常以预测复合物(如果模型给出多个可能的构象，则选取打分值top-1者)中配体重原子RMSD小于2 Å所占的比例来衡量模型对接能力。一般以2 Å作为对接成功与否的判断阈值[10]。还有通过配体质心距离小于2 Å(或5 Å)所占的比例来考察模型是否能够找到正确的结合口袋。此外，为判断生成的配体构象在化学上是否合理，Corso等人额外考察了配体构象中存在位阻冲突(steric clash，配体内部重原子之间的距离是否小于0.4 Å)的比例。另一类指标评估计算效率 这在大型分子数据库的虚拟筛选过程中同样不可忽视。以对接一个分子所需的平均CPU(如果可能，使用并行加速)或GPU时间来衡量。4.2 模型方法拟合蛋白质-配体自由能面的机器学习方法最近得到逐步发展，代表性的方法包括EquiBind[1]、TANKBind[25]、DiffDock[10]。Stärk等人于2022年提出基于图几何深度学习的EquiBind方法，在机器学习方法直接预测蛋白质-配体结合构象这一问题中做出开创性贡献。该方法以随机的配体分子构象(比如使用RDKit生成的构象)作为输入，无需经过大规模的构象采样即可在约0.1 s的时间内给出复合物结构。由此给出的结构在寻找结合口袋的能力上与传统方法(如QuickVina-W)相当(配体质心距小于2 Å的比例均约40%)，但在配体结合构象的预测上却表现不佳(配体RMSD小于2 Å的比例约6%，不及QuickVina、GLIDE等方法所达到的约20%)。虽然可以在该结构的基础上结合传统方法进一步微调配体位置和构象，但将增加预测所需的时间成本至数十秒或数百秒。同年，Lu等人提出TANKBind。相较于EquiBind，在保留推理速度(约0.5秒)的同时，TANKBind在配体构象预测上取得和传统方法相当的结果(配体RMSD小于2 Å的比例约19%)，口袋预测能力则获得较大提升(配体质心距小于2 Å的比例约56%)。不同于EquiBind对整个蛋白质进行编码的方法，TANKBind采用P2Rank寻找口袋位置，随后针对该位置的蛋白质区块(由半径20 Å内的残基构成)，拟合蛋白质残基与配体原子的距离。此外，受AlphaFold2的启发，TANKBind将三角几何约束引入残基与配体原子的距离建模中。消融实验表明，三角几何约束可以显著提升模型表现：配体RMSD小于2 Å的比例提升约15%，配体质心距小于2 Å的比例提升约12%。同年十月， Corso、Stärk等人提出DiffDock模型。该模型在对接准确性上首次实现了对传统对接模型的大幅超越。在holo态的蛋白晶体对接结果中，配体重原子RMSD小于2 Å所占的比例可达到38.2%，约为传统方法的两倍。这一结果对应于40次采样，消耗计算时间约40秒。与DeepDock想法类似，DiffDock使用生成模型来学习构象的概率分布并建立了一套相应的“扩散”方法(构象采样方法)。4.3 讨论今年2月，Yu等人[11]重新设计实验，考察了DiffDock等机器学习模型在盲对接任务中的哪一阶段领先传统方法、领先到何种程度。作者将盲对接任务拆分为口袋搜索和局部对接两个子任务，设计了三组实验：完全使用DiffDock等模型完成盲对接 使用其它方法搜索口袋(如前文所述的PointSite、P2Rank)，使用Uni-dock[26](一种基于AutoDock Vina 1.2的GPU加速对接方法)局部对接 使用DiffDock搜索口袋，使用Uni-dock局部对接。结果表明：DiffDock方法在口袋搜索中效果更佳(相较于PointSite等方法而言，引入了配体分子的结构信息)，但与ground truth、即表中的GT pocket相比仍存在提升空间 口袋确定，传统对接手段得到的结果优于DiffDock等机器学习模型。作者进一步指出：给定口袋下预测蛋白质-配体构象的机器学习方法是后续发展的方向(正如机器学习构象生成中所讨论的) 对于端到端的模型比较实验中，需要更审慎地评估传统方法的表现。另外，随着蛋白质结构预测方法的发展，评估模型在apo态蛋白质上的对接表现是有必要的，也是更符合实际情形的。事实上，目前几种模型所使用的训练集均为holo态蛋白(缺乏足够数量的与holo态对应的apo态蛋白结构)。为泛化模型的对接能力至apo态蛋白结构，通常采取折中方案：假定apo态与holo态的主链变动不大，而在模型编码过程中只使用主链碳原子的信息。DiffDock论文中首次评估了各种方法在ESMFold给出的蛋白质结构上的对接能力。结果显示，各模型的对接表现均显著下降(对于DiffDock而言，配体重原子RMSD小于2 Å所占的比例从38.2%下降至20.3%)。机器学习方法建模对接过程中蛋白质的结构变化仍然道阻且长。将分子动力学模拟过程中产生的动态信息引入模型中也许是一种可能的突破方向[27]。最后，正如AlphaFold2可作为打分函数评估蛋白质结构是否合理[3]，DiffDock等拟合自由能面的模型，其在打分函数的各项评价指标中表现如何也值得进一步探究。　　