基于GO蛋白质网络功能模块调研报告.docx
《基于GO蛋白质网络功能模块调研报告.docx》由会员分享，可在线阅读，更多相关《基于GO蛋白质网络功能模块调研报告.docx（17页珍藏版）》请在冰豆网上搜索。
基于GO蛋白质网络功能模块调研报告
中南大学
本科生毕业论文（设计）
题目
基于GO的蛋白质网络功能模块评价系统的设计与实现
学生姓名
田书屹
指导教师
李敏
学院
信息科学与工程学院
专业班级
摘要
在后基因组时代，基于蛋白质网络的功能模块挖掘成为研究蛋白质相互作用机理和蛋白质功能的重要手段。
但由于先验知识（即已知功能模块）的缺乏，如何有效评估挖掘的功能模块一直是一个重要课题。
随着基因本体GO（GeneOntology）的发展，每一个基因产物都会有一个或者多个GO注释信息。
GO注释信息提供了蛋白质的分子功能、组成成分和生物进程，为有效评价功能模块提供了依据。
本课题旨在开发出使用方便的基于GO的蛋白质网络功能模块评价系统，提供良好的用户接口，批处理完成用户提交的任务，通过计算每个功能模块的分子功能、组成成分和生物进程的P-value等，为用户提供直观的统计分析结果
本文第一张为绪论，第二章讲述蛋白质网络和相关图论知识的基本概念和基本研究方法，第三章讲述GO数据库及基于GO的功能模块评价方法，第四章为本调研报告的结束语部分，其中包含了总结和研究计划两部分。
关键词蛋白质网络GO数据库
目录
摘要
目录
第一章绪论
1.1研究背景
1.2研究意义
第二章蛋白质网络的基本概念和基本研究方法
2.1概论
2.2
第一章绪论
1.1研究背景
虽然第一次提出蛋白质组概念是在1994年，但相关研究可以追溯到上世纪90年代中期甚至更早，尤其是80年代初，在基因组计划提出之前，就有人提出过类似的蛋白质组计划，当时称为HumanProteinIndex计划，旨在分析细胞内的所有蛋白质。
但由于种种原因，这一计划被搁浅。
90年代初期，各种技术已比较成熟，在这样的背景下，经过各国科学家的讨论，才提出蛋白质组这一概念。
国际上蛋白质组研究进展十分迅速，不论基础理论还是技术方法，都在不断进步和完善。
相当多种细胞的蛋白质组数据库已经建立，相应的国际互联网站也层出不穷。
1996年，澳大利亚建立了世界上第一个蛋白质组研究中心：
AustraliaProteomeAnalysisFacility（APAF）。
丹麦、加拿大、日本也先后成立了蛋白质组研究中心。
在美国，各大药厂和公司在巨大财力的支持下，也纷纷加入蛋白质组的研究阵容。
去年在瑞士成立的GeneProt公司，是由以蛋白质组数据库“SWISSPROT”著称的蛋白质组研究人员成立的，以应用蛋白质组技术开发新药物靶标为目的，建立了配备有上百台质谱仪的高通量技术平台。
而当年提出HumanProteinIndex的美国科学家NormsnG.Anderson也成立了类似的蛋白质组学公司，继续其多年未实现的梦想。
2001年4月，在美国成立了国际人类蛋白质组研究组织（HumanProteomeOrganization,HUPO）,随后欧洲、亚太地区都成立了区域性蛋白质组研究组织，试图通过合作的方式，融合各方面的力量，完成人类蛋白质组计划（HumanProteomeProject）。
1.2研究意义
随着人类基因组计划的实施和推进，生命科学研究已进入了后基因组时代。
在这个时代，生命科学的主要研究对象是功能基因组学，包括结构基因组研究和蛋白质组研究等。
尽管现在已有多个物种的基因组被测序，但在这些基因组中通常有一半以上基因的功能是未知的。
目前功能基因组中所采用的策略，如基因芯片、基因表达序列分析（Serialanalysisofgeneexpression,SAGE）等，都是从细胞中mRNA的角度来考虑的，其前提是细胞中mRNA的水平反映了蛋白质表达的水平。
