[发明专利]蛋白质组数据库及其应用

说明书

技术领域

本发明涉及生物信息领域，具体的，本发明涉及构建蛋白质组数据库的方法、蛋白质组数据库、蛋白质组数据库在蛋白质分类和/或检索定位中的用途、定位蛋白的方法、定位蛋白的系统、蛋白的分类方法及系统。

背景技术

蛋白质是生命功能的执行者和生命活动的直接体现者。随着四千多个物种全基因组序列测定的完成,基因组研究的战略重点从结构基因组学转向功能基因组学，蛋白质组学正是功能基因组研究的重要支柱，是后基因组时代生命科学研究的核心内容之一。蛋白质组学对蛋白质的功能分析、鉴定及其翻译后修饰的研究，将会对阐明基因的功能起到极大的推动作用，并能更加客观准确地揭示生命现象。

质谱(MS)为基础来分析蛋白质组的鸟枪法是非常强大的方法,但是鸟枪法这样的策略在很大程度上依赖于完整的蛋白质组数据库，通常使用数据库检索算法进行蛋白质的鉴定。目前，全蛋白质组数据库中的大部分蛋白质序列是来源于预测全基因组和转录组序列中的蛋白质编码基因得到的注释结果，只有部分蛋白质具有实验证据的支持。随着实验数据的积累和预测注释的改进，蛋白质数据库不断更新且日趋完善其完整性和准确性，但是依然不能反映全蛋白质组的全部信息。

发明内容

本发明的目的之一在于构建一种蛋白质组数据库。发明人基于以下发现和认识而作出本发明：

蛋白质分子的疏水性(Hydrophobicity)，等电点(PI)，序列长度和分子量等理化特性只依赖于蛋白质氨基酸组成，与蛋白质序列信息无关，这些理化特性被认为是蛋白质氨基酸组成相关的理化特性。这些特性值可以从一个线性氨基酸序列推算出。蛋白质氨基酸组成和氨基酸组成衍生的理化特性，已被广泛用于预测蛋白质结构和功能分类，蛋白–蛋白相互作用和蛋白质亚细胞定位。

蛋白质组学获得和鉴定低丰度蛋白是一个巨大的挑战。例如，双向电泳方法有一定的局限性：它很难分析出非常酸性的，碱性的，小的，大的和疏水性的蛋白质。完全测序的四千多个蛋白序列构成的全蛋白质组可提供丰富的生物信息来指导未来的生物研究，但是本领域普通技术人员无法应对含有几千至几万条蛋白序列的全蛋白质组的大数据挑战，所以目前全蛋白质组的数据应用并不广泛。

因而，构建蛋白质组数据库，建立全蛋白质组的坐标系统，实现对含有几千、几万甚至更多条蛋白序列的全蛋白质组的大数据进行有序化管理，实现对蛋白质组的蛋白质序列的理化特性有序化组织，成为促进蛋白质组学的发展的一种强烈需要。

依据本发明的第一方面，本发明提供一种构建蛋白质组数据库的方法，该方法包括以下步骤：接收多个蛋白序列；消除每个所述蛋白序列的起始氨基酸，获得相应的截断序列；建立数据表，以获得所述蛋白质组数据库，所述数据表包含多个记录，一个所述记录与一个所述截断序列对应，所述数据表包含多个字段，所述字段包括以下序列参数中的至少两种：氨基酸丰度、序列长度、序列分子量、序列疏水性和序列等电点，所述氨基酸丰度包括以下至少之一：Ala丰度、Cys丰度、Asp丰度、Glu丰度、Phe丰度、Gly丰度、His丰度、Ile丰度、Lys丰度、Leu丰度、Met丰度、Asn丰度、Pro丰度、Gln丰度、Arg丰度、Ser丰度、Thr丰度、Val丰度、Trp丰度和Tyr丰度。利用该方法构建蛋白质组数据库时，不限制接收的蛋白序列的数目，即不限制所构建的蛋白质组数据库包含的序列数目，较佳的，接收的蛋白序列为几十条、几百条、几千条或者几万条，或者更多。消除接收的每个蛋白序列的起始氨基酸，例如消除每个真核生物蛋白序列一般都有的起始甲硫氨酸，获得相应的甲硫氨酸截断序列(M-truncated sequence，MTS)，真核生物或者原核生物的蛋白一般都具有相同的起始氨基酸。这样，消除原始数据的共性，基于接收数据的差异进行数据库构建，利于蛋白质组数据库构建，也利于构建得的数据库用于蛋白定位和/或分类。

依据本发明的第二方面，本发明提供一种蛋白质组数据库，其根据上述本发明一方面的构建蛋白质组数据库的方法构建获得。该蛋白质组数据库，其数据表的字段为蛋白序列本身固有的理化性质指标。将数据表作为坐标系统，其各个记录即每条蛋白序列都以其理化性质参数数值作为坐标，方便对所包含的蛋白序列的组织、批量操作处理。该蛋白质组数据库，能够承载几十、几百、几千、几万甚至更多的蛋白序列信息，使得能够在多维空间中对一个全蛋白质组含有几千至几万条甚至更多的蛋白序列实现定位和/或分类。

依据本发明的第三方面，本发明提供上述本发明一方面的蛋白质组数据库在蛋白质分类和/或检索定位中的用途。