参考文献　　[1] Equibind: Geometric deep learning for drug binding structure prediction　　[2] Artificial intelligence–enabled virtual screening of ultra-large chemical libraries with deep docking　　[3] State-of-the-Art Estimation of Protein Model Accuracy Using AlphaFold　　[4] A Critical Comparative Assessment of Predictions of Protein-Binding Sites for Biologically Relevant Organic Compounds　　[5] Improving detection of protein-ligand binding sites with 3D segmentation　　[6] PointSite: A Point Cloud Segmentation Tool for Identification of Protein Ligand Binding Atoms　　[7] P2RANK: Knowledge-Based Ligand Binding Site Prediction Using Aggregated Local Features　　[8] P2Rank: machine learning based tool for rapid and accurate prediction of ligand binding sites from protein structure　　[9] DeepSite: protein-binding site predictor using 3D-convolutional neural networks　　[10] DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking　　[11] Do Deep Learning Models Really Outperform Traditional Approaches in Molecular Docking?　　[12] GEOM, energy-annotated molecular conformations for property prediction and molecular generation　　[13] GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation　　[14] Direct Molecular Conformation Generation　　[15] Do Deep Learning Methods Really Perform Better in Molecular Conformation Generation?　　[16] Comparative Assessment of Scoring Functions: The CASF-2016 Update　　[17] Machine-learning methods for ligand-protein molecular docking　　[18] Protein–Ligand Docking in the Machine-Learning Era　　[19] From machine learning to deep learning: Advances in scoring functions for protein–ligand docking　　[20] Improving scoring-docking-screening powers of protein–ligand scoring functions using random forest　　[21] A geometric deep learning approach to predict binding conformations of bioactive molecules　　[22] Boosting Protein–Ligand Binding Pose Prediction and Virtual Screening Based on Residue–Atom Distance Likelihood Potential and Graph Transformer　　[23] Deciphering interaction fingerprints from protein molecular surfaces using geometric deep learning　　