【原创】搭积木 40
搭积木也算科学版，应该放到宝宝版里才对。您先别急，俺是标题党，且听俺慢慢道来。

小时候大家都玩儿过积木，后来高级点儿的就改塑胶了，再大点儿就上螺丝刀装模型了，不知道现在的小孩子们都玩儿什么高级玩具了。不过俺要讲得要比这玩艺儿复杂点儿，是给大人玩儿的。如果你有很多块儿积木，但是只有二十种，那怎么搭才能搭成一个稳定的东西呢？

呵呵，有河友已经猜出俺要唠叨什么了。没错儿，我们每天健康的生活着，就是因为我们的细胞们正常的工作着，或者说生物分子们稳定地行使着它们的功能。这些家伙们主要是两类，脱氧核糖核酸(DNA)/核糖核酸(RNA)和蛋白质(protein)。DNA/RNA主要担负着传递遗传信息的重任，而每天的吃穿用度就靠蛋白质们扛着了。

蛋白质的最基本单位叫氨基酸(amino acid)，总共有二十种，班主已经在他/她的文章里介绍过了，这里俺就说说这20种积木怎么构建成一个功能的实体。学生物的都知道结构与功能的关系(这也是大白话，没有结构怎么会有功能，功能肯定依赖于结构)，所以掌握蛋白质的结构一直是一个很有挑战性的话题。那么蛋白质的结构是怎么样的呢？既然蛋白质是由20种氨基酸组成的，所以这些氨基酸序列就构成了蛋白质最简单的结构----一级结构(primary structure)，就像一个简单的字符串儿(幸好只有20个氨基酸，而英文有26个字母）。但是这么个一维序列显然不能描述蛋白质的空间结构，于是二级结构(secondary structure)的概念被引入。在蛋白三维结构中，有很多相同结构特性的单位，像alpha-helix，beta-sheet，(图里面的螺旋和那些带箭头的带子)

这些都是典型的二级结构,而一条氨基酸链的空间结构则被称为三级结构(tertiary structure)。但是很多protein包含不止一条的氨基酸链，所以四极结构(Quaternary structure)的概念被引入来表达这种复杂的多体结构。

现在我们知道Protein有四极结构。我们身体里有成千上万的蛋白，那人们怎么知道这些东西都长什么样子呢？最先发展起来的实验技术要感谢伦琴同学的卓越工作，他老婆的手照片在科学史上的地位赶得上蒙娜丽莎的微笑在卢浮宫的地位了。没错儿，最常用也是比较成熟的实验技术就是X-ray晶体技术，这种技术通过在特定的外界条件(一般都是比较极端的条件)下，使得纯化的高纯度蛋白质结成晶体，然后分析X-ray衍射结果，从而推出蛋白质的空间结构。另外一种常用技术则是核磁共振技术(Nuclear magnetic resonance spectroscopy, NMR)，可能有河友不太熟悉这个东西，但是它的姊妹技术----磁共振成像技术(Magnetic resonance imaging, MRI)已经广泛的应用于生物医学领域，现在有点规模的医院一般都有。核磁共振技术的优点主要在于，不像X-ray晶体技术，它可以直接测量水溶液中蛋白的结构。这一点很重要，因为水是生命的母亲，有水就能孕育生命，所以那些太空探索者们如果在某个星球发现有水的痕迹，一般都跟发了财似的兴奋。而X-ray的晶体一般都不是在生理环境下长成的(多稀罕啊，要是生理环境下都结晶，那我们可就麻烦大了)，那么一个重要的问题就是谁能保证正常生理环境下这些蛋白还长这样子？所以X-ray的研究人员必须参考其它生物物理/生物化学的结果，来证明结晶结构是合理的。那为什么核磁共振技术不能替代X-ray方法呢？因为根据现在的数据处理能力，稍微大些的蛋白质的NMR结果 --- 核磁共振谱，很难解出来，也就是说，大点儿的protein靠NMR解不出结构来，所以X-ray仍然坐着老大的交椅。现在大约有4万多个蛋白结构通过实验方法得到，但是有些是一些片断或者同一蛋白的突变体结构，也就是冗余(redundent)结构，去掉它们大概也只有两三万个可以用的。这么多结构当然需要管理，数据库是最好的方式，所以公用数据库Protein Data Bank(PDB)诞生了。每个蛋白结构被存为一个简单的文本文件，除了坐标，里面还包括序列，试验参数，等等。

