《青岛能源所研究人员阐明细胞内蛋白质折叠和解折叠动态性机制》

  • 来源专题:中国科学院文献情报先进能源知识资源中心 |领域情报网
  • 编译者: guokm
  • 发布时间:2019-07-22
  •    蛋白质发挥功能的“原位”环境是细胞,因此在细胞内开展蛋白质的结构和动力学研究对蛋白质功能的解析至关重要。细胞内大分子的浓度可以达到300-450g/L,拥挤的细胞环境可能会影响蛋白质的折叠,进而影响其功能。但是细胞环境如何影响蛋白质折叠过程目前并不很清晰。

      近日,青岛能源所姚礼山研究员带领的蛋白质设计研究组在细胞内蛋白质折叠研究方面取得新进展。该研究以IgG结合蛋白质GB3的两个突变体MutX 和 MutY(图1)为研究体系,采用核磁共振技术,对其在细胞内的折叠态与解折叠态之间的构象交换进行了表征。结果表明蛋白在细胞内和缓冲溶液中的折叠和解折叠的动力学过程有较大差异(图1),折叠态、解折叠态和过渡态的相对自由能受到了细胞环境的影响(图2)。进一步研究表明,这一影响主要来自于细胞内的五级作用力,但这种作用力不足以改变蛋白质的折叠态和解折叠态的构象。该研究结果也表明离体条件下的蛋白质功能研究需要在细胞环境中进行独立验证。相关研究已发表于Journal of the American Chemical Society杂志上(JACS 2019, DOI: 10.1021/jacs.9b04435)。

      以上研究由蛋白质设计研究组姚礼山研究员主持完成,获得国家重点研发计划项目、国家自然科学基金、山东省自然科学基金和山东省泰山学者项目的支持。(文/图 宋乡飞 陈景飞 姚礼山)

相关报告
  • 《研究发现抗感染蛋白可感知非感染细胞中的蛋白质折叠错误》

    • 来源专题:生物安全知识资源中心 | 领域情报网
    • 编译者:xxw
    • 发布时间:2019-08-08
    • 多伦多大学(university of toronto)的研究人员发现了宿主细胞对抗细菌感染的免疫机制,同时发现对这一过程至关重要的一种蛋白质能够感知并对所有哺乳动物细胞中错误折叠的蛋白质做出反应,相关研究成果于近日发表在《Science》上。 这种蛋白质被称为血红素调控抑制因子或HRI,研究人员表明,在细菌感染过程中,它会触发并协调形成更大复合物的其他蛋白质之间的连锁反应。这个更大的群体或"信号体"会放大炎症并导致抗菌反应。 但研究人员表示,HRI还可以调节其他细胞类型的蛋白质折叠。蛋白质折叠有助于确定蛋白质的三维形状,对其功能至关重要,它与非传染性疾病有关,包括帕金森病、阿尔茨海默病和ALS。 "我们发现的先天免疫功能本质上是一种蛋白质支架的机制,这很重要,因为你需要对细菌感染做出快速而有序的反应,"牛津大学的实验室医学、病理生物学和免疫学教授Stephen Girardin说。"但我们也发现同样的途径对于蛋白质支架和其他细胞的聚集很重要,这为神经退行性疾病和其他疾病的研究开辟了前景。" 研究人员已经研究HRI超过30年,但主要是在红细胞紊乱的背景下进行研究。"这种蛋白质出现在哺乳动物体内的所有细胞中,被认为是一种广泛的或杂乱的传感器,"今年早些时候在Girardin实验室完成博士学位的论文第一作者Mena Abdel-Nour说。"但相对于模式识别分子和淀粉样结构的形成,它被忽视了。在我们相信我们所看到的之前,我们必须通过几种不同的途径来测试它的作用。" Abdel-Nour和他的同事开发了一种新的技术来研究HRI的影响。他们采用了Jeffrey Lee实验室的生物化学分析方法。科学家们一直在努力做出这种区分,部分原因是大多数可用的测试只能在试管中工作,不能适应细胞。 研究人员有早期的临床前数据表明,HRI可以预防帕金森病中出现的神经退行性变。"我们猜想有可能找到产生HRI 保护作用的分子,这可能导致真正的治疗," Abdel-Nour说,他计划从事生物技术和医疗顾问的职业。目前帕金森治疗的重点是发现和清除蛋白质聚集物,而不是在这些聚集物聚集之前修复细胞缺陷。 Girardin说,他致力于与神经科学家合作进行这项研究,他刚刚获得了支持这项工作的资金。"我们关注帕金森病,因为它是一种对人类健康非常重要的疾病,因为它的特点是细胞内的蛋白质聚集,所以它可能是测试这种新途径的完美模型。" 接下来的步骤包括对蛋白质错误折叠过程中HRI和相关复合物的生化研究,以及对神经退行性疾病的动物研究,以进一步验证这一新途径。
  • 《深度学习准确预测蛋白质折叠方式》

    • 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
    • 生命必需的基本生物过程几乎都是由蛋白质完成的。蛋白质由长长的氨基酸链通过折叠成精确的三维结构来实现功能,阐明蛋白质结构是所有分子生物学研究的重点。近年来,计算方法在基于氨基酸序列预测蛋白质折叠方面取得了重大进展。如果完全实现,这些方法有可能改变生物医学研究的几乎所有方向。然而,目前的方法在预测蛋白质的规模和范围方面还受到限制。 2019年4月24日Cell Systems报道,哈佛医学院系统生物学家Mohammed AlQuraishi利用深度学习来预测基于氨基酸序列的蛋白质的三维结构,其精确度可与目前最先进的方法相媲美,但速度提高了100万倍。 该研究用到的所谓的端到端可微深度学习,涉及到一个单一的、庞大的数学函数,它被形容为一个神经网络,网络的每个组成部分向前和向后提供信息。这个功能可以以难以想象的复杂程度一遍又一遍地调整自己,以准确地解析蛋白质序列在数学上是如何与其结构相互关联的。研究者发现,在预测没有预先存在模板的蛋白质结构方面,新模型优于所有其他方法,包括使用共同进化数据的方法。当用预先存在的模板来进行预测时,它的性能也比所有方法都好。更可喜的是,新模型的预测速度比现有的计算方法快6到7个数量级。训练这个模型可能需要几个月的时间,但一旦训练成功,它可以在几毫秒内做出预测,而使用其他方法需要几小时到几天的时间。 研究者表示,这个新模型还没有准备好用于药物发现或设计,因为它的精确度目前处于6埃左右——距离解析蛋白质的完整原子结构所需的1至2埃仍有一段距离。有很多方案可以用于优化这种模型,包括进一步整合化学和物理的规则等。 吴晓燕 编译自https://phys.org/news/2019-04-deep-learning-approach-protein-amino-acid.html 原文链接:https://www.sciencedirect.com/science/article/pii/S2405471219300766?via%3Dihub 原文标题:End-to-End Differentiable Learning of Protein Structure