切克闹21628686
范文一：G蛋白偶联的受体介导的信号的特点
G 蛋白偶联的受体是细胞质膜上最多，也是最重要的信号转导系统，具有两个重要特点：⑴信号转导系统由三部分构成：①G 蛋白偶联的受体，是细胞表面由单条多肽链经7次跨膜形成的受体；②G 蛋白能与GTP 结合被活化，可进一步激活其效应底物；③效应物：通常是腺苷酸环化酶，被激活后可提高细胞内环腺苷酸（cAMP ）的浓度，可激活cAMP 依赖的蛋白激酶，引发一系列生物学效应。⑵产生第二信使。配体—受体复合物结合后，通过与G 蛋白的偶联，在细胞内产生第二信使，从而将胞外信号跨膜传递到胞内，影响细胞的行为。根据产生的第二信使的不同，又可分为cAMP 信号通路和磷酯酰肌醇信号通路。cAMP 信号通路的主要效应是激活靶酶和开启基因表达，这是通过蛋白激酶完成的。该信号途径涉及的反应链可表示为：激素→G 蛋白偶联受体→G 蛋白→腺苷酸环化化酶→cAMP →cAMP 依赖的蛋白激酶A →基因调控蛋白→基因转录。磷酯酰肌醇信号通路的最大特点是胞外信号被膜受体接受后，同时产生两个胞内信使，分别启动两个信号传递途径即IP3—Ca2+和DG —PKC 途径，实现细胞对外界信号的应答，因此，把这一信号系统又称为“双信使系统”。
范文二：G蛋白偶联受体的信号通路
Theresa Filtz, PhD Phar 735, Winter 2005 G protein-coupled Signal Transduction
Main Objectives (the big chunks)
?Describe in molecular detail the cascades of events in a generalized G protein-coupled signaling pathway
?Describe the structure of a GPCR and how it relates to function
?List the four major classes of Ga subunits and the effects of toxins on their activity
?List the major, proximal second messengers produced by adenylyl cyclase and PLC-b
?Describe GPCR desensitization and supersensitization and discuss the consequences for drug action
?Compare the effects of changing cyclic AMP and calcium levels in cardiac cells and in smooth muscle cells
G protein coupled receptors (GPCR)
?Function
The receptor subtype mediating the actions
of hundreds to thousands of
endogenous and exogenous substances
Couple to a guanine nucleotide binding
protein (G protein)
G proteins activate effectors to initiate
signaling cascades
?Examples of drug acting through GPCRs
Bronchodilators-albuterol (Ventolin?, etc) Stimulants- Ritalin?, ephedra
Decongestants-Sudafed?
Antipsychotics-haloperidol, Zyprexa?, Geodon?Antihistamines-Benadryl?, Claritin?, Allegra?Pain medication-morphine and opioid analgesics Labor inducing agents-pitocin
Anti-hypertensives-b-blockers
Cardiac stimulants -atropine, dopamine, epinephrine, adenosine
Epinephrine for severe allergic reaction
?Structure
One of the most abundant protein families
At least a thousand different genes for GPCR in the human genome Potentially a unique GPCR for every
dectectable odor
External NH2 terminus and internal C tail
Inside the a helices for small molecules and at the NH2 terminus for larger peptidesBinding of activators to a helices affects configuration of the intracellular loops2nd and 3rd loops and C tail interact with G proteins
Guanine nucleotide binding proteins (G Proteins)
? Structure and Function
Turn on effector enzymes
Heterotrimer--composed of three protein subunits—G a, Gb, and Gg
Other families of G proteins exist which serve other intracellular functionsBound by lipid chains to the intracellular surface of the plasma membraneBinds GDP and associates with Gbg in the resting stateBinds GTP and dissociates from Gbg in the active state
Upon activation by receptor, releases GDP and picks up GTPDissociates from Gbg upon binding GTP
Activates effector enzymes when bound to GTPIntrinsic GTPase activity
Self-Hydrolyzes GTP back to GDP
