共查询到18条相似文献,搜索用时 78 毫秒
1.
2.
核磁共振研究蛋白二级结构的方法 总被引:6,自引:0,他引:6
核共振共振法常规应用于解析化学物质结构和反应性能,现已发展成为生物化学和分子生物学的重要实验技术,尤其是在确定溶液中蛋白和多肽结构方面起着其它物理分析方法不可比拟的作用。文章综述了化学位移,偶合常数。核Overhauser效应(NOE)以及同位素交换等确定蛋白或多肽二级结构的方法。 相似文献
3.
4.
5.
蛋白质结构预测通常指借助计算机计算模拟方法从氨基酸序列推断其三维空间结构.而空间结构决定其生理功能,故结构预测问题尤为重要.基于单纯物理学的预测仅能应对较短蛋白质且精度不高.而基于数据驱动和生物信息学的方法近十多年备受重视.本文主要回顾近十多年来深度学习在蛋白质预测领域的应用,重点介绍Deepmind团队的AlphaFold方法,此方法预测在单域蛋白质达到了中低分辨率实验精度,一定程度上解决了困扰人们五十多年的蛋白质结构预测难题. 相似文献
6.
7.
采用蒙特卡罗方法和基于三维格点的ODI模型,研究了类蛋白质分子二级结构变化与表面吸附能的关系.分别计算了链长为29,39,49时、不同吸附能下类蛋白质分子二级结构的个数.包括α螺旋、β折叠、紧密接触对.吸附能参数aε<2εh时,这三类二级结构个数均没有明显的变化,而在2εh<εa<4εh,二级结构的个数迅速减小,εa>4hε时,二级结构的个数基本维持不变.同时发现吸附能增强对螺旋结构变化的影响最大,对折叠结构的影响其次,对紧密接触对影响最小.这体现在螺旋结构的减小幅度为90%,折叠结构减小的幅度为45%,而紧密接触对减小的幅度为35%.通过统计吸附单体个数,得到当吸附单体占总单体数的40%时,二级结构开始变化,直至吸附单体为总单体数的90%时,二级结构基本不变.另外还计算了二级结构个数的涨落δNh、δNc以及吸附单体个数的涨落δNa.在εa>2εh时,涨落突然增大,在aε=2εh时,δNh和δNb具有涨落极大值,这是二级结构相变的临界点.在εa=3.75εh处,δNc和δNa具有极大值. 相似文献
8.
采用红外光谱法分析了酵母蛋白质的二级结构。测定了不同温度下酵母酰胺Ⅲ带的一维红外光谱、二阶导数红外光谱及去卷积红外光谱。结果表明:随着测量温度的升高,酵母中的蛋白质α-螺旋结构的红外吸收强度降低;而β-转角结构、无规卷曲结构和β-折叠结构红外吸收强度均有所增加。还研究了酵母酰胺Ⅲ带的二维红外光谱,以确定酵母中蛋白质红外吸收强度的变化次序,进一步证明了酵母蛋白质的β-折叠结构的热不稳定性。 相似文献
9.
应用连续小波变换预测蛋白质的二级结构 总被引:4,自引:1,他引:4
将代码为lgca蛋白质的氨基酸序列映射为疏水值序列,在合适的尺度下,通过 连续小波变换法分别对其α螺旋,α螺旋和β折叠之间的连接多肽(即部分规则和无 规则二级结构)进行预测,准确率分别为76.5%和85.7%.从PDBsum数据库中随 机抽取100个蛋白质作为测试对象,其中全α螺旋、全β折叠、α/β以及α+β蛋 白质各25个.在100个蛋白质中共有1618个连接多肽和747个α螺旋.本法预测到的 连接多肽共有1536个,其中1308个与实际结构一致,平均预测准确率为85.2%;预 测到的α螺旋有770个,其中581个与实际结构一致,平均预测准确率为75.5%. 结果表明:该法可较好地预测蛋白质的α螺旋、连接多肽,具有极大的发展前景. 相似文献
10.
11.
