- 综合排序
- 最热优先
- 最新优先
【辰辉创聚生物】天然蛋白vs重组蛋白：核心差异、应用选择与质量控制全解析
例如，从猪胰腺中提取的胰岛素、从人血浆中纯化的白蛋白均属于天然蛋白。 三、关键分子特性差异翻译后修饰（PTMs）：天然蛋白：携带其原始生物宿主所产生的完整、天然的PTMs谱系，如糖基化、磷酸化、乙酰化、硫酸化等。 结构与折叠：天然蛋白：在原始细胞的天然环境中折叠，通常具有正确的三维构象。 四、技术考量与选择原则在选择使用天然蛋白还是重组蛋白时，需基于具体研究目标进行技术考量：选择天然蛋白的情形：研究蛋白质在生理或病理状态下的真实分子形式，特别是PTMs的功能。 天然蛋白与重组蛋白并非简单的优劣替代关系，而是互为补充的技术工具。天然蛋白是理解生命“原貌”的黄金参照，但其获取在规模化、标准化和安全性上存在局限。
21510编辑于 2026-01-20天然蛋白与重组蛋白的技术区别与实验应用全解析：科研试剂视角下的最佳指南
天然蛋白通常指直接从原代生物组织、细胞裂解液或生物体分泌体系中分离得到的蛋白质。这类蛋白在自然状态下完成了基因调控、翻译后修饰（如磷酸化、糖基化等），具备本源的构象和修饰状态。 翻译后修饰（Post-translational Modifications, PTMs）天然蛋白天然保留PTMs，反映生物体内实际状态，特别是复杂的糖基化、磷酸化、脂质化等修饰。 重组蛋白在不同宿主系统中存在显著差异：大肠杆菌表达的蛋白通常缺乏复杂PTMs；哺乳动物表达系统更接近天然状态，但成本和复杂度较高。3. 可扩展性与产量控制天然蛋白受限于原始生物材料的供应量，在规模化时成本高且难度大。重组蛋白可通过发酵规模放大、宿主优化等技术实现大规模生产，适合需要大量蛋白质的实验。 二、重要技术维度比较下表总结了天然蛋白和重组蛋白在关键技术维度上的本质差异：技术维度天然蛋白重组蛋白来源稳定性波动较大可控性高PTMs保留完整呈现内源修饰取决于表达系统纯度水平受限于提取体系通常高表达系统灵活性受限于生物样本可调节表达宿主批次一致性难以标准化容易实现适用实验广度生理相关性高定制针对性强三
10710编辑于 2026-01-22- 来自专栏量子位
用扩散模型生成蛋白质结构，结果不输天然蛋白质｜来自斯坦福&微软
丰色 发自 凹非寺 量子位 | 公众号 QbitAI 没想到，图像生成领域的大明星—— 扩散模型，这么快就被用来做蛋白质结构生成了！ 而且结果在复杂度和结构上都和天然蛋白质有的一拼。 扩散模型vs蛋白质结构生成 说起研究的初衷，作者表示： 尽管蛋白质结构预测已经取得了非常好的成绩，但要从神经网络中直接生成多结构多样又新颖的蛋白质结构仍然很困难。 他们想到用基于扩散的生成模型来挑战这一任务，并通过镜像蛋白质自然折叠过程来设计蛋白质主链结构。 具体来说，就是将蛋白质主链结构看成一系列连续的角度，这些角度会捕捉组成氨基酸残基的相对方向。 最终证明它可以无条件地生成高度真实的蛋白质结构，其复杂性和结构模式类似于天然蛋白质的结构模式。 不过，作为一个初步探索，他们也指明这项成果还存在几个局限性，比如： 1、与通常有几百个残基的天然蛋白质相比，模型生成的结构仍然相对较短（最多128个残基）； 2、由于没有处理多链复合物或配体相互作用，模型无法捕获蛋白质的动态性质
63130编辑于 2022-10-08 【辰辉创聚生物】天然蛋白纯化技术：原理与核心层析策略
天然蛋白纯化是从复杂生物样本中获取具有完整天然构象与生物活性蛋白质的关键生物化学技术。 与重组蛋白表达系统获得的蛋白质相比，天然蛋白直接来源于生物组织或体液，其翻译后修饰模式更接近生理状态，是许多基础研究不可或缺的科研试剂。 一、纯化基础：目标特性与初始处理天然蛋白纯化的出发点是利用目标蛋白与杂质之间在物理化学性质上的差异进行分离。这些性质包括分子大小、电荷分布、疏水性及特异性亲和力。 虽然单克隆抗体是常用的高亲和力捕获工具，但天然蛋白本身也常作为制备高特异性抗体的免疫原。三、纯化流程的设计与整合一个高效的天然蛋白纯化方案通常采用多步骤串联的方式，结合不同分离机理的层析技术。 结语天然蛋白纯化是一项系统的分离科学，其成功依赖于对目标蛋白生化性质的深入理解，以及对层析原理与流程组合的理性设计与优化。
