《纳米蛋白质组学能够对人血清中的低丰度蛋白进行蛋白分解分析》

  • 来源专题:纳米科技
  • 编译者: 郭文姣
  • 发布时间:2020-09-07
  • 自然于2020年8月06日发布关于“纳米蛋白质组学能够对人血清中的低丰度蛋白进行蛋白分解分析”的文章,文章指出由上至下的质谱分析(MS)为基础的蛋白质组学提供了对蛋白质形态的全面分析,以实现对蛋白质功能的全蛋白理解。然而,由于血液蛋白质组的异常动态范围,MS检测血液中低丰度蛋白质仍然是一个未解决的挑战。在此,我们开发了一种集成的纳米蛋白质组学方法,将肽功能化超顺磁性纳米颗粒(NPs)与自上而下的质谱联用,用于直接从血清中富集和综合分析心肌肌钙蛋白I (cTnI),这是一种金标准的心脏生物标志物。这些NPs能够敏感性地富集cTnI (<1 ng/mL),具有高特异性和重复性,同时消耗高含量的蛋白,如人血清白蛋白(>1010比cTnI丰富)。我们证明了自顶向下的纳米蛋白质组学可以提供高分辨率的不同cTnI蛋白质形态的分子指纹图谱,以建立蛋白质形态的病理生理关系。这种可伸缩的、可重复的无抗体策略通常可以使直接从血清中提取的低丰度蛋白的蛋白分解分析能够揭示以前无法实现的分子细节。

相关报告
  • 《深度学习助力蛋白的设计》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2020-09-11
    • 蛋白设计通常有两种方法:“定向进化”是指随机改变编码天然蛋白质的氨基酸构件的基因序列,筛选具有所需活性的变体;“合理设计”是根据蛋白质3D结构对其进行建模,以识别可能影响蛋白质功能的氨基酸。然而,定向进化只能触及庞大数量蛋白质序列中的一小部分,而合理设计则需要对蛋白质3D结构进行艰难的解析。 2019年10月21日Nature Methods报道,哈佛大学Wyss生物启发工程研究所和哈佛医学院的研究人员创建了第三种蛋白质设计方法,利用深度学习直接从氨基酸序列中预测蛋白质基本特征。研究结果显示,该方法准确地预测了天然和从头设计的蛋白质功能,将大量工作转移给计算机,与现有方法相比,可将成本降低两个数量级。 研究人员将这个神经网络方法命名为“统一表示”(unified representation,UniRep),在大约三周的时间内,研究者对UniRep进行了约2400万个蛋白质序列的训练,以关联蛋白质序列及其特性,包括蛋白质稳定性、二级结构以及蛋白质内部序列对周围溶剂的可及性等。结果UniRep准确地描述了来自不同的蛋白质家族的蛋白质的这些特征,包括那些已经被研究清晰解析的蛋白质,以及自然界中不存在的蛋白质。 该团队进一步将UniRep作为研究工具,预测单个氨基酸取代如何影响蛋白质功能。该神经网络以多种生物学功能(包括酶催化、DNA结合、分子传感)可靠地预测8种不同蛋白质中单个氨基酸突变影响。此外,研究者使用绿色荧光蛋白作为模型,利用UniRep分析了该蛋白的64,800个变异体,每个变异体带有1~12个突变,结果UniRep准确地预测了突变的分布及其对蛋白质亮度的影响。 研究者表示,这种基于深度学习的蛋白质工程计算方法具有加速合成蛋白质设计的潜力,该方法可以针对任何所需应用量身定制蛋白质功能,可用于治疗、诊断、生物制造、生物催化及其他应用。 吴晓燕 编译自https://phys.org/news/2019-10-proteins-language.html 原文链接:https://www.nature.com/articles/s41592-019-0598-1                                  原文标题:Unified rational protein engineering with sequence-based deep representation learning
  • 《使用aptamer修饰DNA载体,在人血清中进行单分子多路复用纳米粒子蛋白筛选》

    • 来源专题:纳米科技
    • 编译者:郭文姣
    • 发布时间:2017-11-29
    • 在单分子水平上筛选一系列蛋白质的能力,增强了生物体液的选择性,这在一定程度上是发展未来诊断和治疗策略的动力。纳米粒子传感与核酸aptamer识别的结合,由于多路复用的便利而接近这一理想,无需昂贵的标签方法或广泛的样品预处理。在这里,我们展示了一个完全灵活的、可伸缩的低成本检测平台,通过在双链DNA载体的骨架上移植特定的序列来同时感知多个蛋白质目标。与aptamer结合的蛋白质产生独特的离子电流信号,有助于准确的目标识别。这种强大的方法使我们可以通过亚峰电流的特征变化来区分不同的蛋白质大小。此外,我们还表明,通过使用DNA载体,可以在人血清中对超低蛋白浓度进行单分子筛选。 ——文章发布于2017年11月16日