[24]: A fully differentiable ligand pose optimization framework guided by deep learning and a traditional scoring function　　[25] TANKBind: Trigonometry-Aware Neural NetworKs for Drug-Protein Binding Structure Prediction　　[26] Uni-Dock: GPU-Accelerated Docking Enables Ultralarge Virtual Screening　　[27] Pre-Training of Equivariant Graph Matching Networks with Conformation Flexibility for Drug Binding　　本文作者：ZF责任编辑：WFZ

由北京大学跨院系蛋白质科学中心、日本大阪大学蛋白质研究所、国家蛋白质科学中心(上海)共同组织的首届 &ldquo 蛋白质研究前沿&rdquo 三方论坛于2015年4月23日-25日在北京大学生命科学学院101报告厅举行。这也是为庆祝北京大学蛋白质科学中心成立十周年而举行的重要活动。　　会议开始时，日本大阪大学蛋白质研究所所长Haruki Nakamura教授 (曾任国际蛋白质学会执委、日本蛋白质科学学会主席，现为日本生物物理学会及亚太地区生物物理学会候任主席)、国家蛋白质科学中心(上海)主任雷鸣研究员(现任国际蛋白质学会执委、中科院上海生物化学与细胞生物学研究所副所长、中国生物化学与分子生物学会蛋白质专业委员会副秘书长)以及北京大学蛋白质科学中心主任昌增益教授(曾任国际蛋白质学会执委、亚太地区蛋白质学会主席，现为中国生物化学与分子生物学会副理事长及蛋白质专业委员会主任委员、《中国科学：生命科学》常务副主编)分别介绍了各自单位的历史、现状和总体情况。北京大学蛋白质科学中心成立于2005年，50多位成员来自北京大学的生命科学学院、化学与分子工程学院、医学部、物理学院、工学院、分子医学研究所，北京核磁共振中心、人民医院、口腔医院。大阪大学蛋白质研究所成立于1958年，是一个在国际上享有很好声望的蛋白质研究机构。国家蛋白质科学中心(上海)是近年刚成立的附属于中科院上海生物化学与细胞生物学研究所并配有先进齐全设施的国家级蛋白质研究机构。　　来自这三个单位及会议赞助单位Malvern公司(英国)的共22个报告涉及蛋白质研究的几乎所有前沿领域，比如：蛋白质结构的X-射线晶体衍射分析、核磁共振分析、冰冻电镜分析和质谱分析 基于结构分析的药物设计 蛋白质的单分子研究及组学研究 活细胞内蛋白质标记的蛋白质修饰和蛋白质相互作用研究 蛋白质的折叠和聚集研究 与染色体维持、基因表达、肿瘤发生、细胞分裂等重要过程相关的蛋白质复合体的研究，等等。北大蛋白质科学中心的来鲁华、苏晓东、尹长城、陈兴、陈鹏、王申林等各自介绍了自己实验室科研工作的最新进展。　　在论坛闭幕式上，Haruki Nakamura所长以及来自大阪大学蛋白质研究所的Yuji Goto 教授(曾任国际蛋白质学会执委、亚太地区蛋白质学会主席)、以及昌增益教授对这次高水平论坛进行了总结。Nakamura教授希望尽快推动三个单位的学者和学生之间的交流和合作。昌增益教授希望三个单位的学者之间能鉴定出若干蛋白质研究的前沿领域并开展合作，以获得突破性研究成果。第二届三方&ldquo 蛋白质研究前沿&rdquo 论坛将于2016年(初步定于6月份)在大阪大学蛋白质研究所举行，第三届将于国家蛋白质科学中心(上海)举行。　　部分参会者合影

p style="text-indent: 2em "RedShift™ BioAnalytics公司推出了一款新型蛋白质表征平台——AQS3® PRO，这一平台结合了强大的、高度集成的自动化生物分析软件，为生物医疗行业带来了高灵敏度的光谱分析。/pp style="text-indent: 2em "用户通过这一平台可以观察浓度范围在0.1至200 mg/mL的蛋白质二级结构变化，并能进行集成性、可量化、稳定的结构检测和相似性检测，为用药的安全性和有效性提供重要支撑。它能够提供多种属性的测量，减少甚至消除了使用不同工具进行各种单一属性测量的需要。此外，AQS3pro还具有先进的自动化多样本分析功能，大大简化了生物医疗产业的分析工作流程。/pp style="text-indent: 2em "RedShift™ BioAnalytics公司的首席技术官Eugene Ma表示：“ AQS3prois是生物物理表征领域的一项重大进展——将红外光谱应用在生物医疗领域的诊断分析上。这一平台是我们内部一流研发团队与大量行业专家、学术专家倾力合作的结晶。其检测的准确性、重复性和重现性已在数百个样本中得到验证，这些样本包含有数千种尺寸量度的蛋白质。