但事实并不完全如此，从DNAmRNA蛋白质，存在三个层次的调控，即转录水平调控（Transcriptionalcontrol），翻译水平调控（Translationalcontrol），翻译后水平调控（Post-translationalcontrol）。
从mRNA角度考虑，实际上仅包括了转录水平调控，并不能全面代表蛋白质表达水平。
实验也证明，组织中mRNA丰度与蛋白质丰度的相关性并不好，尤其对于低丰度蛋白质来说，相关性更差。
更重要的是，蛋白质复杂的翻译后修饰、蛋白质的亚细胞定位或迁移、蛋白质－蛋白质相互作用等则几乎无法从mRNA水平来判断。
毋庸置疑，蛋白质是生理功能的执行者，是生命现象的直接体现者，对蛋白质结构和功能的研究将直接阐明生命在生理或病理条件下的变化机制。
蛋白质本身的存在形式和活动规律，如翻译后修饰、蛋白质间相互作用以及蛋白质构象等问题，仍依赖于直接对蛋白质的研究来解决。
虽然蛋白质的可变性和多样性等特殊性质导致了蛋白质研究技术远远比核酸技术要复杂和困难得多，但正是这些特性参与和影响着整个生命过程。
传统的对单个蛋白质进行研究的方式已无法满足后基因组时代的要求。
这是因为：
（1）生命现象的发生往往是多因素影响的，必然涉及到多个蛋白质。
（2）多个蛋白质的参与是交织成网络的，或平行发生，或呈级联因果。
（3）在执行生理功能时蛋白质的表现是多样的、动态的，并不象基因组那样基本固定不变。
因此要对生命的复杂活动有全面和深入的认识，必然要在整体、动态、网络的水平上对蛋白质进行研究。
因此在上世纪90年代中期，国际上产生了一门新兴学科－蛋白质组学（Proteomics），它是以细胞内全部蛋白质的存在及其活动方式为研究对象。
可以说蛋白质组研究的开展不仅是生命科学研究进入后基因组时代的里程碑，也是后基因组时代生命科学研究的核心内容之一。
第二章蛋白质网络的基本概念和基本研究方法
2.1概论
在破译了基因序列的后基因组时代，功能基因组学的一个目标是研究已破译基因的生物功能并控制它们.生命体不能通过孤立的分子实现细胞功能，而是必须通过分子之间的相互作用才能实现.因而，分析生命分子间的相互作用自然可能得到基因的生物功能更准确、详尽的信息，而近年来多种实验方法产生的大规模蛋白质相互作用数据为揭示这些基因的功能提供了可能.在这些数据中，特别以酵母的蛋白质相互作用网络数据最为完备[1～4].本文拟以酵母的蛋白质相互作用网络为研究对象，采用新的
模块化聚类方法，对酵母的基因功能进行研究.
从大规模数据产生到现在，对蛋白质网络的研究已经越来越得到大家的重视，统计“投票”法[5]、全局预测法[6]、谱方法[7]、概率方法[8]、马尔可夫随机场方法[9]、信息传递算法[10]等都已经被用来寻找功能模块和预测蛋白质功能，此外还有聚类方法[11～16].目前，聚类方法已成为寻找功能模块和预测蛋白质功能一类主要的方法，其中采用最多的是层次聚类.Rives等[12]较早地对蛋白质相互作用网络进行了研究，用聚类方法来寻找网络功能模块，其基本假设就是近邻相互作用的蛋白质具有相似的功能.Brun等[13]和Samanta等[15]都利用具有相互作用蛋白质对的共同邻居定义它们之间的相似度，进而采用聚类方法预测未知蛋白质的功能.Brun等采用的是Czekanowski-Dice距离法，而Samanta等则采用概率模型进行分析，他们都得到了不错的结果.我们研究组针对蛋白质网络的矩阵可视化的需要提出了基于链接矩阵的聚类算法[16]，能够很好地反映网络的拓扑性质和生物特性，并可用于蛋白质功能的预测.现有的层次聚类算法都是用蛋白质相互作用网络的数据信息定义蛋白质间的距离或相似度，并在此基础上进行聚类分析.本文打破了这种设计模式，直接从功能团的定义出发，汲取Brun等和Samanta等方法的优点，考虑功能团之间一阶和二阶相互作用，定义功能模块间的相似度进行聚类分析，进而预测模块内未知蛋白质的功能.与以往的聚类方法相比较，具有更好的预测效果.该方法还可以应用于蛋白质代谢网、因特网、人际关系网等具有类似结构的网络，对研究一般性网络具有普遍意义.