我们身体里的蛋白质的数量远远大于4万个，所以实验者们的路还很长。但是，晶体学本身还不是一门完全成熟的学科，Protein结晶的条件更多地依赖于经验，所以研究人员们面临一个巨大的挑战就是，基于当前的实验技术，不是所有的蛋白质(例如大部分膜蛋白)都能得到结构的。那可怎么办？

还好，由于数学理论和计算技术的发展，生物计算得以广泛的使用，其中有一门技术称为蛋白质结构预测(protein structure prediction)，让人们看到了一线曙光。蛋白质结构预测的基本思想就是从一极序列，也就是字符串开始，利用各种数学方法和计算理论，推测出(或者说猜出也行)蛋白质的空间结构。主要有三种办法。第一种称为Homology Modeling，同源模型(是这么叫的吗？)。那么什么是生物的同源性呢？简单的说，人的肌肉蛋白可以让我们运动，而兔子也有对应的蛋白让它运动，所以这两种蛋白可以称为同源蛋白，也就是说在进化图上，很有可能是从同一个祖先蛋白而来。一般来讲，同源蛋白的一极序列，也就是字符串比较像，Homology modeling的思想就是假设同源蛋白的结构非常相似(很多实验证据支持这一假设)，通过“对齐”(术语叫Alignment)几个同源蛋白的一极序列，只要其中有一个的结构是已知的(这个一般叫模版)，那么就可以推测出其他蛋白的结构。有意思得是所谓的"对齐"并不一定要求相同的氨基酸，相似的对齐就行。这儿所说的相似指得是氨基酸的物理化学性质相似。虽然有20种氨基酸，但是就物化性质来划分只有5类，所以相似性还是很有意义的。在实际操作时，如果序列的相似性similarity(不是一致性identity哈)不小于35%，这种方法基本上还是比较可信的。但如果小于35%如何？于是引入第二种方法，Threading/Fold recognition(这个术语的中文不知道叫什么)，简单的说就是因为两条序列总体不是很像，但是局部还是比较近似，所以“拟和”局部结构，例如蛋白质的二级结构，剩下的部分只好"猜"了。当然所谓的"猜"也不是瞎猜，可以结合一些其他的计算办法，例如能量最小化，推测出这部分结构。如果真的运气不好，实在找不到模板，那就只好"抓阄"了，也就是第三种方法，ab initio，最后的办法。这种方法的基本操作是这样的，初始输入是一维的蛋白质序列，每个氨基酸用一个点表示，之间用线相连，这些点可以移动，然后定义一些能量函数，例如我们都知道同性电荷相斥，所以两个都带正电的不直接相连的氨基酸不太愿意呆在一起，那么就可以定义如果两个同性电荷靠在一起，就设成一个正数，而异性电荷则设成负值。每次随机让这个链儿动动，所以新状态的能量函数就可能和老的不一样。现在人们认为蛋白质的稳定结构应该是一种能量最小的结构，因而如果能量减少，我们就接受这种新的样子(构象,Conformation)。但是如果增加是不是一定要舍弃呢？不行，简单的讲，是因为会掉进沟里出不来。看下面这张图。

假定一个人去寻宝，宝藏藏在最低的谷底，但是峭壁很滑，如果寻宝者一味的向低处走，他就很有可能掉进一个山谷(例如图中的I点)，但却不是最深的谷底，而被陷在里面。在ab initio方法中，寻求更低能量的蛋白质新构象，相当于寻宝者向低处走，所以一味的降低能量，蛋白质有可能就陷在非最小的能量谷底(局部最小值，local minimum)。既然我们同意蛋白质的稳定结构应该是能量最低的，所以正确的做法应该是让输出的蛋白质新构象的能量最低，也就是全局最小值(global minimum)。那么如何解决这个问题呢？就是当能量增加的时候，不是简单的舍弃这种构象，而是引入一个概率能量因子，它给新老状态的能量相关，然后随即产生一个概率，比较它们以决定取舍，从而降低陷在local minimum的概率。循环这个操作直到能量达到期望为止。所以简单来说，ab initio过程就是数学上求解函数的Global Minimum，只不过这个函数没人知道。