有力的数据支撑和合作伙伴的热情增强了我们对AQS3Pro的信心，我们相信这一成果具有相当大的产业化价值。”/pp style="text-indent: 2em "AQS3Pro新系统使用了RedShift™ BioAnalytics公司的微流控调制光谱学（MMS）专利技术，这一技术将针对微流体的中红外激光光谱分析与先进的信号处理相结合，对蛋白质的二级结构进行测量。它能够在0.01至200mg/mL的浓度范围内对蛋白质直接进行无需标记的测量，在生物医药研发和制造过程经常遇到的各种条件下，无需样品稀释，就可以进行样品表征。其检测是高度自动化的，其多样品检测功能、便捷化操作设置和最先进的生物分析软件进一步提升了检测流程的效率。创新而灵活的分析套件也使得光谱数据的常规分析高度自动化，其先进的检测分析工具能够方便地获得样品的结构性变化，并对这些变化的影响进行深入分析。/pp style="text-indent: 2em "“我与RedShift™ BioAnalytics一直在AQS3PRO的验证性测试中合作。”美国特拉华大学的Christopher Roberts教授说， “这一平台将MMS和红外光谱应用在蛋白质溶液的分析中，让我们能够对多种样本、多种浓度范围蛋白质的二次结构性变化，进行同时的原位量化测量。无论是对从事蛋白质基础性研究的科学家，还是负责生物产品开发的工程师，AQS3PRO都将带来极大的助益。”/p

随着人类等生物体全基因组序列的测序完成，科学家逐步意识到基因组只是书写了遗传密码的‘天书’，仅从基因序列的角度根本无法完整、系统地阐明生物体的功能。很多生命现象之谜，不能直接从基因序列中得到解答。蛋白质是生命活动的主要执行者，想要解密基因组，必须先系统认识蛋白质组。蛋白质组学也是科研和产业界普遍认可的下一代的生命科学基础工具和产业化方向。　　近几年来，广泛的共识和技术的进步推动着蛋白质组学迅速产业化，其中以蛋白质组学试剂开发为代表的上游产业、蛋白质组学技术服务为代表的中游产业更是快速发展，在生命科学基础研究、精准医疗、新型疾病标志物的发现、创新药物开发方面发挥着不可替代的重要作用。　　在欧美，以Seer、Olink、Somalogic等为代表的一批蛋白质组学产业公司从2020年开始陆续登陆资本市场。而在国内，行业龙头杭州景杰生物科技股份有限公司(以下简称“景杰生物”)也正在IPO进程中，力求登陆创业板。　　聚焦蛋白质组学科技创新，助力生命科学研究　　景杰生物自2010年成立之始，就聚焦致力于蛋白质组学行业的科技创新，分别在“上-中游”产业生态中布局了“蛋白质组学试剂开发、蛋白质组学技术服务”的“产品+技术”特有的业务形态，并在国际上开创了一系列新型蛋白质组学试剂(抗体)和蛋白质组学技术服务类型，广泛地应用于科学研究、精准医疗、生物标志物发现、药物开发等领域，引领并促进了中国蛋白质组学产业化的发展。　　公司建立了国际知名的蛋白质修饰组学平台，不断推出全新的、具有重要生物医学价值的蛋白质修饰组学分析项目，助力中国的科研人员以及医学工作者在人类健康科学研究中走在世界的前沿并形成了众多重要的研究成果。公司持续推出的蛋白质修饰组分析业务中：(1)巴豆酰化修饰在生殖发育中有重要作用，被著名期刊Cell 评为年度五大亮点 (2)乳酸化修饰在癌症发生、发展中有重要的作用，被著名期刊 Nature 评为近年来癌症研究中的重要进展。　　公司持续推出新的蛋白质组学分析类型，引领行业的发展前沿，例如：(1)在高深度蛋白质组学分析领域，公司与布鲁克、赛默飞等国际知名质谱仪器公司深度合作，于行业内率先提出并商业化4D蛋白质组学分析 (2)公司不断推进蛋白质组学检测的极限，在业内率先推出针对单个细胞进行的基于微流控的单细胞蛋白质组学服务，解决了传统蛋白质组学对样本需求量大、不能满足对单个细胞进行分析的问题。景杰生物推出的上述创新服务在2024年4月举办的第二届TICSSO国际单细胞及空间组学大会中，荣获“2023年度产业里程碑事件”奖项 (3)公司于2024年创新推出全息空间蛋白质组学分析，能够在空间范围对生物样本进行全景的蛋白质组学、蛋白质修饰组学分析，将传统只能对组织蛋白质组分析提升到细胞水平分析，极大拓展了其应用范围。　　引领蛋白质组学技术产业化，推动行业高质量发展　　蛋白质组学作为前沿学科，其产业化发展仍处于快速发展的早期阶段。而景杰生物作为蛋白质组学的行业龙头，为行业的技术创新和产业化应用作出了突出贡献，比如率先在行业内推出并实现了4D蛋白质组学分析、单细胞蛋白质组学分析、空间蛋白质组学技术等新型分析技术服务的大规模商业化。　　根据公开信息显示，景杰生物主要面向高校、科研院所等基础研究客户、医院客户以及生物医药企业等工业客户。景杰生物不断扩大高素质的销售人员队伍，实现更多机构和地域的客户覆盖，已与华中农业大学、浙江大学、复旦大学、中国人民解放军陆军特色医学中心、中国医学科学院基础医学研究所、四川大学华西医院、上海市第一人民医院、北京大学第三医院等超过2,000家国内外知名高校、研究院所及医院等机构建立业务合作关系。此外，公司积极开拓包括生物技术与新药开发企业在内的工业领域客户，与包括百济神州、鹍远基因、正大丰海等知名制药公司、基因检测公司建立业务合作关系。通过不断突破市场边界，加强客户覆盖，推动了行业的高质量发展。