Rejoins with Gbg when bound to GDP to turn itself offExists mainly as a non-dissociable dimerActive when dissociated from Ga subunit
Activates different effector enzymes when separated from GaInactivated by binding G
a
?Subtypes
G a subtypes
Four major families, multiple subtypes
Predominantly activates adenylyl cyclase
a subunit, activates ion channels in nasal epithelia
Predominantly inhibits adenylyl cyclase
activates cyclic GMP phosphodiesterase in response to light
inhibits some types of Ca++ channels
Involvement with growth regulatory pathways still being experimentally confirmed Activates phospholipase C-b enzymes
Multiple subtypes of each subunit
Activate many enzymes including phospholipase C-b, cation channels, GPCR kinases, subtypes of adenylyl cyclase, among other signaling proteins
Which combination of subtypes activate which effectors is still being investigated
Effector enzymes
?Phospholipase C-b
Activated by Gaq subunits OR Gbg subunits (depending on isoform)
Hydrolyzes a low abundance membrane phospholipid, PIP 2 (phosphatidylinositol 4,5-bisphosphate) into two products, IP 3 (inositol trisphosphate) and DAG (diacylglycerol) IP 3 is water soluble and diffuses through the cytoplasm to bind to receptors on the endoplasmic reticulum (ER)
IP 3 receptor activation releases Ca++ from the ER into cell cytosol
Cells are exquisitely sensitive to changes in cytosolic Ca++ concentration
Ca ++ activates Ca++/calmodulin-dependent kinases (CaM kinases)
CaM kinases activate multiple phosphorylation cascades
2 , causing a build-up of IP3 and
depletion of PIP2
Membrane bound lipid
Activates protein kinase C (PKC)
PKC initiates multiple phosphorylation cascades
Activation of PLC-b leads to many physiologic responses including smooth muscle contraction, learning and memory, and cell growth and differentiation
?
GPCR = G protein coupled receptor PKC = protein kinase C
PLC-b = phospholipase C-b
CaM = calmodulin
Adenylyl Cyclase
Activated by Gas subunitsInhibited by Gai subunitsTransforms ATP into cyclic AMP
Increases and decreases in cyclic AMP levels lead to different effectsActivates cyclic AMP-dependent protein kinase (PKA)Hydrolyzed by phosphodiesterases (PDE)
Involved in the classic glycogen metabolism pathway to liberate glucose for energy
PKA phosphorylates glycogen synthetase to inhibits activityPKA activates phosphorylase kinase
phosphorylase kinase converts glycogen phosphorylase b to glycogen phosphorylase aglycogen phosphorylase a promotes glycogen metabolismcyclic AMP also activates transcription factors
cyclic AMP response element binding protein (CREB)
G as
Adenylyl Cyclase
bPKA
GPCR
Stimulatory Hormone GPCR = G protein coupled receptor
PKA = cyclic AMP regulated protein kinasePDE = phosphodiesterase
G ai
GPCR
Inhibitory Hormone PDE
Regulation of receptor responsiveness
? Desensitization
Upon chronic application of agonists, cells will attempt to avoid overstimulation by blocking
the ability of the receptor to keep stimulating the signal transduction pathwayBest understood for b2 adrenergic receptors.