采用神经网络研究了PP/POE共混物的冲击性能,通过温度、配比与冲击强度的正交试验设计得出的数据来验证神经网络的效果。将10℃、20℃和30℃的实验数据用于学习训练,将0℃的实验数据用于预测。同时通过调节不同的参数得出三种不同结构神经网络模型分别进行预测。通过测试表明,神经网络对于共混改性的预测具有较好的效果。将神经网络方法用于聚合物共混改性的数据分析,能明显减少实验次数,提高实验效率,快速完成共混材料的产品配方设计,并得出了该网络类型下的模型参数调控的大致方向,表明对于小样本数据,较少的隐藏层与神经单元数量能取得更好的预测效果。 相似文献
12.
豆浆凝固过程中大豆蛋白质二级结构的研究 总被引:2,自引:0,他引:2
用变温ATR-FT-IR测定了豆浆加热、豆浆凝固过程中蛋白质二级结构的变化,结果显示:随着温度的升高,熟豆浆中蛋白质分子间强相互作用氢键(1β)和总相互作用氢键(1β 2β)明显下降,豆浆从20℃升温到80℃时,1β由29.2%下降到16.1%,表明蛋白质分子间的相互作用减弱;豆腐的核心结构(β α)约38.0%变化不大。随豆腐凝胶强度增加,1β由17.4%上升到43.3%,而维持蛋白质紧密结构的氢键(β α)由38.8%下降到17.4%。豆浆凝固过程中1β的变化与其凝胶特性G*变化完全一致,说明蛋白质分子间强相互作用氢键与豆腐的硬度有关。 相似文献
13.
14.
NeuralNetworkLearningoftheInteractionBetweenPeptideSegmentsofProteinsLuZhi-bin,WANGYu-hingandLIWei(DepartmentofMolecularBiolo... 相似文献
15.
M. Reczko 《SAR and QSAR in environmental research》2013,24(2-3):153-159
Abstract Partially recurrent neural networks with different topologies are applied for secondary structure prediction of proteins. The state of some activations in the network is available after a pattern presentation via feedback connections as additional input during the processing of the next pattern in a sequence. A reference data set containing 91 proteins in the training set and 15 non-homologous proteins in the test set is used for training and testing a network with a modified, hierarchical Elman architecture. The network predicts the secondary structures α-helix, β-sheet, and “coil” for each amino acid. The percentage of correctly classified amino acids is 67.83% on the training set and 63.98% on the test set. The best performance of a three-layer feedforward network is 62.7% on the same test set. A cascaded network, where the outputs of the recurrent network are processed by a second net with 13 × 3 inputs, four hidden and three output units has a predictive performance of 64.49%. The best corresponding feedforward net has a performance of 64.3%. 相似文献
16.
Literature contains over fifty years of accumulated methods proposed by researchers for predicting the secondary structures of proteins in silico. A large part of this collection is comprised of artificial neural network-based approaches, a field of artificial intelligence and machine learning that is gaining increasing popularity in various application areas. The primary objective of this paper is to put together the summary of works that are important but sparse in time, to help new researchers have a clear view of the domain in a single place. An informative introduction to protein secondary structure and artificial neural networks is also included for context. This review will be valuable in designing future methods to improve protein secondary structure prediction accuracy. The various neural network methods found in this problem domain employ varying architectures and feature spaces, and a handful stand out due to significant improvements in prediction. Neural networks with larger feature scope and higher architecture complexity have been found to produce better protein secondary structure prediction. The current prediction accuracy lies around the 84% marks, leaving much room for further improvement in the prediction of secondary structures in silico. It was found that the estimated limit of 88% prediction accuracy has not been reached yet, hence further research is a timely demand. 相似文献
17.
提出了用神经网络方法测定无机铬的形态。在Back Propagation(BP)算法的基础上,吸取了模拟退火算法的优点,解决了BP算法容易陷入局部极小点的问题。经实际样品分析,结果满意。 相似文献
18.
1人工神经网络──自组织神经树模型人工神经网络(ANN)是八十年代中期迅速兴起的一门非线性科学.它力图模拟人脑的一些基本特性,如自适应性、自组织性、容错性等,已在模式识别、数据处理及自动化控制等领域得到了初步应用,取得了相当好的效果[1,2].1993年,Tao-Li等提出了自组织神经树网络.它是一个多层树状网络(见图1),每个输入节点与所有神经树的节点(神经元)通过权W相联系,实现对输入信号的非线性降维映射.映射中保持拓扑不变性,即把拓扑意义下相似的输入(即在高维空间中距离较近的输入向量)映射到相同子树的节… 相似文献