北京蛋白质组研究中心　　第六期蛋白质组信息学培训班　　时间：2017年11月7-10日　　地点：北京蛋白质组研究中心(北京市昌平区科学园路38号，中关村生命科学园内)　　主办单位　　国家蛋白质科学中心· 北京(凤凰中心)　　北京蛋白质组研究中心(BPRC)　　蛋白质组学国家重点实验室(SKLP)　　中国生物化学与分子生物学会蛋白质组学专业委员会(CNHUPO)　　国家蛋白质科学中心?北京(简称“凤凰中心”)/北京蛋白质组研究中心(BPRC)坐落在国家科技创新示范区——中关村生命科学园，是我国生命科学领域的国家科技基础设施，也是国际人类肝脏蛋白质组计划执行总部、蛋白质组学国家重点实验室和首都科技条件平台。　　凤凰中心/BPRC在以院士领衔，入选“千人计划”、国家杰青、北京市科技新星为骨干的专家团队带领下，在生命科学领域不断开拓，建立了高通量、高分辨率、高精度的蛋白质组学，以高性能“天河”超级计算机为核心的生物信息学，蛋白质相互作用，多功能多层次显微成像，流式分选，模式生物构建，抗体药物筛选等技术体系与平台。我们愿与从事生命科学研究的有识之士一起，推动生命科学新发现、新技术、新产品的涌现，实现“创造历史，引领世界”的梦想。　　培训目的　　本课程为生命科学研究人员介绍如何合理利用和开发蛋白质生物信息学资源。课程着眼于实际数据库搜索、工具使用、大型数据库分析、生物学网络构建、可视化和数据分析等。采取小班授课，专人指导 理论课与实践课相结合，讲师与学员研讨的方式进行 精心挑选相应的上机软件，提供充足的实际操作机会 让每位学员学有所成。　　培训对象　　●从事生命科学、农学、医学等领域科研工作者和高校教师及研究生　　●迫切希望提升生物信息分析能力的学者　　培训内容　　质谱数据深度分析、蛋白质注释及功能分析、蛋白质相互作用网络构建及分析、蛋白质组研究主题信息服务和专业数据库研发。　　课程安排2017年11月6日15:00-17:00软件安装2017年11月7日主持人：杨冬邵晨主题：蛋白质组信息学蛋白质鉴定时间主讲人培训内容9:00-10:00讲座邵晨●课程介绍●蛋白质组学●蛋白质组信息学工作流程10:00-10:45讲座邵晨工作流原理●序列数据库●肽段鉴定●蛋白组装●蛋白定量●质量控制和标准10:45-11:00茶歇11:00-11:45讲座杨冬工作流原理●翻译后修饰●数据挖掘●数据注释●聚类和其他分析11:45-12:30练习杨冬常用的生物信息数据库和工具12:30-13:30午餐13:30-14:30讲座杨冬Mascot：实践中的搜索工具14:30-15:15练习杨冬搜索工具的环境15:15-15:30茶歇15:30-16:30讲座杨冬搜索工具实际应用16:30-17:15讲座OmicsBean题目待定17:15结束2017年11月8日主持人：朱云平主题：定量蛋白质组时间主讲人培训内容9:00-10:00讲座常乘标记定量蛋白质组学：母离子标记方法10:00-10:45讲座常乘标定定量蛋白质组学：子离子标记方法10:45-11:00茶歇11:00-11:45练习常乘马洁冯晓东MaxQuant上机练习11:45-12:30练习常乘马洁冯晓东MaxQuant上机练习12:30-13:30午餐13:30-14:30讲座常乘非标定量蛋白质组学14:30-15:15练习常乘差异表达蛋白的统计分析15:15-15:30茶歇15:30讲座常乘PANDA和PANDA-view介绍16:30练习常乘马洁冯晓东PANDA和PANDA-view上机练习17:15结束2017年11月9日主持人：冯晋文主题：工作流数据发布时间主讲人培训内容9:00讲座冯晋文TPP(transproteomepipeline)数据分析平台介绍10:00练习冯晋文●基于X!Tandem肽段鉴定●基于peptideProphet肽段验证10:45-11:00茶歇11:00练习冯晋文蛋白质定量●Libra蛋白质组装●ProteinProphet11:45练习冯晋文实际操作12:30-13:30午餐13:30讲座冯晋文Firmiana简介14:30练习冯晋文Firmiana上机练习15:15-15:30茶歇15:30讲座HenningHermjakob数据存储与索引：ProteomeXchangeandOmicsDI16:30练习马洁实际操作：基于Iprox的数据存储17:15-18:00Phototime2017年11月10日主持人：李栋主题：网络和通路时间主讲人培训内容9:00讲座李栋蛋白质网络的构建与分析10:00讲座李栋蛋白质数据集深度挖掘10:45茶歇11:00练习李栋网络工具介绍：●KEGG,Reactome●STRING11:45练习李栋上机练习12:30午餐13:30讲座刘中扬Cytoscape简介14:30练习刘中扬Cytoscape上机练习15:15-15:30茶歇15:30－16:30练习HenningHermjakobReactomepathwayanalysis17:15结束　　培训费用　　●即日起至11月6日之间注册：每人4500元，学生4000元。　　