CN119517171A 一种功能蛋白质挖掘和筛选方法及装置 （之江实验室）

本发明公开了一种功能蛋白质挖掘和筛选蛋白簇挖掘等多维度的生物信息学分析与基于白质的结构分析，利用蛋白质结构与功能的关译后修饰和生物物理学特性等与蛋白质功能相2整合若干个蛋白质数据库，并获取蛋白质的物种序列号信息基于蛋白质功能域结构域数据库注释参考序列的功能域和结构域片段，选择第一蛋白序列中筛选出覆盖有所选择的功能域和结构域片段的第二蛋白预测第二蛋白质和参考蛋白质的三级结构并进行聚类，从第二蛋白质获取物种序列号为索引的分类信息文件，基于该文件获取参考蛋使用聚类模型对新的向量矩阵进行聚类，选出与参考蛋白质同标签从参考物种中挖掘出目标功能通路的蛋白簇，基于目标功能通路的蛋白簇2）对点排序以确定簇结构的聚类即OPTICS和3）基于沃德连接的分层聚类即WardAgglomerativeClustering算法的WardHierarchicalClustering聚类模型中的类别数首先在参考物种的蛋白组上获取目标功能通路蛋白的序列并用核酸蛋白质序列比对；将参考物种中的每个基因组序列依次比对到目标功能通路蛋白组scaffold上挖掘出相邻的蛋白质序列最多的基因组scaffold，再将这些蛋白序列建库，3包含所有必需的目标功能通路蛋白质，但是分布在同一基因组scaffold不相邻的位NR库比对模块，用于整合若干个蛋白质数据库，并获取蛋白质的物种序列第一筛选模块，用于基于蛋白质功能域结构域数据库注释参考第二筛选模块，用于预测第二蛋白质和参考蛋白质的三级结第三筛选模块，用于使用聚类模型对新的向量矩阵进行聚第四筛选模块，用于从参考物种中挖掘出目标功能通路的蛋4构方面，引入深度学习的蛋白质三维结构预测方法如AlphaFold、RoseTTAFold和ESMFold蛋白质性质作为筛选和验证的依据，再以基于基因组学分析验证生化反应通路的完整性，从而达到多角度的分析结果相互验证，也能让蛋白组学分析不局限在相似性高的序列之[0005]本发明的目的是通过以下技术方案来实现的：一种功能输出比对到NR库的第一蛋白序列及其物种名称和物5序列上共有的目标功能相关并且其片段对序列覆盖度大于第一预设阈值的功能域和结构[0014]聚类模型选用三种从头聚类算法分别为：1）基于密度的噪声应用空间聚类即AgglomerativeClustering算法的WardHierarchicalClustering聚类模型中的类别数[0016]首先在参考物种的蛋白组上获取目标功能通路蛋白的序列并再使用核酸蛋白质序列比对；将参考物种中的每个基因组序列依次比对到目标功能通路起始位点和终止位点，对靶标即功能通路蛋白的覆盖程度和翻译后的基因组比对区域序由包含这些CDS的基因组片段即为目标功能通路的序列和蛋白组及其序列。6二蛋白序列；二蛋白质选出能够同参考蛋白质结构聚为一类的蛋白质作为通路的蛋白簇对候选物种进行筛选，筛选后的候选物种对应的候选蛋白质即为目标蛋白学习技术，基于三维结构和大语言模型的蛋白质功能表征结果进行多角度结合的量化分7[0051]在一实施例中，基于非冗余蛋白数据库的蛋白挖掘，包括：非冗余蛋白数据库（NonredundantProteFASTA/nr.gz）是由某国生物技术信息中心（NationalCenterforBiotechnology全物种蛋白质信息的数据库，因此基于此数据库的挖掘能够获得的结果能够覆盖比较广泛的序列空间和物种范围。为了在建立蛋白比对数据库时能够关联物种信息，同时需要在获取蛋白质8关系。通过数据库NCBITaxonomyDatabase（/pub/参考序列上共有的目标功能相关并且其片段对序列覆盖度大于第一预设阈值的功能域和够同参考蛋白质结构聚为一类的蛋白质作为第一候施例中使用基于蛋白质大语言模型的三级结构预测工具预测第二蛋白质和参考蛋白质的9Superkingdom下的物种分类（如目标物种为哺乳动物，背景蛋白需覆盖真核生物中三个果能产生一定干扰，为了更好地筛选出功能近似的蛋白质，需要评估和过滤物种分类对表征向量矩阵的影响。将参考蛋白质和第二蛋白质的表征向量矩阵拿出，并且通过物种序列号为索引的分类信息文件taxidlineage.dmp获得参考蛋白质和第二蛋白质对应物种的subclass层级的分类序列号作为分组信息，这里使用随机化决策树算法将向量矩阵映射到分类序列号上，即可寻找向量矩阵中与物种分类关联度大的特征值。选择特征权重最小样本数(minimumsamples)和xi值，3）使用AgglomerativeClustering算法的Ward[0065]通过参考值和聚类结果之间的同质性打分（HomogeneityScore）、完整性打分（CompletenessScore）和V评价打分（VMeasureScore）以及聚类结果的轮廓系数打分采样的方法，对三种聚类模型的参数测试其在蛋白质向量矩阵的聚类效果，并计算和记录参数和模型用于聚类蛋白质向量矩阵。[0066]基于优化过的模型和参数组，对蛋白质大语言模型表征的向量矩阵进行从头聚[0067]记录通过蛋白质三级结构筛选的第二蛋白质的标签值及其与参考蛋白质标签值质和候选蛋白质所属物种的序列号来获取物种序列号对应NCBI上基因组组装数据库（Assembly）的基因组组装序列号。再通过基因组组装序列号下载其基因组及其序列缩文件封装。位点（queryend对靶标即目标功能通路蛋白的覆盖程度和翻译后的基因组比对区域序列比对的比对（比对条件evalue小于等于0.00001选择能完整覆盖目标功能通路蛋白并能因为基因组测序和组装的不完整而没有被完全挖掘，所以在以NR库位数据库以目标通文件夹中的结构与建好的结构库进行比对（对齐方法为3Di+AA，tm打分阈值tmscorethreshold为0.4输出文件格式为BLAST_TAB表格形式并包括对齐tm打分（alntmscore齐结构的序列的最小长度alnlen为50，且结构一致性打分fident大于等于0.8将比对结结构相似性图谱的节点上，通过观察比较观察图谱中蛋白质节点聚成的簇及其标签分类，蛋白质功能注释的结果，将步骤6中挖掘的蛋白簇上的蛋白质序列分成不同的Fasta文件，Likelihood）的进化树构建，得到相应的基于极大似然法的进化距离文件（Maximum测试，发现WardHierarchicalClustering有最好的表现，最合适的参数为n_clusters=基因组上能够挖掘到放光通路的蛋白簇。通过该蛋白质挖掘和筛选流程，在真菌中新发现二蛋白序列；二蛋白质选出能够同参考蛋白质结构聚为一类的蛋白质作为通路的蛋白簇对候选物种进行筛选，筛选后的候选物种对应的候选蛋白质即为目标蛋白[0094]需要说明的是，本实施例中示出的装置实施例与上述方他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器[0098]本发明的一种功能蛋白质挖掘和筛选装置的实施例可以应用在任意具备数据处中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的[0099]上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的[0102]所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数[0103]需要说明的是，本实施例中示出的装置实施例与上述方