程序

实验步骤和生物信息学类比

通过考马斯染色的凝胶的免疫印迹和对总蛋白或细胞质，核，膜或细胞骨架部分的选择模式。类比使用错误模型对数据进行对数转换以获得正态分布噪声和统计过程可以使用MATLAB和R（Kreutz等人，2007）。该模型适用于系统生物学中的模拟研究和参数估计，用于预测功能候选。称为aLFQ的生物信息学工具支持这种类比，其中可以估计从MS/MS获得的蛋白质组数据，进一步使用自动数据进行误差估计（Rosenberger等人，2014）。可用性：通过R/CRAN（ http://www.cran.r-project.org ））。这些分析的原始数据可以从UniProt或Protein Atlas获得
基因组鸟枪DNA片段与外显子组文库杂交; PCR扩增和链霉亲和素珠。例如，PCR扩增步骤包括沿着基因组找到几个多态性（SNP基因分型，等）。特别地，生物素化引物对于用于捕获单链DNA（ssDNA）模板的每个SNP是必需的，用于完成测定。虽然已经为焦磷酸测序稳定地开发了替代策略，但是该方法涵盖了焦磷酸测序中从PCR扩增到ssDNA模板捕获的所有阶段（Royo等人，2007）。
类比：使用HiSeq或MiSeq Illumina系统和相关材料的基于下一代测序（NGS）的注释可用于彻底预测（Liu等人。 >，2012）。 Galaxy框架可以用作基于机器学习的工具的扩展，用于序列和拼接阵列数据分析。软件：HiSeq或MiSeq Illumina系统。基于Hi-Seq/Mi-Seq的使用Galaxy系统的NGS数据的高通量分析的案例研究。请按照帮助页面（请参阅Galaxy参考）。
免疫蛋白质组学：通过表面等离子体共振（SPR）的抗体 - 肽结合的动力学分析基本上用于发现针对具有高亲和力的假定蛋白质候选物的抗体。此外，近来正在使用称为MALDI免疫筛选（MiSCREEN）的方法来筛选高亲和力抗肽抗体（Razavi等人，2011）。
类比：遗传算法（GA）和群体智能（SI）方法可以作为使用高维搜索的特征选择方法的完美复制品。此外，蚁群优化（ACO）用于整合基于重要性和应用标准选择的特征（Ressom等人，2006）。 T-Coffee是基于多序列比对的遗传算法包。这些可以用于对齐序列或将喜爱的对齐方法的输出结合成一个唯一的对齐方式（Notredame ，2000）。
共表达基因的染色体分布的全基因组分析，其中一个候选物是未表征的。染色体区域中基因的特异性可以通过qPCR测定（Boutanaev等人，2002）。
类比：基因表达编程（GEP）可用于编码复杂程序，然后将其包括在固定长度的线性染色体中（Ferreira，2001）。这些反过来又可以表达为表达树（ET）。这些ET可以在预测HP候选物的功能中进一步经历突变和重组。使用MATLAB的一个实例证明了一种在基因表达谱中找到模式的方法，例如沿着基因组序列找到表达的模式（参见URL：http://se.mathworks.com/help/bioinfo/ug/example-analyzing-gene-expression-profiles.html ）。
处理使用质谱法表征蛋白质的大规模应用的主要挑战是如何整合和建模所产生的数据的剩余。类比： "即时"虚拟筛选，其中使用组合的，项目特定的工作流程来指导下一阶段的实验（Pasculescu ，2014）。脚本可以是开源的和可编辑的，以便研究人员可以在其项目中快速进行增强。 MaxQuant软件包可以归因于这个类比（Cox ，，2009）。例如，可以旨在分析大MS数据集，并且使用表征的蛋白质在时间序列上进一步缩小复杂的实验设计，将它们与例如药物反应数据进行比较。
体内和体外细胞信号传导域的实验
类比：和体外实验的工程模拟可用于实现低成本假设生成，实验设计。此外，在计算机模型中可以用于开发用于范例领域（例如癌症系统生物学）的模拟框架（Bown等人，2012）。可以进行计算机对接实验来识别蛋白质在开放和封闭构象中的结合残基。此外，可以得到系统的分子视图。（Degryse et al。，2008）。