在实际操作中，经常是多种方法合用，一起找到最好的可能结构。可能细心的河友会问，唠叨了这么多，那我怎么知道你算的对不对啊。A good question, 事实上，这个问题是所有生物计算领域的一个最基本也是最常问的问题。很不幸，没有直接的证据能证明，你想啊，要是做实验的都能在实验中看到或者做到，那就不会有生物计算这个领域了，所以不可能有来自于试验的直接证据，但是间接证据却有好多，有些计算技术也越来越被人们所认可。但是就蛋白结构预测来讲，三种技术中比较可信的还是第一种，后两种相对来讲不太可信。但是前途是光明滴，虽然道路是曲折滴。从两年一届的擂台赛CASP(Critical Assessment of techniques for protein Structure Prediction)的记录中可以看出，相对于以前，成功率还是在提高。但离最终的目标还有距离，所以人们还要不停的试呀，搭呀，直到用积木搭出一个大家都满意的东西来为止。

海天 荐,爱莲 荐,最后于2007-11-10 17:50:08改,共12次;

送花—— 1
不知道在遥远的将来，能否发明出生命合成制造机械，把各种元素按配方填充进去，一按电钮，机器就把各种生命活体生产出来了……

标题党,埋雷 1

谢花，自己造自己 1
很有可能把自己灭掉。

本版07年最佳科普 1
这几天正为这事儿烦恼，看了为之一震。道路是曲折的，前途是光明的。

莲大夫客气了
俺这个一通白活，哪能称得上最佳科普。

大夫做这个的?俺又乱耍斧头儿了。

好看 1
冰茶同学多多搭些这类积木给大家看吧：
花。

握手 1
现在干的就是这猜谜的活

NMR的上限在40KDa左右，另外除了X－ray和NMR，对于超大的蛋白质，EM也不错

ft 1
论文干的就是这个“对齐”

事实上，给定一个序列，在数据库里面找相似程度高的程序(BLAST)已经相当成熟了。
问题复杂在序列里面不是每个氨基酸的“价值”都相同，有的有生化作用，这可能是生物学家比较感兴趣的地方。另有些只有结构上的作用（类似骨架？）这部分即使找出很相似的也没有太多的用途。

当然，我是学计算机的，生物懂得不多，上面说法可能有错，呵呵。

哎哟，俺又乱挥斧头了 1
大鹏兄是做计算的还是结构的？俺这二把刀属于连做带猜大多都是纸上谈兵。300-400 residues其实也不小了。

这个EM能做多大的？什么时候给俺讲讲？PDB里面来自于这个技术的大约占多少？

最后于2007-11-10 07:48:19改,共2次;