●网上注册地址：http://111.198.139.71/training/cn/　　●培训费用包含：培训资料、培训期间的午、晚餐。　　●住宿费用自理，请自行联系酒店登记住宿信息。　　报到时间和地点　　●报到：11月6日全天，凤凰中心/BPRC　　●培训：11月6-7日，凤凰中心/BPRC(北京市昌平区科学园路38号，中关村生命科学园内)。　　●住宿：北京梧桐苑商务酒店(紧邻凤凰中心大楼)，预订电话：010-61777200(预定时请说明参加此次培训)　　●学员自备笔记本电脑(具有WiFi无线网络功能)用以操作练习。　　注意事项　　· 学员可使用自己的数据进行练习，在主讲人时间允许的情况下可给予一定的指导。　　· 参加本期培训班的学员可以享受中心提供的技术服务优惠政策。技术服务项目请看网站：http://www.bprc.ac.cn/guidance/list.php?catid=27或http://www.ncpsb.org/cn/%E6%9C%8D%E5%8A%A1　　汇款信息　　帐号：0200004909200041055　　账户名称：北京蛋白质组研究中心　　开户银行：工商银行北京市永定路支行　　注：汇款时请务必注明学员姓名、单位和“信息学培训班”字样。汇款后将汇款凭据传真至中心，或将扫描电子版发送至邮箱bprctrain@163.com，以确保汇款安全到账。　　如需发票请注明发票抬头，培训结束后统一开具发票(培训费、会议费等)。　　联系方式　　联系电话：注册：(010)61777015　　咨询：(010)61777010　　传真：(010)61777050　　电子邮件：bprctrain@163.com　　通信地址：北京市昌平区科学园路38号(102206)

p style="text-indent: 2em "提到DeepMind公司，我们首先想到的可能是几年前，它开发的人工智能AlphaGo“横扫”顶尖人类围棋职业选手，变革了围棋的思考方式。除了在棋类比赛中所向披靡以外，DeepMind也在加速科学发现上迈出了重要一步。今日，DeepMind宣布，其新一代AlphaFold人工智能系统，在国际蛋白质结构预测竞赛（CASP）上击败了其余的参会选手，能够精确地基于氨基酸序列，预测蛋白质的3D结构。其准确性可以与使用冷冻电子显微镜（CryoEM）、核磁共振或 X 射线晶体学等实验技术解析的3D结构相媲美。这一突破被多家媒体称为“变革生物科学和生物医学”的突破。前基因泰克（Genentech）首席执行官Arthur D. Levinson博士称这一成就为“划时代的进步”（once in a generation advance）。/pp style="text-align: center text-indent: 2em "img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202012/uepic/33325072-7059-48e8-b1d4-6321cae2e263.jpg" title="微信图片_20201201221037.png" alt="微信图片_20201201221037.png"//pp style="text-align: center text-indent: 2em "span style="font-size: 12px "图片来源：DeepMind Blog/span/ppbr//pp style="text-indent: 2em "strong生物学50年来的重大挑战/strong/ppbr//pp style="text-indent: 2em "我们都知道，蛋白质对生命来说是不可或缺的，它们支持生物体的几乎所有功能。这些复杂的大分子由氨基酸链构成，而蛋白质的功能很大程度上决定于它的3D结构。生物医学领域的众多挑战，包括开发治疗疾病的创新疗法，依赖于对蛋白质结构和功能的理解。/ppbr//pp style="text-indent: 2em "在过去的五十年中，科学家们已经能够利用冷冻电子显微镜、核磁共振或 X 射线晶体学等实验手段在实验室中确定蛋白质的形状，但每种方法都依赖于大量的试错，耗时耗力，可能需要花上好几年时间。1972年，诺贝尔化学奖得主Christian Anfinsen博士表示，理论上，蛋白质的氨基酸序列应该能够完全决定它的3D结构。这一假说激发了50年来基于氨基酸序列，通过计算方法预测蛋白质3D结构的探索。