20510编辑于 2026-01-21- 来自专栏Y大宽
6️⃣蛋白质序列的功能信息分析1:基于蛋白质基序motif
序列比对和序列特征分析总目录 蛋白质具有多种生物学功能，具体可参照《生物化学》。蛋白质若发挥生物学功能，须以空间结构形式。 而蛋白质多肽链一旦合成，即可在其他物质协助下，自然折叠，形成一定的空间构象。 1 如果两种蛋白质一级结构相似，那么其空间结构和功能也相似，也有例外。 因为蛋白质的空间结构是发挥功能的基础，凡是能影响蛋白质构象的物化和生物因素等，均可影响其功能。 依照蛋白质序列特征进行功能预测，主要有以下几种方法： 1 基于蛋白质基序 2 基于结构域 3 基于同源性搜索 ---- 基于蛋白质motif motif是指与蛋白质特定功能相关，具有特定的氨基酸排列顺序的片段 PROSITE PROSITE可以做什么 可以通过蛋白的UniProtKB中的ID，PDB ID或FASTA格式的蛋白质序列在PROSITE中搜索，判断该序列包含的功能位点，从而推测其可能属于哪个蛋白质家族
6.3K42发布于 2019-03-05 - 来自专栏生命科学
MCE | 表观遗传：YTHDF蛋白调节 m6A-RNA
mRNA” 的研究，揭示了 YTHDF 蛋白调节 m6A 修饰的 mRNA 的功能统一模型。 与“不同的 m6A 位点结合不同的 DF 蛋白”的主流观点不同，该研究人员发现，所有 m6A 位点与三个 DF 蛋白都以基本相似的方式结合，它们以冗余的作用方式诱导同一子集的 mRNA 降解，没有证据表明它们能直接促进翻译 首先，研究人员观察DF1 和 DF2 YTH 结构域与含有 m6A 的 RNA 的结合，发现在整个转录组中，DF 蛋白结合 m6A 的氨基酸以及结合近端的氨基酸都是保守的，因此三个 DF 蛋白与 m6A 但是，不同的 DF 如何对 m6A-mRNAs 发挥不同的分子效应这个问题仍未解决，研究人员又分析了 DF 旁系同源物之间的效应区域差异，以及它们的相互作用蛋白 (不同的 DF 蛋白可能通过与不同的蛋白相互作用介导其不同的功能 根据已有报道，研究人员考虑到每种 DF 蛋白都有介导 m6A-mRNA 降解的可能性。
49120编辑于 2023-03-15 - 来自专栏css小迷妹
golang天然适合并发，为什么？
golang中网络io golang天然适合并发，为什么？一个是轻量级的协程，二个是将复杂的io进行了抽象化，简化了流程。
55220发布于 2021-09-24 - 来自专栏曲奇泡芙
从Google Fuchsia理解“天然无root”
." -- TED Talk 近期华为鸿蒙操作系统的发布，“天然无root设计”，“模块化弹性部署”，“微内核”等一些词汇出现在开发者面前，由于鸿蒙尚未开源，这些概念背后的华为设计和实现我们无从考察。 天然无root？ 不同于Linux，Fuchsia的设计里并不存在全局的rootfs文件系统。Fuchsia使用命名空间（namespace）来管理资源访问控制。
1.7K30发布于 2019-08-30 - 来自专栏DrugScience
榕树集-天然产物领域的AI研究
世界就是一个轮回 在大数据的环境下，AI可以有效加速天然产物的药物研发，其核心是提供大量（蛋白）靶点和化学结构的生物活性数据的公共数据库。 此外，还可以用于分析从分子动力学研究中产生的大型数据集，并识别蛋白质动态变化中的隐藏模式。这推动了对小分子与蛋白质之间复杂相互作用的理解。 本文首先描述了AI在天然产物研究中的应用，包括蛙君基因组和代谢组，天然产物的结构表征以及对天然产物的靶点和生物活性的预测。 这些方法是基于序列特征进行训练的，例如基因家族、蛋白质结构域和氨基酸序列属性。 由于与天然产物研究相关的数据类型众多，单一的整体数据库不太可能满足天然产物的需求。
77711编辑于 2023-12-09 - 来自专栏Y大宽
6️⃣蛋白质序列的功能信息分析2:基于蛋白质结构域domain和功能位点分析