许多未表征的或HP数据最终在不时地沉积的测序/生化信息中保持未注释。
类比：使用基于类似物的GO关系汇总不同的结构和功能证据（Benso等人，2013）。此外，利用使用"未知的蛋白质的维基"的社区注释。请参考Benso et al。（2013）。
抗体与适体。与用于表征蛋白质的抗体相比，适体是成本有效的（参见参考文献Aptagen和Basepairbio）？只有少数分析技术已知能够以与抗体的灵敏度匹配的方式检测微小变化。对于HP的功能表征需要靶向全蛋白和选择特定的残基序列作为表位。例如，蛋白质 Twinkle解旋酶，也称为进行性外部眼肌麻痹（PEO）在人类中，由基因C10orf2编码，其类似于GP4解旋酶结构，并且是DNA错配修复蛋白MLH1的相互作用的伙伴。下拉测定可以解决目的。
类比：利用生物信息学提供的可能性来阐明适体在阐明HP的功能中的潜在作用，以建立适体 - 蛋白质预测方法的基准。有了这些未来的观点，假设蛋白质作为诊断和治疗的靶分子的作用可以证明在医学技术的发展中非常有用。例如，我们可以开发适体预测网络服务器，其又可以用于下拉测定或无标记检测以确定某些类别的蛋白质如HP的功能（Suravajhala等人， em>，2014）。请参考Suravajhala等人。（2014），并参见下面的类比
适配类比
目的：详细的操作指南，用于实施步骤8的生物信息学比较，其中HP作为诊断和治疗的靶分子的作用可以证明在医疗技术的发展中非常有用。在这里，我们使用找到更好的候选人的类比（如图1中的象形图所示），然后可以应用于推导一类HP的函数。
概述：下拉测定法使用小规模亲和标签与抗体，类似于免疫沉淀。在蛋白质的情况下，其实际性，功能或甚至相互作用的同族在理论上已知，但很少在实验上确立，下拉测定可以具有显着的作用。但是生物信息学在减少实验规模方面发挥了重要作用吗？使用特定于细胞器的基因本体功能数据可以在推断未表征蛋白质的功能中起主要作用。对于这样的HP，由于缺乏可行的筛选方法，它们的相互作用配偶体仍然没有表征。尽管已经提出了鉴定相互作用蛋白的活性的功能上下文的方法，但是明确表征它们的必要的实验边界不存在。因此，我们设想使用适体用于下拉测定或无标记检测的更好的预测方法。在该研究领域中适体的应用将具有巨大的潜力，因为只有少数分析技术已知能够以与抗体的灵敏度匹配的方式检测微小的变化。针对HP的功能表征需要靶向整个蛋白质和选择特定的残留序列，例如Twinkle解旋酶（也称为人类进行性外部食欲缺乏（PEO）），由基因C10orf2编码，其类似于GP4解旋酶结构和DNA错配修复蛋白MLH1的相互作用伙伴。我们在这里介绍一个循序渐进的方法，以确保这种类比，以满足生物学家在生物信息学方面没有经验。
资源：用于传输注释或进一步将数据库扩展为SQL或CSV格式的Excel工作表，以及绘图软件（如MS Draw或MS Publisher）[有关方法和软件，请参阅 Suravajhala和Sundararajan（2012）] 步骤
1. 从GenBank获取HP质粒。检查善意如何加入是通过鉴定其相关序列，起始位点蛋白质编码区，以及它是否是假基因。通过使用a将序列信息传送到Excel工作表六点分类评分模式（Suravajhala和Sundararajan，2012）。
2. 找到候选人蛋白质，由于它们定位于相同的细胞器交互对等体; 我们将能够留出那些形成的HP 互动池。从图1的上半部分，我们展示了如何惠普有其交互对等体。
3. 注释会然后转移到类似的方法，这将涉及过滤和丰富PPI网络
4. 使用混凝土可用的适体数据库（Aptagen/Basepairbio）。目标特别是已知的未知（KU）地区，并使用它们作为推定生物标志物
5. 模拟来自步骤3的HP和候选蛋白质的上述列表，用于从步骤4鉴定更好的目标
6. 分析结果，建立数据库。
7. （可选）基于机器学习开发预测性Web服务器方法，从而培养蛋白质和适体的网络可能和容易识别目标。