/ppbr//pp style="text-indent: 2em "然而，这一领域面临的重大挑战是理论上，氨基酸链可能形成的蛋白质构象的数目是个非常庞大的天文数字。有学者估计，一个典型的蛋白质理论上可以形成10的300次方（1后面加300个0）个可能构象。然而在自然界，蛋白质能够自发地在几毫秒内，迅速折叠成其中一个构象。用什么样的计算方法，才能从10的300次方的可能构象中找到那个正确的构象？/ppbr//pp style="text-indent: 2em "strongAlphaFold：生物界的“AlphaGo”/strong/ppbr//pp style="text-indent: 2em "DeepMind的研究人员把折叠好的蛋白质设想成一幅具有3D结构的“空间图画”（spatial graph），而氨基酸则是这副“空间图画”中节点和线条。基于神经网络系统，他们设计了AlphaFold系统来解析这一空间图画的结构。它使用了进化相关的氨基酸序列，多序列对比（multiple sequence alignment, MSA）以及对氨基酸对（amino acid pairs）的评估来优化“空间图画“的描绘。/pp style="text-align: center text-indent: 2em "img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202012/uepic/7ffebf8d-21e2-421e-bff5-adf328b90caf.jpg" title="微信图片_20201201221204.png" alt="微信图片_20201201221204.png"//pp style="text-align: center text-indent: 2em "▲AlphaFold的神经网络模型构架（图片来源：DeepMind Blog）/ppbr//pp style="text-indent: 2em "研究人员使用蛋白质数据库中接近17万个不同的蛋白质结构，以及包含未知结构的蛋白序列数据库对AlphaFold进行训练。通过不断地迭代，AlphaFold系统学习到了基于氨基酸序列，精确预测蛋白结构的能力。/ppbr//pp style="text-indent: 2em "与实验结果相差无几的蛋白质结构预测/ppbr//pp style="text-indent: 2em "国际蛋白质结构预测竞赛（CASP）是由马里兰大学的John Moult教授和加州大学戴维斯分校的Krzysztof Fidelis教授联合创建的国际性比赛，旨在评估、促进和确认最佳的蛋白质结构预测手段。CASP选择已经通过实验手段解析，但是尚未公布的蛋白质结构作为目标，让世界各地的研究团队运用自己的计算手段预测它们的结构。一个独立的团队会评估预测结构与通过实验手段解析的蛋白结构之间的差异。/ppbr//pp style="text-indent: 2em "2018年，DeepMind开发的第一代AlphaFold首次参加CASP并且拔得头筹。而今年，新一代的AlphaFold在CASP中的表现更为惊艳。CASP使用称为GDT的评分系统来评估预测蛋白结构的精确性。这个评分从0到100，如果评分达到90分以上，可以认为预测的结构与实验手段获得的结构相当。/pp style="text-align: center text-indent: 2em "img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202012/uepic/87def9e4-8753-401b-9fa9-3ada59e01d7b.jpg" title="微信图片_20201201221209.png" alt="微信图片_20201201221209.png"//pp style="text-align: center text-indent: 2em "strong▲2006-2020年CASP比赛中最佳蛋白折叠预测系统的评分表现（图片来源：DeepMind Blog）/strong/ppbr//pp style="text-indent: 2em "在今年的CASP中，AlphaFold系统对所有蛋白靶点3D结构预测的中位GDT评分为92.4分。即便是针对最难解析的蛋白靶点，AlphaFold的中位GDT评分也达到了87.0分。在接受检验的近100个蛋白靶点中，AlphaFold对三分之二的蛋白靶点给出的预测结构与实验手段获得的结构相差无几。CASP创始人Moult教授表示，在有些情况下，已经无法区分两者之间的区别是由于AlphaFold的预测出现错误，还是实验手段产生的假象。