看来老兄是Senior了 1
老兄做序列的还是结构的alignment的？呵呵，blast就是一工具，这年头N多人拿那玩意儿用用就号称做计算了。

你这个要鉴别出价值来，如果是基于sequence analysis的话，恐怕要用ML了，不过现阶段还是比较sensitive的。

呵呵，俺喜欢拆不喜欢建

不敢 1
做的事多序列对齐
想法是先用某些motif数据库(比如PROSITE)查询标记序列区域，然后在alignment中提高这些区域的重要性

现在已经不干了，觉得这个领域还是得学生物的人来做。呵呵。

原来老兄是做Multi的
老兄是改进ScoreMatrix还是别的方法？


Good point，真正做Bioinfo的都是开发新的方法和算法的，但又不能纯计算背景的人来做，有时候会做出些完美的数学算法却没有任何生物学意义的玩意儿。

ab initio 1
ab initio似乎是拉丁文，在计算化学里是从头计算法的意思，也就是说从最基本的薛定谔方程算起，有点终极武器的意思。不过在大多数体系里面直接求解这个方程根本就是不可能完成的任务，于是就引入了各种近似，密度泛函之类的。虽然有这种种近似，但它们还是以基本的量子力学方程为基础的，所以还叫“从头计算”。与之相对应的是基于各种势函数的计算，比如就用莱纳德琼斯势来*近似*计算两个原子间的相互作用，而不再通过量子力学求解来计算。各种势函数大大减少了实际体系需要的计算量，使得很多问题的*近似*求解成为可能，但是势函数的形式和所用参数直接决定了计算结果的准确/近似程度，所以人们花了很大的精力来发展各种势函数，其中有很多都是用于计算生物学的。这是因为计算生物学研究对象的规模和复杂程度远远超过计算化学和计算材料学，所以往往更需要借助于势函数。原文中提到的模型：属于非常简陋非常原始的势函数，这样的计算在生物里叫做ab initio，让我感到有些惊讶，所以啰嗦这么多说说我这个非生物人士对ab initio的理解。
另外，应该就是说的Monte Carlo方法吧
关键词(Tags): 蒙特卡洛方法 从头计算 势函数

果然是行家，俺的把小斧头收起来了 1
说明非常准确，但是诚如你所说的，生物系统的规模和复杂度远远大于一般的化学系统，所以当研究生物系统时，能量函数不仅包括基于物理的能量函数，还包括来自于知识学习的“能量函数”。基于计算成本的考虑，巨大的生物系统很难使用计算化学中所有的能量函数。至于你所举的例子，诸如LJ计算原子间的相互作用，倒是计算生物学中的另外一种方法在使用，但是即使对一个不大的生物系统，运算量都是惊人的。不过行家果然是行家，ab initio方法的关键就在于Potential Function的定义，Casp里有两个组非常厉害，他们的成功之处就是不仅使用了常规的基于物理的function，更重要的是develop了几种基于已知生物知识的Knowledge   based potential function。而且在具体使用上，例如氨基酸链的空间位置和移动限制，就有Lattice Model和Non-Lattice Model。在生物计算中，ab initio现在基本上还是属于Coarse-grained Model，至于像计算化学中那种比较精细的模拟，则被另外一种计算生物学方法所采用，不过目的不同。

呵呵，行家说得很对，如果概率能量因子是Boltzmann因子的话，这个方法的学名就是Metropolis-Hastings Monte Carlo方法，典型的(一阶)老马链。原文中只是不想引入太多的数学名称讨人嫌，估计大家对Monte Carlo比较感兴趣，对方法不感兴趣(其实俺也挺喜欢那车的，特别是红色儿的)。

正是因为Potential Function的复杂性，所以这种方法有一个问题就是，没有人知道，它的中间构象对应什么。看起来，大多数人不认为这些中间构象是真实的Protein Folding中的构象，虽然这种方法其实就是生物计算里面Protein Folding的基础。

至于原文的例子嘛，当然用最简单的了，便于了解，毕竟是科技版面，不是学术论文。ab initio的名字嘛，呵呵，这方法就是前两种都fail掉了，没辙了，只好这种了，死马当活马医吧。毕竟即使准确率只有20-30%，也比坐那儿干猜强得多。举个极端的例子，假设我可以猜对每个氨基酸相对于另外一个的相对空间位置的概率是99%(事实上是瞎掰，根本做不到)，而这个概率是独立的，那么对于101个氨基酸的小蛋白链，准确率就只有(0.99)^100=36%，如果是201个话，准确率就降至13%，可是200个残基的蛋白真得不大。要是一个含501个残基的蛋白质，这个概率是0.65%，就跟没做一样了。所以发展这种方法还是很有意义滴。

顺便问一句，老兄玩儿什么的？amber, qsar 还是 charmm?

最后于2007-11-11 01:59:00改,共9次;

不敢不敢，俺也就是一刚入门的半吊子 1
现在做的膜蛋白有4300多个residue，只能拆开了一个domain一个domain的单做，做NMR的最大的一个是35kDa。

EM其实就是电子显微镜，多用于膜蛋白和100KDa以上的大蛋白的结构解析，这个我也没有实践经验，读大学的时候听做这个的教授讲过几节课而已（唉，书都读到狗肚子里去了），据说解析度最好能做到埃米级的（atomic resolution），PDB的情况就不太熟悉了，平常干活用的最多的还是Expasy。

原来老兄是做结构的
NIU啊，“拍”个清晰的样子，那还不是Nature,Science,Cell随便挑？

其实好的X-ray不也就1~2A，看来电镜挺不错，哪种EM能到这么高的分辨率啊，扫瞄隧道(是叫这名儿吧)？不会是AFM吧。