[序列比对和序列特征分析总目录](https://www.jianshu.com/p/878f2b2495ae 结构域domain比较抽象，属于蛋白质构象中二级结构和三级结构之间的一个层次，一般每个结构域有 InterProScan数据库：online和linux（无mac和window） nterPro将来自许多其他资源的蛋白质功能的预测信息统一在一起，概述了蛋白质所属的家族及其所包含的域和位点。 非常全面，，将UniProtDB，PROTSITE,PRINTS,PFAM,ProDom等数据库中含有的蛋白质序列的结构域，motif等合并统一，包含了蛋白质所属的家族，及其所包含的结构域和功能位点。
3.1K00发布于 2019-03-04 - 来自专栏生命科学
天然产物化合物库 | MedChemExpress
据文献报道，在传统药物研发时代，天然产物是新药研发最重要的、也几乎是独有的源泉，当时超过 80% 的药物均是原始天然产物或者其类似物；随着有机化学、药物化学、计算机技术等的发展，即使到了人工合成小分子药物占主导地位的今天 通过改造天然产物原始结构或对其母核进行化学修饰，以优化其理化性质（提高溶解度、稳定性等）及生物活性（提高选择性、降低毒性等），从而得到一系列成药性更好的天然产物衍生物，是目前已天然产物为基础进行新药研发的主要思路之一 最近，在天然产物化合物库的基础上，MCE 又推出天然产物化合物库 plus 版本（Natural Product Library Plus）和天然产物类似物化合物库（Natural Product Like 前者在原来天然产物化合物库的基础之上，又添加了部分溶解度不高及理化性质稳定性较低的天然产物；后者则包含多种生物活性已知且与天然产物的母核结构类似的化合物。 PMID:18691670. [3] Nat Chem. 2016 Jun;8(6):531-41. PMID:27219696.
52020编辑于 2023-02-28 【辰辉创聚生物】重组蛋白表达纯化|蛋白表达定制|蛋白修饰|原核表达蛋白
C41、C43 等突变株：对有毒或难表达蛋白更为耐受，常用于膜蛋白或代谢负担较大的蛋白。2. 例如，使用硫氧还蛋白（Thioredoxin, Trx）作为融合伴体，可大幅提高表达溶解性，并通过加Tag（如6×His）简化纯化步骤，之后切除伴体以获得目标蛋白。 大规模表达与裂解；6. 蛋白纯化：亲和层析 → 可选凝胶过滤或离子交换等进一步纯化；7. 酶切去伴体：如需去除融合标签，采用特异性酶处理；8. 蛋白修饰策略虽然原核系统自身不具备复杂翻译后修饰（如糖基化、磷酸化等），但可以通过体外或融合手段实现一定程度的蛋白修饰：融合标签修饰：如加入His-tag、GST、MBP等，不属于天然修饰，但在纯化、检测和功能研究中具很大帮助 ；酶切位点设计：在融合伴体与目标蛋白间设计特异性酶切位点（如Enterokinase, Thrombin, Factor Xa等），用于后续去标签和恢复天然蛋白序列；体外化学或酶促修饰：表达后可进行磷酸化
64510编辑于 2025-08-25- 来自专栏生命科学
MCE 天然化合物相关库更新
据统计，截至 2013 年，有 547 个天然产物及天然产物衍生物被 FDA 批准上市，占所有 FDA 批准上市药物的三分之一。 在这些批准上市的天然产物及衍生物中，25% 来自植物，13% 来自微生物，还有 3% 来自动物。植物来源天然产物由于植物相对简单易得且物种丰富，植物来源的天然产物一直是药物开发的主要来源。 相关化合物库作用天然产物化合物库2000+ 种天然产物集合，包括糖类和糖苷，苯丙素类，醌类，黄酮类，萜类，类固醇，生物碱，酚类，酸和醛等天然产物类似物库180+ 个结构上与类固醇、单宁、黄酮、醌类、异喹啉类等结构类似的天然产物类似物集合 抗生素化合物库400+ 种抗生素集合，均来自天然提取或半人工合成，包括青霉素类、头孢菌素类、四环素类、大环内酯类等多种类型。萜类化合物库200+ 个来自天然产物的萜类化合物集合。 Int J Mol Sci. 2018;19(6):1578.3. CALIXTO, JOÃO B.
