SFINX: 一个基于Shiny部署的鉴定蛋白互作关系平台

简介: 目前研究蛋白质互作方法有很多,传统的方法是将天然蛋白免疫沉淀与质谱检测结合(CoIP-MS),另外流行的还有亲和纯化/质谱法(AP-MS),与CO-IP类似,它使用感兴趣的诱饵蛋白(bait proteins)上的表位标签和捕获探针来识别协同的猎物蛋白,不需要为每个新的诱饵蛋白购买或者开发特定抗体,得到的融合蛋白可以用链霉亲和素(strep)磁珠来亲和纯化,用生物素洗脱最终得到蛋白复合物。

目前研究蛋白质互作方法有很多,传统的方法是将天然蛋白免疫沉淀与质谱检测结合(CoIP-MS),另外流行的还有亲和纯化/质谱法(AP-MS),与CO-IP类似,它使用感兴趣的诱饵蛋白(bait proteins)上的表位标签和捕获探针来识别协同的猎物蛋白,不需要为每个新的诱饵蛋白购买或者开发特定抗体,得到的融合蛋白可以用链霉亲和素(strep)磁珠来亲和纯化,用生物素洗脱最终得到蛋白复合物。

优势:

  1. AP/MS技术得到的互作蛋白是在细胞内与诱饵蛋白结合的,符合体内真实生理情况,得到的结果可信度高。
  2. 不像COIP采用抗体拉取蛋白复合物,可以有效的避免抗体的污染;得到的洗脱液可以直接做溶液酶解和质谱,大大减少了跑胶引起的蛋白损失。

这里介绍一个基于R语言Shiny部署的在线蛋白互作分析平台SFINX, 网络可视化部分利用之前介 4a66d430f3ab2f5c31ceab96ffdabbf.png

地址:http://sfinx.ugent.be/

使用

Info部分提供了详细的用户使用说明(主要有5部分):

  1. Data Input(输入框页面介绍)

1a10a8562f9bbffef8128feadaf792f.png

  1. Example of "Basic data" file (基本的文件输入格式)

c5f4c8ff5a775375014c6b8a6c6dea5.png

  1. Immediately after input of data(筛选过滤后的互作表格)

0eadc422753a76430d44a1a2dfc755b.png

  1. Data input inadvanced SFINX (高级分析,参数更多)
  2. Imediately after input od data in advanced SFINX

具体信息直接去网站上看即可

实战

这里找到课题组老师17年一篇NC上的主图,用的即使这种方式绘制的图形,附件中也提供了数据分析的输入文件,我们用来实操一下。

56f4641e1367262266b0f681df811e9.png

需要准备两个文件

  1. 蛋白组结果文件 Basic data(各样本肽段数) :

070ffba5a68ba457613d26c9a80d649.png

  1. Bait indentities(诱饵蛋白列表):

ffa3db2af9836f8ab9797b621e2ae17.png

点击Analysis界面,分别上传两个数据,右侧Filtered interactions 界面即可显示出诱饵蛋白与捕获蛋白直接的作用系数以及Pvalue

5c8a312f9ac437796d9026a7e78bbd8.png

Distribution显示SFINX score的分布

0afca2c8e79632fbe0b65d2050e5018.png

点击Network即可看到蛋白互作网络,深蓝色填充的节点即为我们的诱饵蛋白。

6504a55751281771cbaa26360e005b5.png

其实SFINX除了处理AP/MS这类数据之外,该方法理论上也适用于一些普通蛋白质组数据中,若已经有一些关键蛋白想找寻其它互作蛋白时,除了利用常规的String数据库根据先验信息获取外,此方法也是一种不错的选择~

参考文献

  1. SFINX: straightforward filtering index for affinity purification-mass spectrometry data analysis. J Proteome Res (2015) Titeca, K. et al.
  2. A conserved ankyrin repeat-containing protein regulates conoid stability, motility and cell invasion in Toxoplasma gondii Nature Communications (2017) Long.et al.