Not all receptors desensitize, but many do
Extent of desensitization seems to correlate with intrinsic activity of the agonistNegative feedback loop specific for the receptor that is bound by activatorOccurs within seconds- minutesSequelae of events
Activation of b2 receptors liberates Gbg from Gas G bg activates a G protein receptor kinase (GRK)
GRK phosphorylates the receptor at multiple sites in the C tail
Phosphorylation of the C tail causes arrestin to bind to the receptorArrestin binding inhibits further activation of G proteins by the receptor
G as GPCR
Stimulatory Hormone GPCR = G protein coupled receptor
GRKinase = G protein receptor regulated protein kinase
A r r
e s
Downregulation and resensitization
Longterm negative feedback loop
Occurs with continuous agonist administration over hours and days
Receptors are removed from the membrane and degraded
No effect on agonist efficacy until all spare receptors are internalized
Activator must be removed
Occurs on same time scale as desensitization or downregulation
Phosphatases can rapidly reverse simple desensitization
Resensitization following downregulation requires hours to days for new protein synthesis Cell membrane
Downregulation with internalization
Degradation
?Supersensitization
Long term blockade (days to weeks) with antagonist leads to increased expression of receptors at the membrane
Up-regulation (increased levels) of receptors leads to supersensitivity upon removal of the antagonist
Abrupt withdrawal of b-blockers could produce a myocardial infarction for up to 2 weeks following cessation of therapy
More examples of G protein coupled signaling pathways
?Cardiac contraction
Cyclic AMP
Increased or decreased by Gas or Gai
PKA activation leads to increased phosphorylation of myofibrillary and sarcoplasmic proteins (troponin, phospholamban)
Phosphorylation of myofibrillary proteins increases myocyte contractility
L-type Ca++ channels
Activated by Gas, inhibited by Gao
Opening (activation) increases cardiomyocyte cytosolic Ca++ by stimulating release from sarcoplasmic Ca++ stores
Ca ++-activated troponin increases contractility
Inward-rectifying K+ channels
Activated by Gbg subunits released from Gai or Gao
K + channel opening leads to membrane hyperpolarization
Important in slowing heart rate
*Also important in decreasing neurotransmitter release from neurons*
? Smooth muscle (e.g. blood vessel) contraction and relaxation
IP3
Increases lead to increased cytosolic Ca++
Increased Ca++ leads to activation of Ca++/CaM dependent myosin light chain kinase(MLCK)
Phosphorylation of MLCK phosphorylates myosinP-myosin stimulates contraction
Cyclic AMP
Activation of PKA leads to activation of membrane and sarcoplasmic Ca++ pumpsActivated pumps increase storage of Ca++
Decreased cytosolic calcium inhibits contractionCyclic GMP
Soluble guanylyl cyclase is stimulated by diffusible NO gasCyclic GMP levels increaseSmooth muscle relaxes