2.2蛋白质网络的基本概念
蛋白质是生物完成各种生命活动，实现各种生命功能所必须的大分子物质，是构成一切细胞和组织结构必不可少的成分和重要的物质基础[1]。
但是蛋白质的功能并不是通过单个蛋白质表现出来的，而是这通过蛋白质之间在特定条件下的相互作用（例如，磷酸化、糖基化等）才能表现出一定的功能的[2]。
蛋白质与蛋白质之间存在复杂的相互作用关系[3]，用一个无向图表示，其中每个节点表示一个蛋白质，每条边表示一对蛋白质之间的相互作用，从而构成了蛋白质相互作用网络[4]。
蛋白质相互作用网络中这些紧密关联的一组蛋白质被称为一个模块、一个聚簇或一个团。
研究一个基因及其表达产物-蛋白质的功能时，绝对不可以孤立的、静止地研究其本身，一定要同时研究和它有相互作用的一些蛋白质/核酸，从而找出其对应的生物功能模块，这就是蛋白质相互作用谱（proteininteractionprofile）产生的由来。
这和蛋白质表达谱一样，将会给实验研究提供大量的功能信息。
这是一个很好的功能预测的方法。
我们也可以从拓扑结构[5]上对蛋白质网络进行分析，探寻蛋白质复合物或网络功能模块以及注释未知蛋白质功能[6]，从而得到结构上的稠密子图。
将计算得出的结果与实验结果相比较，结果证明，在结构上具有紧密结构的子图在很大程度上都具有特定的生物意义，蛋白质网络的这种性质为研究和分析蛋白质功能提供了新的理论依据，给蛋白质生物功能的研究和预测开辟了新的方向。
2.3复杂网络分析的介绍
•生物系统包括很多元素（基因、蛋白质、蛋白质复合物、转录因子等）的相互作用和相互调控，将其简化为节点集和边集。
•无向网络、有向网络、加权网络、邻接矩阵、邻居、路、环、派系（全连通）、连通分支（无向、有向）
•网络的度量：
1、节点的度（出度、入度）、度分布p（k）（联合度分布）、网络的同配或异配性
2、聚类系数：
网络凝聚性的度量，也是一个节点与其邻居与派系的相似程度。
聚类系数分布C（k）：
度为k的所有节点的聚类系数的平均值
3、平均路径长度：
为了避免不连通的点，采用了调和平均，而不是代数平均最短路径长度分布
4、其他：
中心性
程度中心性：
关联大量的边的点有大的程度中心性
靠近中心性：
与所有其他节点有最短路径的节点有大的靠近中心性
中介中心性：
最短路径经过这个点（边）的条数多的有大的中介中心性
2.3.1理论上的网络模型
•ER随机网络：
给定n个孤立点，每次以概率p连接两个节点，共连次。
随机网络是均匀网络，度分布服从Poisson分布，聚类系数分布平行于x轴，平均路径长度约为log（n），有小世界效应
•WS小世界模型：
给定一个规则网络，以一个固定的概率随机化重连边
•无标度网络：
度分布服从幂律分布，有少数度高的节点，大部分节点的度比较低。
平均路径长度约为log（log（n）），也具有小世界特性
•等级网络：
聚类系数分布服从幂律分布。
度低的节点有较高的凝聚性
•几何随机网络：
在有界的格子上随机的放节点。
例如：
在一个环上，当两个节点间的距离小于一个阈值时连接（最近邻耦合网络）
2.3.2子图表征
•模体是一个网络通过与这个网络对应的零模型（随机图）比较得到的，可看做网络的原子组分，提供了网络的结构和功能区域
•相同节点的所有可能的模体，有向图要比无向图多
•局部连通模式可以用来对网络分类和比较，因此引入了度分布的一般化——子图分布的概念。
这样，当它们的子图分布相似时，认为两个网络相似
•最新研究集中在全局网络性质（平均路径长度、聚类系数、同配性、度分布等）。
•大多数实际网络有明显的模块结构。
从网络的拓扑结构确定模块有很多方法，最广泛应用的是基于模块最优化的划分技术，使得网络划分成模块时，模块内部边的数目与外部边的数目的比值最大
•值得讨论的是：
有多少随机图可以呈现大的模块性；模块最优化在识别模块小于一个尺度时是无效
