华盛顿大学医学院蛋白质设计研究所的科学家利用人工智能软件，设计创建出一批具有非凡结合强度的蛋白质分子。这项研究由DavidBaker领导，利用先进的深度学习算法，结合序列设计工具ProteinMPNN，可以更高效地创建功能蛋白质。12月20日消息，华盛顿大学医学院蛋白质设计研究所的科学家利用人工智能软件，设计创建出一批具有非凡结合强度的蛋白质分子。这些分子与包括人类激素在内的各种生物标志物具有极高的亲和力和特异性，而且有些分子与其目标之间实现了迄今最高的相互作用强度。图源：IanHaydon/UWMedicineInstituteforProteinDesign这项研究由DavidBaker领

12月20日消息，华盛顿大学医学院蛋白质设计研究所的科学家利用人工智能软件，设计创建出一批具有非凡结合强度的蛋白质分子。这些分子与包括人类激素在内的各种生物标志物具有极高的亲和力和特异性，而且有些分子与其目标之间实现了迄今最高的相互作用强度。图源：IanHaydon/UWMedicineInstituteforProteinDesign这项研究由DavidBaker领导，利用先进的深度学习算法，结合序列设计工具ProteinMPNN，可以更高效地创建功能蛋白质。团队将这种创新方法命名为“buildtofit”，使用有限的靶标信息（例如单独的肽氨基酸序列）生成结合蛋白。这项突破为生物技术领域开辟

所以我想做的是编写一个应用程序，至少在未来可以移植到移动平台(例如android)，可以扫描蛋白质凝胶图像并返回数据，例如strip数列中的(即权重)，相对浓度(strip的厚度)以及每列中每个的权重。对于那些不熟悉的人，将变性蛋白质的混合物(基本上，分子直接制成)加载到每个柱子中，并使用电流将蛋白质拉过凝胶(因为蛋白质是极性分子).此图像每一侧的结束列http://i52.tinypic.com/205cyrl.gif是你放置已知重量蛋白质混合物的地方(所以如果你有4个不同的重量，顶部的带是最大的重量，并且蛋白质的重量/大小随着它向下传播而减小)。使用OpenCV可以分析这样的事情吗

目录软件下载三维结构文件获取Autodock使用打开Autodock配体小分子准备蛋白质大分子的分割运行AutoGrid4进行分子对接运行AutoDock4对接结果查看及评估使用PLIP分析相互作用结语软件下载使用Autodock进行蛋白和小分子复合体的对接需要使用到如下工具，很巧的是，这几个工具都是使用python进行编写的：pymol：三维结构可视化https://pymol.org/2/选择教育版下载即可，若需要license激活，只需注册一个账号即可获得使用许可，不激活也可以正常使用openbabel：不同三维结构格式文件间转换https://openbabel.org/wiki/Ca

image做实验的朋友们对这个问题应该是很感兴趣的，因为涉及到后续能不能实验验证。一般的做法是拿基因名或者蛋白名去查文献，查网站。我知道的：uniprot、PDB、thehumanproteinatlas都能查到蛋白质表达定位相关的信息。以uniprot为例，假设我想查询CD79B这个基因/蛋白，网站输入基因名，在结果页面的左侧菜单栏，点击Subcellularlocationimage之后，蛋白的亚细胞定位就显示出来了：有两个参考结果：uniprotannotation和GOannotationimageimage两个参考结果的意思差不多，都说的是膜蛋白。但是如果我把这个方法发给他，我内心会

在STRING数据库中提交基因，获取PPI网络是比较常规的操作，包括下游使用cytoscape进行美化和hub网络的提取，但过程还是比较麻烦，本期介绍通过R语言来挖掘STRING数据库1.效果展示通过利用差异分析结果，使用STRINGdb包挖掘蛋白交互关系，使用visNetwork构建互作网络，并利用RPubs将网络上传至服务器，实现蛋白互作网络的交互式可视化image2.前期准备2.1R包library(STRINGdb)library(visNetwork)2.2差异分析结果>head(diff_exp_example1)geneslogFClogCPMPValueFDR1CYP1A1-9

事由起因昨天，有个童鞋咨询如何使用蛋白ID进行功能富集分析，功能富集分析主要是KEGG和GO。思路蛋白ID转UniProt数据库IDUniProt数据库ID转KEGG和GO号使用KEGG和GO号进行富集分析教程（实操开始）蛋白ID数据类型蛋白ID的数据是的使用;进行隔分的，如果要整理成一列数据，我最开始想到的就是使用sed进行处理。「注：个人还是建议使用fa序列进行mapping，但是只要获得正确的结果，也无所谓。」1.蛋白ID转UniProt数据库ID使用UniProt数据库的工具UniProtKBIDMapping（https://www.uniprot.org/uploadlists/）

蛋白质是生命的主力军，了解它们的序列和结构，是设计新酶、开发救命药物等生物学和医学挑战的关键。DeepMind的AlphaFold2，能够以前所未有的准确性预测蛋白质结构。然而，由于缺乏开放的训练数据，这一领域的进展被严重阻碍。但来自哈佛大学、哈佛医学院、哥伦比亚大学、纽约大学和FlatironInstitute的研究者，引入了一个开源数据库。这个名为OpenProteinSet的开源数据库，可以通过大规模提供蛋白质比对数据，来大大改善这种状况。它提供的数据集，和用于训练AlphaFold2的数据集质量相同。因为AlphaFold2，MSA的实用性爆炸性增长蛋白质的功能，就编码在氨基酸序列中。

    从今天开始，小编将开始为大家更新分子模拟相关的文章。首先，给大家介绍的第一部分知识是基于SWISS-MODEL的蛋白三维结构预测。    学过相关生物知识的同学都知道，蛋白质的一级结构决定了其高级结构，所以，我们可以根据已有的天然蛋白质结构对未知蛋白结构进行预测。其中最常用的方法之一就是比较建模法（comparativemodelingmethod），即我们常听到的同源建模（HomologyModeling），而SWISS-MODEL在线网站就是一款使用同源建模法预测蛋白三维结构的网站。下面我们就具体看一下如何使用这个在线网站进行蛋白的三维结构预测及结果解读。前期准备预测工具：SWIS

我试图用Python编写理论上的蛋白质序列胰蛋白enzyme切割代码。胰蛋白enzyme的切割规则是:在R或K之后，但不在P之前。(即胰蛋白enzyme在每个K或R之后切割(切割)蛋白质序列，除非(K或R)后跟P)。示例:序列MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK的切割(切割)应产生以下4个序列(肽):MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK请注意，第二个肽中的K之后没有切割(因为P在K之后)并且在第三个肽中的R之后没有切割(因为P在R之后)。我用Python编写了这段代码，但效果不佳