/pp style="text-align: center"br//pp style="text-indent: 2em "img src="https://img1.17img.cn/17img/images/202012/uepic/14003fd2-fbf1-4fc4-b34a-087e4fa5f63d.jpg" title="微信图片_20201201221209.png" alt="微信图片_20201201221209.png" style="max-width: 100% max-height: 100% "//pp style="text-align: center text-indent: 2em "▲AlphaFold根据氨基酸序列预测的蛋白结构与实验手段解析的结果几乎完全重合（绿色，实验结果；蓝色，计算预测结果；图片来源：DeepMind Blog）/ppbr//pp style="text-indent: 2em "strong对真实世界的影响/strong/ppbr//pp style="text-indent: 2em "在今年早些时候，DeepMind已经利用这一系统预测了多种新冠病毒蛋白的结构。后续的实验显示，strongAlphaFold预测的新冠病毒Orf3a蛋白结构与冷冻电镜解析的结构非常相似。/strong/ppbr//pp style="text-indent: 2em "虽然，AlphaFold不见得会取代冷冻电子显微镜等其它实验手段，但是DeepMind的研究人员表示，这一令人兴奋的结果表明，生物学家们可以使用计算结构预测作为科学研究的核心工具之一。这一手段对于特定类型的蛋白来说可能尤为便利，例如膜蛋白一直非常难于结晶，因此很难用实验手段获得它们的结构。/ppbr//pp style="text-indent: 2em "而对于从事计算和机器学习研究的DeepMind团队来说，AlphaFold的表现证明了AI在辅助基础科学发现方面惊人的潜力。该团队在公司发布的博文中表示，他们相信，AI将成为人类拓展科学知识前沿最有力的工具之一！/ppbr//p

2012年3月23-25日，2012蛋白质和多肽大会在北京国际会议中心举办，共计约四百位国际和国内的业界专家参加了此次大会。 展位作为蛋白质组学领域的领导者，赛默飞世尔科技（以下简称：赛默飞）支持了此次大会。赛默飞展位以简洁明了的流程图，展示了在蛋白质组学、生物制药、生物标记物研究等领域的全面解决方案，其质谱产品、软件和试剂耗材可以解决相关领域的目标物定性定量和鉴定等各种问题。 Dr. Hao Zhiqi23号上午，赛默飞资深科学家Hao Zhiqi博士做了大会报告，介绍Q Exactive高分辨四极杆静电场轨道阱质谱仪在单克隆抗体分析方面的领先优势。Q Exactive的高精度、高分辨率和高稳定性使其可在单克隆抗体分析方面质量数误差小于10ppm。使用ProSightPC软件的Top-down谱图离子片断质量数误差小于5ppm，可以提供单抗的全序列分析。 Dr Jiang Guifeng同期在同个会场举办的2012第一届分析大会上，赛默飞世尔科技应用经理Jiang Guifeng博士做报告，介绍LC/MS/MS在食品安全及环境监测领域的应用。Q Exactive 质谱将四极杆技术的速度和灵敏度和Orbitrap质量分析器的高分辨和质量精度有效结合，确保对复杂样品提供快速灵敏的定量定性和确证分析。 Q Exactive在m/z 200下分辨率可高达140,000。欲了解赛默飞蛋白质组学解决方案，请登录：http://www.thermo.com.cn/proteomics 。欲了解赛默飞食品安全解决方案，请登录：http://www.thermo.com.cn/foodsafety ，和下载http://www.thermo.com.cn/Resources/201203/19121032664.pdf。欲了解赛默飞环境监测解决方案，请登录：http://www.thermo.com.cn/environment， 和下载http://www.thermo.com.cn/Resources/201203/19121413777.pdf, http://www.thermo.com.cn/Resources/201108/18113948134.pdf 关于赛默飞世尔科技赛默飞世尔科技（纽约证交所代码： TMO）是科学服务领域的世界领导者。我们的使命是帮助客户使世界更健康、更清洁、更安全。公司年销售额120亿美元，员工约39,000人。主要客户类型包括：医药和生物技术公司、医院和临床诊断实验室、大学、科研院所和政府机构，以及环境与过程控制行业。借助于Thermo Scientific、Fisher Scientific和Unity&trade Lab Services三个首要品牌，我们将创新技术、便捷采购方案和实验室运营管理的整体解决方案相结合，为客户、股东和员工创造价值。我们的产品和服务帮助客户解决在分析领域所遇到的复杂问题与挑战，促进医疗诊断发展、提高实验室生产力。欲了解更多信息，请浏览公司网站：www.thermofisher.com 和 www.thermofisher.cn （中文）。