查询蛋白结构域

结构域是蛋白质三级结构的基本结构单位和功能单位 蛋白质三级结构的基本结构单位是结构域。 一个蛋白质可以只包含一个结构域也可以由 几个结构域组成，故结构域是能够独立折叠为稳定的三级结构的多肽链的一部分或全部。结构域也是功能单位，通常多结构域蛋白质中不同的结构域是与不同的功能相关联的。 生物体的基因组决定了所有构成该生物体的蛋白质，基因规定了蛋白质的氨基酸序列。蛋白结构域是蛋白中具有特异空间结构和独立功能的区域，是蛋白质发挥生物学效用的关键功能单位。 了解蛋白质的空间结构不仅有利于认识蛋白质的功能，也有利于认识蛋白质是如何执行其功能的。确定蛋白质的结构对于生物学研究是非常重要的。 SMART(http://smart.embl-heidelberg.de/)，可以说是蛋白结构预测和功能分析的工具集合。简单点说，就是集合了一些工具，可以预测蛋白的一些二级结构。

蛋白质基础组成结构

技术背景 了解蛋白质的基本组成单元和结构，有助于了解蛋白质的特性。对于蛋白质结构的研究，在医药领域是非常核心的重要工作。 这里我们仅仅介绍一些蛋白质的基本组成单元——20种氨基酸的种类，以及可以用于蛋白质建模的一些工具。 ATOM 8 HB3 ALA 1 -6.118 -6.588 1.399 ATOM 9 HO-p-Ph-CH2-CH(NH2)-COOH 5.66 Valine 缬氨酸 Val V (CH3)2CH-CH(NH2)-COOH 5.96 PDB文件基本格式 pdb是最常用的一种存储蛋白质结构的文本文件格式 同时本文还介绍了常用的存储蛋白质结构的文件格式pdb的具体格式化定义，总体来说是一个总结性的文章。

InstructPLM: 对齐蛋白质语言模型以遵循蛋白结构指令

鉴于结构决定功能，结构相似的突变蛋白更有可能在生物进化中保存下来。 这些遗传变异为蛋白质工程提供了丰富的蛋白质资源。在蛋白质工程中，一个典型的挑战是蛋白质序列设计，也称为蛋白质反向折叠，它需要找到能够折叠成特定蛋白质主链结构的氨基酸序列。 此外，作者仿照着Qwen-VL的方法，在交叉注意力中添加一维绝对位置编码，以在压缩过程中保留蛋白质一级结构信息。压缩后的蛋白质主链结构特征序列随后被送入蛋白质语言模型，作为一个软提示。 基于完全计算预测的结构生成功能性酶的能力突显了结合高级蛋白质结构预测工具如AlphaFold和结构设计工具如Chroma与InstructPLM的潜力。 对于ProteinMPNN，作者将九个发布的ProteinMPNN模型编码的蛋白质主链表示进行拼接，每个维度为128，最终获得的蛋白质主链嵌入维度为128×9=1152。

(9)Python循环结构

寻找蛋白结构中的紊乱残基

紊乱残基，分析蛋白结构的时候，经常遇见的一个点，以前的，我觉得蛋白结构就是结构，唯一的稳定的，直到我亲眼遇到了几个坑。 好吧开始 用的biopython，编程语言还是python 直接代码： 我懒得排版，你们就简单看 拿个蛋白：1h10 ? 假如出现什么值得注意的地方，那事情就有点难办了 #建造一个mmcif解析器 from Bio.PDB.MMCIFParser import MMCIFParser parser = MMCIFParser() #结构输入 structure = parser.get_structure('1h10', '1h10.cif') #简单看下 structure #看下这个实例能做什么 dir(structure) #这个结构只有一个 model，不是nmr结构，只有A链一条链，残基总共357个 #（水，ligand也算残基（biopython说法应该是异质残基）） len(structure[0]['A']) #判断一个残基是否位为紊乱残基

BIB | 动态结构信息提升蛋白-蛋白相互作用预测能力

蛋白质的空间结构与其功能特性密切相关，在预测蛋白质-蛋白质相互作用中增加蛋白质空间结构相关信息能潜在提高模型预测能力。 本文提出TAGPPI模型，融合蛋白质序列特征与AlphaFold2预测的结构信息提高蛋白-蛋白相互作用预测精度。德睿智药团队负责了研究部分AI模型的开发与验证。 由于蛋白质的空间结构与其功能密切相关，研究团队认为针对PPI预测问题，结合蛋白质结构信息，可潜在提高模型的预测性能。 然而，已知结构的蛋白质数量有限，限制了基于结构的预测方法的应用,利用Alphafold2预测的蛋白质结构是一种新的尝试。 随着蛋白质结构预测方法的改进，三维结构在数量和质量上都会有实质性的发展，这一趋势或许将促使更多围绕结构特征的研究的开展。团队计划尝试将该策略应用于其他预测任务，如药物-靶点相互作用预测和蛋白质设计。