2.4蛋白质相互作用网络（PIN）
•定义PIN：
节点：
蛋白质；无向边：
蛋白质间的实体连接的相互作用
•对于PIN的形成，两个主要的技术是：
酵母双杂交（Y2H）和串联亲和纯化策略
•因为大多数实验工作和分析是集中在酵母上的，因此我们主要集中在酵母PIN
2.4.1蛋白质相互作用数据库
•蛋白质相互作用数据库包括DIP、BIND、MIPS、MINT、REACTOME，但他们之间的重叠部分很小，因此可信度不高。
•这些数据库里的相互作用都是基于小规模实验得到的，集中在研究者感兴趣的蛋白质上，而高通量实验是基于全局蛋白质组的，因此小规模实验得到的数据可靠性不高
2.4.2酵母双杂交系统（Y2H）
•检测诱饵蛋白（与Gal4转录因子的DNA结合域融合）和靶蛋白（与Gal4的转录活性域融合）的相互作用，他们的相互作用重构了分离的Gal4的结合并且恢复Gal4的功能，然后激活报告基因，通过检测报告基因的表达产物，判断是否发生了相互作用
•但人为的使两个蛋白质在一块，会引起较高的假阳性，因为可能两个蛋白质有不同的定位，或不是同时表达的
•因为杂交蛋白在细胞核中的集中，PTM可能不足，导致假阴性发生
2.4.3蛋白质复合物的串联亲和纯化（TAP）
•与Y2H比较，TAP方法可以阐明天然蛋白质复合物。
尽管全面的TAP纯化策略还没有应用到动物和植物的PIN上，但TAP标记对于从这些生物体中提纯复合物的改进和质谱仪的高灵敏度和精确性的发展为这类分析提供可能。
•从TAP获得的网络与前面的定义有所不同。
这里的边是指诱饵蛋白和其他蛋白连接，当它们是联合纯化的。
这样的方式使得在相同的复合物中的蛋白质有边相连，而他们之间并不一定有直接的关联作用
2.4.4用于蛋白质组研究的蛋白质和肽芯片
•蛋白质和肽芯片实验将靶蛋白或肽应用在芯片上，测量同每个诱饵蛋白或肽的亲和力，得到PIN
•主要缺点：
这种体外的方法缺乏生理环境
2.4.5概率模型和数据整合
•对每个相互作用，依赖一个金标准（即真阳性相互作用和真阴性相互作用的参考集）的定义研究它的固有可靠性，可以用来优化计算方法对相互作用可靠预测的效率
•为了提高涉及范围和精确度，整合信息的异质资源是必要的。
•相互作用的可靠性可以用一个置信度表示，这个置信度可以联合多个资源得到（用朴素贝叶斯方法）：
2.5PIN的复杂网络分析
•研究表明PIN度分布服从幂律，即是无标度网络。
一个讨论热点是关于真实世界数据的度分布是幂律的解释。
其中一个观点是：
真实世界的数据都是有噪音、不精确、不完整，是从大网络中抽样得到的
•为了评定幂律结果的正确性，研究表明从无标度网络中抽样，得到的网络不是无标度网络。
•因此得到的存在于PIN中的无标度特性不能很可靠的预测整个PIN，更可能的是，基于完整PIN是无标度网络，当前结果可能得到其他的度分布
•当随机移除节点时，无标度网络比ER-随机网络鲁棒性好。
•Jeong用酵母PIN证实了节点度和重要性的正相关性；其他人也证明了中介中心性和重要性有较小的正相关性
•Han提出了中心点的两个类型：
party中心：
他们的基因在很多生理条件下，与所有的邻居共表达
date中心：
他们的基因在某个生理条件下，与一个或很少的邻居共表达
•但因为大多数节点的度很低，并且依赖于生理状态，因此有人怀疑这种中心分类的存在性
2.5.1节点度相关
•Maslov和Sneppen考虑了酵母的包含3278个蛋白和4549条边的PIN，与随机化重连的网络比较各个节点的度，发现了关联的异配性，比较清楚的生物学意义是：
不同模块间的干扰尽可能的小。
而且中心点与其他中心点分享他们的邻居，这样增加了整体的鲁棒性
2.5.2等级结构
•主要思想是：
有相似功能的蛋白质应该被聚到一类。