37320编辑于 2023-03-15 - 来自专栏边缘计算
将石油和天然气推向边缘
在石油和天然气行业，持续的数据通信是现在保持完整运营过程的必备条件。然而，该行业还是错过了伴随其数据而来的一个重要机会：边缘计算。 随着清洁能源转型在全球铺开，能源行业正在经历巨大变化。 石油和天然气行业在使价值链和运营脱碳方面做出努力时，将需要边缘计算给予运行的数据和高性能AI解决方案。现在是各企业利用其数据并将石油和天然气业务推向边缘的时候了。 计划外停机对石油和天然气公司来说是一个重大的损失；停机一天的成本高达2500万美元。很明显，通过边缘计算减少对IT基础设施的处理需求，并防止停机的发生，会带来巨大的回报。 这适用于所有发电企业，从石油和天然气到太阳能和风能等可再生能源。 应用新的边缘计算解决方案 最近边缘部署的兴起背后并没有什么神秘之处。但是，领导者应该考虑如何执行向边缘计算的过渡。 通过将石油和天然气业务推向边缘，能源领导者将体验到运营效率的提高和盈利能力的提高。利用边缘计算为实现高效、绿色的性能打开了大门，从而增强了员工的能力并保持能力一直在线。
43810编辑于 2023-02-23 - 来自专栏DrugOne
Nat. Commun. |基于序列的生成式AI设计多种色氨酸合成酶
定向进化（directed evolution，DE）是一种天然蛋白质工程策略，它能够提高蛋白的多种性能，目前已经在工业界得到广泛应用。 GenSLM设计TrpB同源蛋白工作流程示意图。 如图2所示，作者利用t-SNE算法降维，比较了天然TrpB和GenSLM-TrpB。 结果表明，设计蛋白的序列与天然蛋白极其相似，且关键残基均在设计中得到保留，证明GenSLM能够生成合理的TrpB蛋白序列。 图2. 天然TrpB蛋白家族和GenSLM设计蛋白对比。 GenSLM-TrpB 230蛋白与其最相似的天然同源蛋白NdTrpB的比较。 总结来说，作者利用GenSLM这一PLM，设计了多种具有高表达量、高稳定性和高底物容忍性的TrpB同源蛋白。 作者：CHR 审校：QJC DOI: 10.1038/s41467-026-68384-6 Link: https://doi.org/10.1038/s41467-026-68384-6
15020编辑于 2026-02-03 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
2000 年至 2022 年全球天然半天然草地的年度概率图， 30 米的空间分辨率
简介 该数据集以 30 米的空间分辨率提供了 2000 年至 2022 年全球天然/半天然草地的年度概率图。 天然/半天然草地： 相对未受干扰的原生草地/矮高植被，如草原和苔原，以及过去经历过不同程度人类活动的区域，由于历史上的土地使用和自然过程，这些区域可能混合了原生和外来物种。 使用自定义概率阈值（基于五倍空间交叉验证以及平衡的精度和召回值）得出优势类图，耕地和天然/半天然草地概率阈值分别为 0.32 和 0.42。 based on spatiotemporal Machine Learning, Scientific Data. doi: http://doi.org/10.1038/s41597-024-04139-6
18700编辑于 2025-02-02 . | PepINVENT：基于生成式 AI 的天然与非天然氨基酸肽设计新框架
肽类分子在药物研发领域占据独特地位，其介于小分子与蛋白质之间的分子尺寸，赋予了它们高特异性、强亲和力及低毒性等优势，使其在靶向“不可成药”位点方面展现出巨大潜力。 肽设计的挑战与PepINVENT的创新定位 天然肽由20种蛋白质ogenic氨基酸构成，其序列空间随长度呈指数级增长（20^L），但自然界中肽的翻译后修饰及微生物合成的非蛋白源氨基酸早已突破这一框架。 该图展示了半合成数据集的主要特征，包括肽链长度（6 到 18 个氨基酸）、天然与非天然氨基酸的比例、肽的拓扑结构（线性、环化等）以及立体化学和骨架修饰（如 D 型异构体、骨架 N - 甲基化）。 图中展示了一个 6 肽的源 - 目标对，用于说明模型的预训练任务。源序列是掩盖了 2 号和 5 号位置氨基酸的肽，目标序列则是这两个位置对应的填充氨基酸（D - 缬氨酸和甲基化半胱氨酸）。 图 6：不同类型氨基酸的独特性分布。图中按氨基酸类型（天然、训练集中的非天然、全新），展示了两种采样方法在三种独特性水平上的分布。