蛋白质结构学习记录1

β-Strands (β-Sheets)  一般不单独出现，成对或多个出现  β链通过氢键相互作用，稳定结构  通过β转角，短或长的loop、coil或α螺旋连 接序列相邻的两个β片。  平行或反平行的β−sheet Loop 连接α-helix或β-sheet 长度和三级结构不确定 在蛋白质结构的表面 受点突变的影响小 柔性好，构象变化余地大 带电荷、极性的氨基酸比例高 维系蛋白质结构的作用力 氢键： 与电负性大的原子X（氧、氮等）共价结合 的氢，如与负电性大的原子Y接近，在X与Y之间以 氢为媒介，生成X-H…Y形的键。有饱和性和方向 性。 盐键（离子键）： 是蛋白质分子中带正、负电荷 的侧链基团互相接近，通过静电吸引而形成，作 用力强，无饱和性，无方向性。 一般认为折 叠过程中不介导蛋白形成正确构象，但加固已形 成的折叠结构。 金属配位键： 金属离子与蛋白特定残基形成。 1，蛋白质的正确折叠所必须； 2，正确折叠过程非必须，但有利于结构稳定。

AlphaFold破解心脏病关键蛋白结构

揭示心脏病关键蛋白的结构，长期以来既是重要的公共卫生目标，也是一个棘手的科学难题。 揭示其关键蛋白的结构，有望阐明坏胆固醇如何在体内产生危害，为科学家预防和治疗ASCVD提供更优策略。AlphaFold在此项工作中发挥了核心作用。 他利用AlphaFold生成了该蛋白质结构的原子级精度预测，然后通过与冷冻电镜图像数据进行比对，对这些预测结构进行了优化。 最终生成的模型以前所未有的细节揭示了坏胆固醇关键蛋白的结构：一个环绕每个LDL颗粒的笼状外壳，其中包含一条带状结构，确保颗粒在血液中的完整性。 他说：“AlphaFold上线那周，这是我第一个用它来运算的结构，也是我第一个想用我们那台两层楼高的冷冻电镜去观察的蛋白质。解析apoB100的结构，梦想成真了。”FINISHED

蛋白质二级结构预测

蛋白质二级结构 ? α-螺旋（α-Helix） 蛋白质中最丰富的的二级结构 β-折叠片（β-Sheets） 具有平行（parallel）与反平行（antiparallel）两种形式 环区（Loops） 连接螺旋和折叠结构 常位于蛋白结构表面，多为带点和极性氨基酸 常为活性位点组成部分 无规则卷曲（Disordered regions） Jpred Jpred 是一种蛋白质二级结构预测网络服务器,由Barton Group 通过提交单一蛋白质序列或多重蛋白质序列并运行,Jpred就可以预测出蛋白质序列的二级结构：α-螺旋、β-折叠或无规则卷曲。Jpred应用了Jnet神经网络算法，准确率达到了76.4%。 （windows）输入神经网络进行二级结构预测。

结构感知的蛋白质预训练

这篇文章设计了针对蛋白质结构的预训练任务，并运用双层优化和互信息捕捉序列信息和结构信息的一致性，在下游任务上取得了当前最好的结果。 现有蛋白质表征学习的主要阻碍是有监督数据太少，而最近的一些研究已经证明了自监督学习有希望解决标签不足这个问题。然而，现有蛋白质自监督学习方法只作用在蛋白质序列层面，没有显式考虑蛋白质结构的信息。 为此，作者提出了一种新的蛋白质自监督学习方法来有效地捕捉蛋白质的结构信息。具体来讲，基于残基间距离和二面角设计了两个自监督学习任务并使用图神经网络来捕捉这些信息。 更进一步，作者利用预训练好的蛋白质语言模型增强蛋白质结构的自监督学习，并且提出一种伪双层优化方案去保证蛋白质序列信息和结构信息的一致性。下游任务的实验验证了作者提出的方法的有效性。 基于图神经网络的两个自监督任务很好地捕捉蛋白质的结构信息，同时，伪双层优化保证了蛋白质序列信息和结构信息的一致性。下游任务C2， C10和C384的结果验证了方法的有效性。