代表数据（示例）

在功能预测的框架（图1）中，注意到推定的相互作用伴侣的实验确定的特征以产生假设蛋白质的相互作用组（hypothome）（Desler等人，2014）。在这个过程中，我们建议预测的蛋白质在生物环境中的作用，从而补充与预测的蛋白质的相互作用的交互作用，除了保留相互作用的信息，无论是预测还是实验验证（图1中的左图）。这种策略对于预测蛋白质及其与现有生物学途径的相互作用的表征是必不可少的此外，使用方法的电子注释[在Benso等人（2013）]包含相似但不相互作用的蛋白质（类似物）（图1中的右图）以及下斜线数据可用于训练数据集。然而，机器学习预测之后的模拟也可以应用于不特定于HP的大量蛋白质，从而得出对类似功能预测的推断。

图1.功能预测的框架。推测的相互作用伙伴的实验确定的特征被用来做假想蛋白质的相互作用组。左图：制造假设蛋白质的相互作用组的方法，如Desler等人（2014）所述。右图：Benso等人描述的电子注释方法（2013）。

致谢

我们衷心感谢Alfredo Benso和他的同事们提出类似的解决方案。作者没有收到任何资金。 PS感谢Arsalan Daudi和Fanglian He邀请我们写这篇手稿。

参考文献

Aptagen： http://www.aptagen.com/
Basepairbio.com：碱基对生物技术中的适配子及其潜在应用。
Benso，A.，Di Carlo，S.，Ur Rehman，H.，Politano，G.，Savino，A.and Suravajhala，P.（2013）。基因组广泛蛋白功能的组合方法注释/预测。蛋白质组学Sci 11（Suppl 1）：S1。
Boutanaev，A.M.，Kalmykova，A.I.，Shevelyov，Y.Y.and Nurminsky，D.I。（2002）。果蝇基因组中大量的共表达基因。 420（6916）：666-669。
Bown，J.，Andrews，P.S.，Deeni，Y.，Goltsov，A.，Idowu，M.，Polack，F.A.，Sampson，A.T.，Shovman，M。和Stepney，癌症系统生物学的工程模拟。药物靶标 13（12）：1560-1574。
Cox，J.，Matic，I.，Hilger，M.，Nagaraj，N.，Selbach，M.，Olsen，J.V.and Mann，M。（2009）。基于SILAC的定量蛋白质组学的MaxQuant计算平台的实用指南 Nat Protoc 4（5）：698-705。
Desler，C.，Zambach，S.，Suravajhala，P.and Rasmussen，L.J。（2014）。简介：一种将预测的蛋白质整合到互动体中的方法。 J Bioinform Res Appl 10（6）：647-652。
Degryse，B.，Fernandez-Recio，J.，Citro，V.，Blasi，F.and Cubellis，MV（2008）。 In silico 对接尿激酶纤溶酶原激活物和整联蛋白。 BMC生物信息学9增刊2：S8。
Ferreira，C。（2001）。基因表达规划：用于解决问题的新的自适应算法。复杂系统 13（2）：87-129。
Galaxy网址： https://galaxy.cbio.mskcc.org/。
Ressom，H.W.，Varghese，R.S.and Goldman，R。（2009）。用于分析MALDI-TOF光谱以发现肽血清生物标志物的计算方法。 In： The Protein Protocols Handbook。 Springer，1175-1183
Heyer，L.J.，Kruglyak，S。和Yooseph，S。（1999）。探索表达数据：共表达基因的鉴定和分析基因组研究/em> 9（11）：1106-1115。
Kreutz，C.，Bartolome Rodriguez，M.M.，Maiwald，T.，Seidl，M.，Blum，H.E.，Mohr，L.and Timmer，J。（2007）。蛋白质定量的错误模型生物信息学 23（ 20）：2747-2753。
Liu，L.，Li，Y.，Li，S.，Hu，N.，He，Y.，Pong，R.，Lin，D.，Lu，L.and Law，M.（2012）。下一代测序系统的比较 > 2012：251364.
Notredame，C.，Higgins，D.G。和Heringa，J。（2000）。 T-Coffee：快速准确的多重序列比对的新方法 J Mol Biol 302（1）：205-217。
Panderescu，A.，Schoof，EM，Creixell，P.，Zheng，Y.，Olhovsky，M.，Tian，R.，So，J.，Vanderlaan，RD，Pawson，T.，Linding，R。和Colwill， K.（2014）。 CoreFlow：用于复杂生物数据的集成，分析和建模的计算平台 em> J Proteomics 100：167-173。
Razavi，M.，Pope，M.E.，Soste，M.V.，Eyford，B.A.，Jackson，A.M.，Anderson，N.L.and Pearson，T.W。（2011）。 MALDI免疫筛选（MiSCREEN）：选择用于免疫蛋白质组学的抗肽单克隆抗体的方法。 J Immunol Methods 364（1-2）：50-64。
Ressom，H.W.，Varghese，R.S.，Orvisky，E.，Drake，S.K.，Hortin，G.L.，Abdel-Hamid，M.，Loffredo，C.A.and Goldman，R.（2006）。蚁群优化用于从MALDI-TOF质谱鉴定生物标志物。 Proc IEEE Eng Med Biol Soc 1：4560-4563。
Rosenberger，G.，Ludwig，C.，Rost，H.L.，Aebersold，R.and Malmstrom，L.（2014）。 aLFQ：用于估计来自无标记LC-MS/MS蛋白质组学的绝对蛋白质量的R-package data。 Bioinformatics 30（17）：2511-2513。
Royo，J.L.，Hidalgo，M。和Ruiz，A。（2007）。焦磷酸测序方案，使用通用生物素化引物进行突变检测和SNP基因分型。 Nat Protoc 2（7）：1734-1739。
Suravajhala，P.，reddy Burri，H.V.和Heiskanen，A。（2014）。结合适体和计算机互动研究以破译假设蛋白质的功能。 a> Eur Chem Bull 3（8）：809-810
Suravajhala，P.和Sundararajan，V.S.（2012）。用于验证蛋白质相互作用者的分类评分模式。生物信息 8（1）：34-39