蛋白质序列与结构数据

蛋白质序列与结构数据

# 氨基酸表示与简单理化性质
aa3 = {'A': 'Ala', 'R': 'Arg', 'N': 'Asn', 'D': 'Asp', 'C': 'Cys',
       'Q': 'Gln', 'E': 'Glu', 'G': 'Gly', 'H': 'His', 'I': 'Ile',
       'L': 'Leu', 'K': 'Lys', 'M': 'Met', 'F': 'Phe', 'P': 'Pro',
       'S': 'Ser', 'T': 'Thr', 'W': 'Trp', 'Y': 'Tyr', 'V': 'Val'}

seq = "MKTAYIAKQRQISFVKSHFSRQDILD"
print("长度:", len(seq))
print("三字母:", [aa3[a] for a in seq[:6]])

hydrophobic = set('AVILMFWY')
frac = sum(1 for a in seq if a in hydrophobic) / len(seq)
print("疏水占比: %.2f" % frac)
​

在分析实践中，蛋白质序列数据常与结构数据配合使用：同源比对找到进化相关序列，结构预测推断功能位点，口袋分析评估药物结合可能性。理解数据表示是使用这些方法的前提。建议读者在 UniProt 检索一条已知蛋白，逐项核对条目中的序列、注释与结构链接，体会"序列—结构—功能"的信息链条。

序列数据库与结构描述

蛋白质序列由二十种氨基酸按特定顺序组成，每种氨基酸有单字母和三字母两种表示。氨基酸的理化性质（疏水性、电荷、大小）决定蛋白质折叠方式，进而决定其功能。蛋白质序列数据的主要来源是 UniProt 数据库，它把来自不同来源的序列整合成条目，并附带功能注释、结构域信息和文献出处。

蛋白质结构数据以 PDB 格式和 mmCIF 格式存储，记录原子在三维空间中的坐标。PDB 文件按行组织，ATOM 行给出每个原子的名称、所属残基、链标识与坐标；结构文件还包含分辨率、实验方法等元信息。一级结构指氨基酸序列，二级结构包括 α 螺旋、β 折叠等局部模式，三级结构是整条链的空间折叠，四级结构描述多亚基组装。生物信息学中的同源建模、结构比对、口袋预测都依赖对这些层级关系的理解。

# 氨基酸表示与简单理化性质
aa3 = {'A': 'Ala', 'R': 'Arg', 'N': 'Asn', 'D': 'Asp', 'C': 'Cys',
       'Q': 'Gln', 'E': 'Glu', 'G': 'Gly', 'H': 'His', 'I': 'Ile',
       'L': 'Leu', 'K': 'Lys', 'M': 'Met', 'F': 'Phe', 'P': 'Pro',
       'S': 'Ser', 'T': 'Thr', 'W': 'Trp', 'Y': 'Tyr', 'V': 'Val'}

seq = "MKTAYIAKQRQISFVKSHFSRQDILD"
print("长度:", len(seq))
print("三字母:", [aa3[a] for a in seq[:6]])

hydrophobic = set('AVILMFWY')
frac = sum(1 for a in seq if a in hydrophobic) / len(seq)
print("疏水占比: %.2f" % frac)
​

蛋白质数据的"三级层次"：序列、结构与功能

蛋白质数据有三个层次，分别对应不同的生物信息学方法：序列层（氨基酸序列——由基因经翻译得到——"一级结构"；序列比对（同源搜索 BLAST）找同源蛋白——"同源 = 可能同功能"）；结构层（三维结构——"三级结构"；实验测定（X 射线晶体学、冷冻电镜 cryo-EM——2017 年诺奖）与计算预测（AlphaFold——2021 年 DeepMind 发布，预测精度接近实验——"结构预测的 AI 革命"）；结构比对与功能位点分析（催化位点、结合口袋））；功能层（蛋白质功能——酶活性、结合、信号传导；功能注释（GO 基因本体——分子功能、生物过程、细胞组分）与数据库（UniProt——序列与注释；PDB——结构；Pfam——结构域家族））。

蛋白质数据的"核心概念"值得深入：结构域（domain——蛋白质的"功能模块"——不同蛋白共享的结构域提示共享的功能与演化来源）；同源 vs 同功（同源（homology）= 共同祖先——序列相似是证据；同功（analogy）= 相似功能但不同来源——"相似序列 → 相似功能"是生物信息学的核心推理（同源推断），但需警惕"趋同演化"）；以及"序列-结构-功能"的关系（序列决定结构（安芬森原理——但折叠是复杂的）、结构决定功能——"蛋白质折叠问题"（从序列预测结构）曾是五十年难题，AlphaFold 的突破正是它的里程碑）。做一个"蛋白质数据"练习：用 BLAST 搜索一个未知蛋白的序列——找到同源蛋白、推测其功能与结构域——体验"从序列到功能的生物信息学推理"。蛋白质数据是"功能生物信息学"的核心——从序列比对到结构预测到功能注释，蛋白质数据贯穿了从基因组到表型的桥梁。
回顾本节核心：蛋白质数据的三级层次（序列→结构→功能）；同源推断（相似序列→相似功能）与 AlphaFold 的结构预测革命。蛋白质数据是"功能生物信息学"的核心——从 BLAST 到结构比对到功能注释，蛋白质分析贯穿"从基因到功能"的桥梁。
记住一句话：蛋白质数据的三级层次（序列→结构→功能）对应同源推断（序列）、结构预测（结构）与功能注释（功能）三大方法。
从实践角度理解蛋白质数据：做一个「同源推断」练习——在 UniProt 搜索一个未知蛋白序列（如某细菌蛋白）——查看它的同源蛋白（BLAST 结果）、结构域（Pfam）、结构与功能注释——一个未知蛋白的身份，通过数据库比对即可初步确定——这是生物信息学「从序列到功能」最日常的操作。