数据结构（9）-- 跳表

文章目录 跳表 跳表的搜索 跳表的插入 抛硬币 跳表的删除 跳表的代码实现 跳表数据结构 初始化跳表 插入节点 删除节点 销毁跳表 为什么Redis要用跳表来实现有序集合？ 跳表(skip list) 对应的是平衡树(AVL Tree)，是一种 插入/删除/搜索 都是 O(log n) 的数据结构。它最大的优势是原理简单、容易实现、方便扩展、效率更高。 节点，发现17比其大，向后搜索，发现6后面的节点指向了Nil(第4层)，那么搜索的层数降低1层， 从此节点的第3层开始搜索，发现下个节点是25，大于17，那么再降低一层，从2层开始搜索，发现第2层是9， 小于17，继续搜索，发现9节点的下一个数是17，搜索完成。 ---- 跳表的代码实现 跳表数据结构 如上图中的E节点，表示的是头节点，一般跳表的实现，最大有多少层(MAX_LEVEL)是确定的。所以e的个数是固定的。

opencv 9 -- 轮廓 层次结构

同时，我们得到的结果包含 3 个数组， 第一个图像，第二个是轮廓，第三个是层次结构。 但是我们从来没有用过层次结构 层次结构是用来干嘛的呢? 层次结构与轮廓提取模式有什么关系呢? 2 OpenCV 中层次结构 不管层次结构是什么样的，每一个轮廓都包含自己的信息: 谁是父，谁 是子等。 而对象内部中空洞的轮廓为 第 2 级组织结构， 空洞中的任何对象的轮廓又是第 1 级组织结构。 空洞的组织 结构为第 2 级。 想象一下一副黑底白字的图像，图像中是数字 0。 0 的外边界属于第一级 组织结构，0 的内部属于第 2 级组织结构。 我们可以以下图为例简单介绍一下。我们已经用红色数字为这些轮廓编号， 并用绿色数字代表它们的组织结构。 现在我们考虑轮廓 0，它的组织结构为第 1 级。 其中有两个空洞 1 和 2， 它们属于第 2 级组织结构。

第9章、语言结构

MySQL使用type关键字，并且这些结构分别生成 DATE， TIME和 DATETIME值，如果指定，则包括尾随小数秒部分。

4000万蛋白结构训练，西湖大学开发基于结构词表的蛋白质通用大模型，已开源

编辑 | ScienceAI 蛋白质结构相比于序列往往被认为更加具有信息量，因为其直接决定了蛋白质的功能。而随着AlphaFold2带来的巨大突破，大量的预测结构被发布出来供人研究使用。 如何利用这些蛋白质结构来训练强大且通用的表征模型是一个值得研究的方向。 实验结果表明SaProt各种蛋白质任务上都要好于之前的序列和结构模型。 这样对于蛋白质的每个位点，其氨基酸类型和对应的局部结构都能组合成新词表中的某个元素，从而让模型同时考虑到蛋白质的序列与结构信息。 蛋白质区分开来，而ESM-2的可视化结果却将两种蛋白质混杂在一起，这说明了SaProt对结构的变化有很强的感知能力。

Science｜蛋白质-蛋白质相互作用的结构发生机制

利用合成共进化设计从头界面 图1 合成共进化工作流程 （A）界面迁移策略概述：蛋白质Z结构域和亲和体的经典结合界面（H1-H2）被迁移至非经典H2-H3和H1-H3表面，以创建新的合成界面。 ；NGS数据还通过统计机器学习（ML）方法建模多轮筛选数据，以获得估算的适应度景观，该景观可通过模拟共进化轨迹揭示景观几何结构，并通过上位性分析阐明关键蛋白质-蛋白质相互作用；Frame2seq提供序列 -结构映射，以晶体结构为输入，将序列簇与其结构构型关联；源于这些计算模型并经界面结构验证的上位性分析，揭示关键残基-残基相互作用，为塑造蛋白质-蛋白质相互作用的进化机制提供见解。 合成与天然蛋白质-蛋白质界面的结构和上位性特征 图5 界面组成的结构解析与上位性分析 （A）Z结构域链间接触：对于每个结构，链A以表面模型显示，链B以卡通模型显示，接触残基的侧链以棍状模型显示；非接触库残基为蓝色或蓝灰色 发现由天然进化出蛋白质结合能力的表面形成的复合物，与由非结合表面形成的复合物相比，其上位性类型和塑造亲和力、特异性及正交性的结构适应性存在差异。