相关文章
|
敏捷开发 开发框架 数据可视化
|
4月前
|
存储 人工智能 前端开发
无头 CMS 深度剖析:架构、优势与未来发展趋势
无头 CMS,即 Headless Content Management System,是一种将内容的管理与展示分离的内容管理系统。与传统 CMS 不同,它没有内置的前端展示层,仅专注于内容的创建、编辑、存储与管理。
306 6
无头 CMS 深度剖析:架构、优势与未来发展趋势
|
8月前
|
JavaScript 安全 API
iframe嵌入页面实现免登录思路(以vue为例)
通过上述步骤,可以在Vue.js项目中通过 `iframe`实现不同应用间的免登录功能。利用Token传递和消息传递机制,可以确保安全、高效地在主应用和子应用间共享登录状态。这种方法在实际项目中具有广泛的应用前景,能够显著提升用户体验。
1043 8
|
6月前
|
机器学习/深度学习 数据采集 算法
短视频到底如何推荐的?深度剖析视频算法推送原理详细且专业的解读-优雅草卓伊凡-【01】短视频算法推荐之数据收集
短视频到底如何推荐的?深度剖析视频算法推送原理详细且专业的解读-优雅草卓伊凡-【01】短视频算法推荐之数据收集
492 12
短视频到底如何推荐的?深度剖析视频算法推送原理详细且专业的解读-优雅草卓伊凡-【01】短视频算法推荐之数据收集
|
消息中间件 存储 监控
实战Linux I/O多路复用:借助epoll,单线程高效管理10,000+并发连接
本文介绍了如何使用Linux的I/O多路复用技术`epoll`来高效管理超过10,000个并发连接。`epoll`允许单线程监控大量文件描述符,显著提高了资源利用率。文章详细阐述了`epoll`的几个关键接口,包括`epoll_create`、`epoll_ctl`和`epoll_wait`,以及它们在处理并发连接中的作用。此外,还探讨了`epoll`在高并发TCP服务场景的应用,展示了如何通过`epoll`和线程/协程池来构建服务框架。
1185 103
|
8月前
|
弹性计算 运维 监控
云产品评测|阿里云服务诊断
云服务诊断是阿里云提供的运维工具,帮助用户快速定位和解决云资源问题。通过“健康状态”和“诊断”两大功能,用户可实时查看云资源状态,排查如网站无法访问、ECS故障、配置错误等常见问题,并根据修复建议迅速恢复业务。该工具显著提升了问题解决效率,降低了使用门槛。建议增加自定义告警、多维度数据展示、自动化修复等功能,进一步优化用户体验。
208 0
云产品评测|阿里云服务诊断
|
存储 数据可视化 数据挖掘
R语言绘制圈图、环形热图可视化基因组实战:展示基因数据比较
R语言绘制圈图、环形热图可视化基因组实战:展示基因数据比较
|
10月前
|
人工智能 弹性计算 架构师
如何推进软硬件协同优化,点亮 AI 新时代?看看这些大咖怎么说
围绕 AI、操作系统、 Arm 生态等关键技术和领域,深入探讨了 AI 技术与操作系统的融合。
|
12月前
无需下载!上无影云开启《黑神话:悟空》
上无影云开启《黑神话:悟空》
298 8
|
负载均衡 关系型数据库 MySQL
MySQL 主主复制与主从复制对比
MySQL的主主复制和主从复制是两种常见的数据库复制配置方式,各有优缺点和适用场景。以下是对这两种复制方式的详细对比: ### 主从复制 (Master-Slave Replication) **特点:** 1. **单向复制**:数据从主服务器复制到一个或多个从服务器。从服务器只能从主服务器接收数据更新,不能向主服务器发送数据。 2. **读写分离**:主服务器处理写操作(INSERT、UPDATE、DELETE),从服务器处理读操作(SELECT),可以分担读负载,提高系统的整体性能。 3. **数据一致性**:数据在主服务器上是最新的,从服务器上可能会有一定的延迟。 **优点:**
781 1