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
|
机器学习/深度学习 数据采集 人工智能
基线提升至96.45%:2022 司法杯犯罪事实实体识别+数据蒸馏+主动学习
5.基线提升至96.45%:2022 司法杯犯罪事实实体识别+数据蒸馏+主动学习
基线提升至96.45%:2022 司法杯犯罪事实实体识别+数据蒸馏+主动学习
|
编解码 自然语言处理 监控
|
机器学习/深度学习 人工智能 算法
NeurIPS 2022 | 直面图的复杂性,港中文等提出面向图数据分布外泛化的因果表示学习(1)
NeurIPS 2022 | 直面图的复杂性,港中文等提出面向图数据分布外泛化的因果表示学习
NeurIPS 2022 | 直面图的复杂性,港中文等提出面向图数据分布外泛化的因果表示学习(1)
|
机器学习/深度学习 人工智能 自然语言处理
NeurIPS 2022 | 直面图的复杂性,港中文等提出面向图数据分布外泛化的因果表示学习(2)
NeurIPS 2022 | 直面图的复杂性,港中文等提出面向图数据分布外泛化的因果表示学习
229 0
|
机器学习/深度学习 人工智能 数据可视化
阿斯利康团队用具有域适应性的可解释双线性注意网络改进了药物靶标预测
阿斯利康团队用具有域适应性的可解释双线性注意网络改进了药物靶标预测
247 0
|
6月前
|
数据可视化 数据挖掘
singleCellNet(代码开源)|单细胞层面对细胞分类进行评估,褒贬不一,有胜于无
`singleCellNet`是一款用于单细胞数据分析的R包,主要功能是进行细胞分类评估。它支持多物种和多分组分析,并提供了一个名为`CellNet`的类似工具的示例数据集。用户可以通过安装R包并下载测试数据来运行demo。在demo中,首先加载查询和测试数据,然后训练分类器,接着进行评估,包括查看准确率和召回率的曲线图、分类热图和比例堆积图等。此外,`singleCellNet`还支持跨物种评估,将人类基因映射到小鼠直系同源物进行分析。整体而言,`singleCellNet`是一个用于单细胞分类评估的综合工具,适用于相关领域的研究。
89 6
|
机器学习/深度学习 编解码 人工智能
中科院团队新研究:人工智能有助于从空间分辨转录组学中识别组织亚结构
中科院团队新研究:人工智能有助于从空间分辨转录组学中识别组织亚结构
153 0
|
机器学习/深度学习 存储 传感器
《自然》:机器视觉行为理解与脑神经有内在关联?上交卢策吾团队构建映射模型
《自然》:机器视觉行为理解与脑神经有内在关联?上交卢策吾团队构建映射模型
280 0
|
6月前
|
数据采集 数据挖掘
多维因素与学生辍学风险预测附录
多维因素与学生辍学风险预测附录