蛋白质亚硝基化的修饰模式与调控功能挖掘方法研究

S-nitrosylation plays regulating roles in the protein structure, function and cellular location, and involves regulation in the pathological processes of many complex diseases including cancer, which is their potential therapeutic targets. It is reported that S-nitrosylation is closely associated with protein sequences and structures, and that the regulation functions are determined by its S-nitrosylation sites. Therefore, it is challenging faced in the area of bioinformatics to identify S-nitrosylation sites and regulating function from thus information. This project will exploit deep learning theory and feature selection techniques to find S-nitrosylation sites and regulating function-related sequence, structure and function pattern according to the results in the cross-validation; To utilize modification pattern and relationship of regulation by S-nitrosyltion to construct S-nitrosylation-S-nitrosylation similarity network and disease-disease semantic similarity network; To use modification pattern to encode proteins and fingerprint to encode small molecules, to measure correlation between S-nitroylation and drugs interactions, and present a deep-machine model for predict S-nitrosylation-drug interaction, look for new drug of related disease. The above research facilitates explaining modifying mechanism and regulating roles of S-nitrosylation, and provides theoretical foundations for identifying S-nitrosylation sites and function.

亚硝基化修饰对蛋白质的结构、功能活性及其在细胞中的定位和分布有着重要的调控作用，既能调控肿瘤等复杂疾病的病理过程，也是复杂疾病的潜在治疗靶点。研究表明亚硝基化修饰与蛋白序列和结构密切相关，而调控功能受修饰位点影响，因此，如何从这些信息中鉴定亚硝基化修饰位点及调控功能是当前生物信息学家面临的挑战。本研究拟采用深度学习方法，结合特征选择，以交叉验证结果为导向挖掘亚硝基化修饰位点、调控功能特异性的蛋白序列、结构和功能模式：利用亚硝基化修饰模式和调控关系构建亚硝基化-亚硝基化相似性网络和疾病-疾病的语意相似性网络；利用修饰模式编码蛋白，分子指纹编码药物，度量亚硝基化修饰位点与药物的相互作用关系，并以此为基础构建预测药物-亚硝基化修饰靶点关系的深度学习模型，探寻相关疾病的新药。本研究将有助于阐明蛋白亚硝基化的修饰机制及调控作用，为确定亚硝基化修饰位点及功能奠定理论基础。

蛋白质翻译后修饰是细胞内十分重要的调控机制，有助于丰富蛋白质结构和功能多样性，也有助于细胞的精细调控。蛋白质翻译后修饰与miRNA、药物小分子等形成复杂的作用，是它参与调控作用的基础。因此，识别蛋白质翻译后修饰位点及与小分子的作用对具有十分重要意义。本项目通过对已有的数据学习，建立了统计学习的方法进行快速识别，主要有：（1）首次提出了一种计算预测亚硝基化修饰位点与药物小分子相互作用的方法。该方法利用了亚硝基化修饰位点两侧的氨基酸序列信息、药物结构指纹信息，构建了基于随机森林的预测方法；（2）提出了一种基于信息熵的组蛋白赖氨酸丁酰化修饰的预测方法；（3）提出一种基于伪氨基酸组成的蛋白质赖氨酸丙二酰化修饰的计算预测方法；（4）提出了一种识别与H3K27me1相作用的miRNA的方法；（5）提出了一种计算识别环状RNA的计算方法；（6）提出了一种基于低秩矩阵恢复的miRNA-疾病关联预测方法；（7）提出了一种计算区分人类膜蛋白类型的方法；（8）提出了一种基于网络嵌入和一类学习算法的相关口腔（oral）癌的基因推理方法。这些方法有助于蛋白质修饰位点或相互作用对快速筛选，有助于蛋白质修饰的功能研究及相关医学研究。目前共发表了12篇期刊学术论文，全被SCI收录；培养了7名研究生，2名本科生；承办了1次学术研讨会和参加了9次学术会议。