上海药物所药物发现与设计中心(DDDC)近年来在计算生物学、计算化学和药物设计研究方面取得了可喜的成绩，相关研究成果在《美国科学院院刊》(PNAS)、《美国化学会志》(JACS)、《核酸研究》(NAR)、《生物化学杂志》(JBC)、《分子生物学杂志》(JMB)、《美国化学会药物化学杂志》(JMC)等国际一流刊物上发表论文。最近，中心研究人员在蛋白质－蛋白质相互作用及其网络预测方法学发展方面取得重要进展。蒋华良带领学生张健和沈菊文等经过两年努力，发展仅根据蛋白质的序列即可预测蛋白质－蛋白质相互作用的新理论预测方法。研究结果于2007年3月5号发表在《美国科学院院刊》(PNAS)在线版上(http://www.pnas.org/papbyrecent.shtml)。

     蛋白质－蛋白质相互作用(PPI)决定着从转录调节到酶级连反应的几乎所有的生物功能，这方面的研究具有重要的科学价值和应用前景。然而，目前的实验方法，如GST pull down和免疫共沉淀方法的通量还不足以满足蛋白质组相互作用网络研究的需要，酵母双杂交测定PPI的速度虽快，但精度不够。因此，发展理论方法在基因组水平上预测PPI及其相互作用网络，对功能基因组研究具有十分重要的意义，也是目前生命科学的前沿领域，为此Nature Biotechnology等杂志专门设立了计算生物学(Computational Biology)栏目。目前大多数蛋白质－蛋白质相互作用预测方法需要同源蛋白信息或者蛋白相互作用标识物信息，这类方法能应用的范围有限，不能对一般化的蛋白质－蛋白质相互作用给出较好预测结果，更不能应用于大规模PPI网络的预测。

     蒋华良等发展的方法是支持向量机算法─一种机器学习算法。他们首先将20种氨基酸根据极性和大小分成7类，并用连续的三个氨基酸作为一个单位(三联子)来描述蛋白质序列，以降低蛋白质相互作用空间的复杂性；他们还发展了新的内核函数，该函数考虑了蛋白相互作用的对称性，因此比现有支持向量算法的内核函数更适合于表征蛋白质－蛋白质的相互作用；然后他们用超过16000对实验测定的蛋白质－蛋白质相互作用结果构造了通用性PPI预测模型。他们方法的预测精确性大于80%，并能用于不同类型PPI网络的预测，意味着即使只获得蛋白质序列信息，他们的方法依然能够用于任意新蛋白的功能研究或预测老蛋白质的新功能。蒋华良等发展的蛋白质－蛋白质相互作用方法为蛋白质功能研究提供了较好的理论工具，是计算生物学研究领域的重要进展。同时他们的方法也可能应用于设计新的药物，即设计新的化合物或蛋白质调控蛋白质相互作用网络，而不是抑制或激动单一的靶标蛋白。

 

（供稿部门：上海药物所DDDC）