•通过分析四个不同的PIN（两个基于Y2H数据库的和两个基于MIPS和DIP的），发现聚类系数分布随度的增加递减，因此都有等级结构
•这样就可以基于蛋白质在网络中的位置预测它的功能
2.5.3子图分析
•Wuchty研究了酵母PIN的特异性子图，发现这些特异性子图比随机情况下包含更多的保守蛋白。
用InParanoid来识别高度保守蛋白，并且考虑了酵母蛋白与五种真核生物的同源的保守性
•这可以作为考虑小的子图的功能生物学作用的根据
•前面提到，小的子图可以用来衡量两个网络的相似程度
2.5.4模块结构和多种蛋白质复合物
•PIN已经被证明有模块结构，直接的解释是，它有很多蛋白质复合物
•检测蛋白质复合物的方法是聚类，包括MCL（Markov聚类）、RNSC（限制邻近搜索聚类）、SPC（超顺磁聚类）和MCODE（分子复合物检测）
•对原有网络进行随机化移除或加边，然后用这几种算法测试，发现MCL比其他的鲁棒性好，RNSC对边的删除更敏感，其他两种在这些方面相对弱些
•模式识别的算法也可以得到模块结构，定义节点度的相似度量，开始于一个初始的随机子网络，根据相似性与他们的邻居交换信息，这种方法与MCL很相似
•用网络的模块结构，根据下面两种度量定义了节点的作用
1、z，相对模块内节点度，衡量一个节点连接到模块中其他节点的好坏
2、P，参与系数，衡量节点连接到其他模块的好坏
也证明了网络的异配性
2.6蛋白质信号网络（PSN）
•大多数信号网络的研究集中在减少复杂性的一个特定蛋白质翻译后修饰（PTM）
•一些基于常微分方程的数学模型可以提供很多关于动力学及信号转导路径功能的洞察，但需要很多生物数据
•定义PSN：
节点是蛋白质的PTM状态水平；有向边是因果关系，暗示一个蛋白质的PTM状态使得另一个蛋白质的PTM状态改变。
因此节点是一个定量变量，即PTM状态的浓度。
磷酸化是研究的最多的PTM
2.6.1扰动策略
•近来，两个主要的研究是怎样通过实验获得体内PSN和扰动分析
•基本思路是：
系统中的某些元素发生扰动，测量其他元素的反应。
这样可以得到因果关系，但下一步要区分直接或间接作用
•Santo研究了人类3个裂原活性蛋白激酶小网络的相互作用并给了一个干扰然后推断网络的结构，后来又用到信号网络上
•Sachs研究了11个蛋白质的信号网络。
系统中的元素重复被干扰，并且重复测量它们的反应。
与已知的路径比较，可靠性比较高
2.6.2磷酸化蛋白质组学
•磷酸肽序列的质谱识别分离磷酸肽能够得到大量磷酸化位点
•因为每个磷酸化蛋白质平均至少有三个磷酸化位点，这样可以定义另一个网络，将磷酸化位点看做节点，这样可以发现体内的PSN（动态的）
2.6.3用于磷酸化测量的蛋白质芯片
•Ptacek发现蛋白质激酶对蛋白质不同集合磷酸化的高度相关性，暗示芯片是识别特定蛋白质激酶底物的有效工具
•缺点：
因为生理环境信息的缺乏，蛋白质芯片仅仅是可能激酶连接的预测。
启动信号的缺失不可避免的导致假阴性；人为地将激酶和底物靠近会导致假阳性
•肽芯片可以用来确定动物和植物细胞提取物中蛋白质组范围激酶的活性
•缺点：
除了上面的缺点，激酶与底物的对接域可能被磷酸化位点分离
2.6.4PSN的计算探索
•Lingding提出NetworKIN的方法，发现PSN，这类网络信息确定了至少60%的激酶特异性，并且预测精确性提高
•除了直接的蛋白质间的相互作用，STRING还提供了间接的蛋白质或基因间的相互作用
•就激酶和他们的底物来说，PIN和PSN有大部分的重叠，因此，期望用PIN的信息构建PSN
2.7总结
•综述了从蛋白质组获得网络模型的实验方法和计算方法，以及复杂网络分析
•强调了网络拓扑和生物系统鲁棒性的关系；网络度量和表型特征的关系；并且功能相似的蛋白质相连接，对于预测未知蛋白很重要；每个网络点边的特异性
•很多蛋白质网络的分析结果依赖于与零模型的比较：