Nature｜仅根据靶点结构设计蛋白质的结合蛋白

我们成功地解析出了五个结合蛋白-靶点复合物的晶体结构，所有这五个结构都非常接近于相应的计算设计模型。 目前大多数用于蛋白质与靶点表面结合的计算设计方法都是利用来自天然复杂结构的信息。已有研究对具有不同环形几何结构的抗体结构进行计算对接，并产生了结合物，但设计的结合模式很少被高分辨率的结构解析所验证。 所有的设计都有与设计模型一致的圆二色光谱，大多数（13个中的9个）在95℃下是稳定的（图2、3和表1）。 我们使用结合竞争实验、生物测定和复合物的结构表征的组合来研究这个问题。对于这9个靶点，这种表征表明其结合模式与设计模型一致。 Nature (2022). https://doi.org/10.1038/s41586-022-04654-9 --------- End ---------

数据结构（9）串的顺序存储结构

串的顺序存储结构 鸽了很久的数据结构篇，最近确实事情好多，为了申请外宿一直和导员斗智斗勇，今天来看一个串这一节，其实就串的基本代码部分不是特别重要，本着复习线性表的目的，我们再来看一遍。

IBS—绘制核酸、蛋白结构图的神器

IBS简介 IBS是一款专业的核酸和蛋白质生物序列图绘制软件，为华中科技大学薛宇教授的团队CUCKOO制作，内置蛋白质序列和核酸序列的多种模板和推荐配色，也可以自己进行创作。 两者的区别是：下载版有35个蛋白样品图和27个核酸样品图，在线版只有20个蛋白样品图和20个核酸样品图。 01 查找序列结构 首先查找相关基因或者蛋白质的序列结构，查询网站一般用以下三个： Ensembl： http://grch37.ensembl.org/Homo_sapiens/Info/Index //www.uniprot.org/ 02 绘制图形 首先登录IBS网站： http://ibs.biocuckoo.org/ 在线绘制图形，有三种绘制方法：1、自定义画图；2、模板上修改；3、输入蛋白质 3、输入蛋白质ID。在网站首页点击FOR DATABASE，可以直接搜索蛋白质的ID进行绘图。 ? 03 观看视频学习 如果想了解更加详细的图画绘制步骤可以观看网站发布的教学视频学习。

Science | 蛋白质结构预测: now easier, faster

根特大学的结构生物学家 Savvas Savvides 曾六次尝试模拟一种有问题的蛋白质。 但是 AlphaFold2 只解决了单个蛋白质的结构，而 RoseTTAFold 也预测了复合物，例如锁定在其受体上的免疫分子白细胞介素 12 的结构。 巴塞尔大学的计算结构生物学家 Torsten Schwede 说，许多生物功能取决于蛋白质-蛋白质的相互作用。 “直接从序列信息处理蛋白质-蛋白质复合物的能力使其对生物医学研究中的许多问题极具吸引力。” ? Baker承认，总的来说AlphaFold2 的结构更准确。 但 Savvides 表示，Baker实验室的方法更好地捕捉了“蛋白质结构的本质和特殊性”，例如识别从蛋白质侧面伸出的原子串——这是蛋白质之间相互作用的关键特征。

Nature｜确定蛋白质结构的短暂状态

因此，结构生物学的一个挑战是扩大确定这些高能状态的方法。目前确定蛋白质结构的技术，包括X射线晶体学和低温电子显微镜，都具有局限性。 解决方案 在核磁共振中，蛋白质中的每个原子都可以通过其原子核在磁场中的共振频率来检测，这称为化学位移。但仅仅测量化学位移并不足以准确计算蛋白质结构。 这种方法以前被用来确定蛋白质的主要结构，但我们将其与 CPMG 弛豫色散（PCS-CPMG）结合起来，以确定蛋白质在其高能状态下的 PCS。 这项工作概述了一种确定蛋白质中这种瞬时结构的新策略。 --Hashim Al-Hashimi 美国北卡罗来纳州达勒姆的杜克大学医学院生物化学系 这篇论文的背后 大约20年前，我意识到最具生物活性的蛋白质构象是高能状态，而不是充满蛋白质结构数据库的低能结构，