24210编辑于 2026-01-08- 来自专栏智药邦
AIGC×蛋白质设计，天壤xCREATOR「一键生成」全新的蛋白质
如图A所示，当用户约束条件仅为序列长度70氨基酸时，xCREATOR自由设计的结构与AlphaFold的计算评测一致，且与PDB中最相近的天然蛋白质6XCK的TM-score仅0.41。 同时，xCREATOR也可设计出与天然蛋白质相似度较高的结构，如图B所示，用户可根据应用需求自由挑选。 过去五十年，生物学家通过改造或优化天然蛋白质的方式解决疾病用药问题和开发新材料等，但实际应用中人们需要的指定功能及特性往往是天然蛋白质不具备的。 其实，在已知的天然蛋白质的背后，蕴藏着一个隐密的巨大蛋白质宇宙。 今年年初，人类实验解析结构的蛋白质总数（PDB）突破20万，已知的蛋白质序列数量达到10^15，而潜在蛋白质空间却远超过该数量级。 同时，摆脱对专家经验的强依赖，也不再受天然蛋白质片段和复杂能量函数的限制，以逆折叠的方式产出符合目标功能需求的蛋白质序列和结构。
34230编辑于 2023-02-28 - 来自专栏DrugOne
AIGC×蛋白质设计，天壤xCREATOR「一键生成」全新的蛋白质
如图A所示，当用户约束条件仅为序列长度70氨基酸时，xCREATOR自由设计的结构与AlphaFold的计算评测一致，且与PDB中最相近的天然蛋白质6XCK的TM-score仅0.41。 同时，xCREATOR也可设计出与天然蛋白质相似度较高的结构，如图B所示，用户可根据应用需求自由挑选。 过去五十年，生物学家通过改造或优化天然蛋白质的方式解决疾病用药问题和开发新材料等，但实际应用中人们需要的指定功能及特性往往是天然蛋白质不具备的。 其实，在已知的天然蛋白质的背后，蕴藏着一个隐密的巨大蛋白质宇宙。 今年年初，人类实验解析结构的蛋白质总数（PDB）突破20万，已知的蛋白质序列数量达到10^15，而潜在蛋白质空间却远超过该数量级。 同时，摆脱对专家经验的强依赖，也不再受天然蛋白质片段和复杂能量函数的限制，以逆折叠的方式产出符合目标功能需求的蛋白质序列和结构。
78730编辑于 2023-02-17 - 来自专栏DrugOne
Patterns | 使用天然配对数据改进抗体语言模型
人体的抗体库极其丰富，包含高达1018种独特抗体，远超地球上所有物种的蛋白质总数。这些抗体通过B细胞的体细胞基因重组形成，涉及不同基因片段的组合。 采用仅编码器的架构，以便生成有用的序列嵌入，这些嵌入可用于下游任务，如特异性分类，并与现有的蛋白质和抗体语言模型（LMs）对齐。在模型训练时，唯一使用编解码器训练的显著例外是ProtT5。 对于BALM-paired，作者注意到当掩盖的重链与天然（突变的）轻链配对时，交叉熵损失（CEL）大幅减少（图3B），表明天然配对通过跨链学习提高了模型性能。 BALM-paired认为正确的（突变的）残基在与天然轻链配对时的可能性提高了约4倍（6.7对1.7），并且在与天然（突变的）轻链配对时，考虑不正确但非生发中心的残基的可能性大约提高了两倍（16.7对8.9 在实验中，轻链突变被掩盖并与天然或生发中心回归的重链配对的结果（图3D和3E）更加引人注目：天然配对将正确的（突变的）残基的可能性提高了超过6倍（7.3对1.1）并且在任何非生发中心残基的可能性几乎提高了
35010编辑于 2024-05-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号