如果与随机情况是不同，这种性质可能蕴含着某些生物学意义。
因此零模型的选择至关重要
•PIN和PSN在不同的环境中是动态变化的，用NerworKIN或蛋白质和肽芯片将会提高细胞调控的动力学模型的构建
•化学遗传学、启动子活性的时空分析、RNA干扰技术、其他的PTM分析等等可以提供这些网络的其他方面的研究
•单个细胞水平的信号调控网络期望得到更精确的网络模型
•包含所有发生在代谢、蛋白质组、转录的调控事件的网络将可以用复杂网络分析进行研究
第三章GO数据库及基于GO的功能模块评价方法
3.1概述
GO（geneontology）是基因本体联合会（GeneOnotologyConsortium）所建立的数据库，旨在建立一个适用于各种物种的，对基因和蛋白质功能进行限定和描述的，并能随着研究不断深入而更新的语义词汇标准。
GO是多种生物本体语言中的一种，提供了三层结构的系统定义方式，用于描述基因产物的功能．
3.2基因本体论（geneontology）的建立
现今的生物学家们浪费了太多的时间和精力在搜寻生物信息上。
这种情况归结为生物学上定义混乱的原因，不同的生物学数据库可能会使用不同的术语，好比是一些方言一样。
不光是精确的计算机难以搜寻到这些随时间和人为多重因素而随机改变的定义，即使是完全由人手动处理也无法完成。
举个例子来说，如果需要找到一个用于制抗生素的药物靶点，你可能想找到所有的和细菌蛋白质合成相关的基因产物，特别是那些和人体中蛋白质合成组分显著不同的。
但如果一个数据库描述这些基因产物为“翻译类”，而另一个数据库描述其为“蛋白质合成类”，那么这无疑对于计算机来说是难以区分这两个在字面上相差甚远却在功能上相一致的定义。
GeneOntology就是为了解决上述问题，使各种数据库中基因产物功能描述相一致而发起的一个项目。
这个项目最初是由1988年对三个模式生物数据库的整合开始：
theFlyBase（果蝇数据库Drosophila），theSaccharomycesGenomeDatabase（酵母基因组数据库SGD）和theMouseGenomeInformatics（小鼠基因组数据库MGI）。
从那开始，GO不断发展扩大，现在已是包含数十个动物、植物、微生物的数据库。
GO开发了具有三级结构的语义词汇标准（Ontologies），根据基因产物的相关生物学途径、细胞学组件以及分子功能而分别给予定义，与具体物种无关。
GO的工作大致可分为三个部分：
第一，给予并维持语义（terms）；第二，将位于数据库当中的基因、基因产物与GO本体论语言当中的语义（terms）进行关联，形成网络；第三，开发相关工具，使本体论标准语言的产生和维持更为便捷。
GO的定义法则已经在多个合作的数据库中使用，这使在这些数据库中的查询具有极高的一致性。
这种定义语言具有多重结构，因此在各种程度上都能进行查询。
举例来说，GO可以被用来在小鼠基因组中查询和信号转导相关的基因产物，也可以进一步找到各种生物的受体酪氨酸激酶。
这种结构允许在各种水平添加对此基因产物特性的认识。
3.3本体论（Theontologies）简介
GO提供了一系列的语义（terms）用来描述基因、基因产物的特性。
这些语义分为三种不同的种类：
细胞学组件，用于描述亚细胞结构、位置和大分子复合物，如核仁、端粒和识别起始的复合物等；分子功能，用于描述基因、基因产物个体的功能，如与碳水化合物结合或ATP水解酶活性等；生物学途径，指分子功能的有序组合，达成更广的生物功能，如有丝分裂或嘌呤代谢等。
基因产物可能分别具有分子生物学上的功能、生物学途径和在细胞中的组件作用。
当然，它们也可能在某一个方面有多种性质。
如细胞色素C，在分子功能上体现为电子传递活性，在生物学途径中与氧化磷酸化和细胞凋亡有关，在细胞中存在于线粒体质中和线粒体内膜上。
注：
基因产物和其生物
升级会员 