Mechanisms unclearCa ++ levels decrease
Cyclic GMP phosphodiesterase breaks down cyclic GMP
Inhibitors (sildenafil) increase smooth muscle relaxation
b2-adrenergic receptorEndothelin receptors
M1 Muscarinic receptorAngiotensin receptorHistamine H1 receptor
Cysteinyl leukotriene receptorOxytocin receptor
P2Y purinergic receptors
范文三：G蛋白偶联受体及其类型的预测
生物物理学报 2010年 2月 第 26卷 第 2期 : ACTA BIOPHYSICA SINICA 2010Vol.26No.2: 138-148 138-148
吴建盛 1,马 昕 2,周 童 2,汤丽华 1,胡 栋 1
1. 南京邮电大学地理与生物信息学院,南京 210046;
2. 东南大学生物电子学国家重点实验室,南京 210096
收稿日期:2009-11-03; 接受日期:2010-01-24
基金项目:南京邮电大学科研启动基金项目 (NY209027),南京邮电大学青蓝计划项目 (NY206060)
通讯作者:胡栋,电话:(025)85885169, E-mail :hud@njupt.edu.cn
摘要:G 蛋白偶联受体是非常重要的信号分子受体 , 其功能失调会导致许多疾病的产生 。 在前期 工作的基础上 , 作者将序列特征分析与支持向量机技术结合起来 , 通过分析序列的特征差异 , 对 G 蛋白偶联受体分子及其类型进行识别 。 首次提取了 G 蛋白偶联受体对应的 mRNA 序列的绝 对密码子使用频率作为特征 , 这主要因为它既包含了基因密码子使用偏性的信息 , 也包含了基 因所编码蛋白的氨基酸组成信息 。 结果显示 :在 G 蛋白偶联受体序列及其类型预测的问题中 , 设计支持向量机分类器时 , 最好选择使用包含基因序列绝对密码子使用频率和蛋白序列双联氨 基酸使用频率两部分信息的组合特征作为特征 , 同时采用径向基核作为核函数 。
关键词:G 蛋白偶联受体 ; 支持向量机 ; 绝对密码子使用频率
中图分类号:Q516
0引 言
G 蛋白偶联受体 (G-protein coupled receptor , GPCR ) 是一类具有 7个跨膜螺旋的跨 膜蛋白受体,能结合并调节 G 蛋白活性,是一类非常重要的信号分子受体 。 GPCR 的结构 特征及其在信号传导中的重要作用,决定了其可以作为重要的药物靶点 。 GPCR 的功能失 调会导致许多疾病的发生,如阿尔茨海默氏症 、 帕金森症 、 侏儒症 、 色盲症 、 色素性视网 膜炎和哮喘等 。 通过调节有关 GPCR 介导的信号传导,可以治疗抑郁症 、 精神分裂症 、 失 眠 、 高血压 、 虚弱 、 焦躁 、 紧张 、 肾功能衰竭 、 心脑血管疾病和炎症等病症 。 大部分药物 可通过靶向作用于 GPCR 而达到治疗的效果,所以 GPCR 在制药领域中占有极其重要的地 位 。 根据 GPCR 的序列差异, GPCR 蛋白超家族可分为 5类,准确地分类预测 GPCR 有着 很重要的意义和作用 。
G 蛋白偶联受体是重要的药物靶标,很多药物方面的研究瞄准它们的结构与功能的关 系 [1]。 然而,大多数 GPCR 的三级结构仍然是未知的,主要是由于这些蛋白难于结晶 。 同 时,这些蛋白在一般的溶剂中溶解度都不大,使得核磁共振也无法使用 。 相反,随着人类 基因组以及其它种类生物基因组计划的开展,已经获得了大量的氨基酸序列数据 。 目前, 如何利用这些已知的一级结构信息,成为生物信息学的研究热点之一,比如,如何从大量
138
www.cjb.org.cn |ACTA BIOPHYSICA SINICA 性时,预测结果受到限制;同时,这些方法大多基于传统的统计理论,对训练集样本的数
目有一定要求,而现有的已知类别样本有限,这同样影响了分类预测的准确率 。 针对这种
情况, Karchin 等 [6]开始尝试利用支持向量机 (support vector classification , SVM ) 的方法来
识别 GPCR 超家族中各蛋白的类型,并取得了一定的效果 。 特别是, Bhasin 等 [7]在 Karchin
等思路的基础上,还是利用支持向量机,并结合蛋白质一维序列的双联氨基酸使用频率,
对 GPCR 的蛋白质类型进行预测,得到了很好的效果 。
然而,上述的方法基本都是基于氨基酸序列的特征 。 目前,还很少有直接从编码
GPCR 蛋白的核酸序列中提取特征进行 GPCR 蛋白类型预测的方法 。 本文中,我们基于前
期研究工作的基础 [8~10],将序列特征分析与支持向量机结合起来,首次提取 GPCR 蛋白对应
的 mRNA 基因序列中的绝对密码子使用频率信息,并加入蛋白质双联氨基酸使用频率信
息,对 GPCR 蛋白序列及其类型进行识别,取得了很好的效果,并且与基于单联氨基酸使
用频率的方法,以及目前预测效果最好的 Bhasin 等的基于双联氨基酸使用频率的方法 [7]进
行了比较 。
1数据及方法
1.1GPCR 数据来源
GPCRDB 数据库 (http://www.gpcr.org/7tm/) [11]是一个专注于收集 、 整合 G 蛋白偶联受
体 (GPCR ) 信息的数据库,其中的 GPCR 蛋白序列数据主要来源于 SWISS-PROT 数据库 。
根据 GPCRDB 数据库, GPCR 蛋白共分为 5大类,与 Structural Classification of Proteins
(SCOP , http://www.bio.cam.ac.uk/scop/) 数 据 库 中 的 分 类 一 致 。 本 文 中 , 我 们 收 集 了
SWISS-PROT 数据库中的 GPCR 蛋白序列数据,其中, A 类序列 690个, B 类序列 142个,
C 类序列 240个, D 类序列 655个, E 类序列 37个 。 为了衡量分类器对 GPCR 序列识别的
效果,我们增加了 99个非 GPCR 的欺骗序列 (decoy ) ,这些序列来源于 Karchi 等 [6]的实
验 。
同时,为了从核酸的角度提取序列特征,我们利用 GPCR 序列在 SWISS-PROT 的注释
信息,编写了 perl 程序,从 EMBL-EBI (http://srs.ebi.ac.uk/srsbin/cgi-bin/wgetz?-page+srsq2+-
noSession ) 获得了每个 GPCR 蛋白对应的 mRNA 序列 。
1.2序列特征的提取
对于 GPCR 的分类问题,本文提取序列特征的方法主要有三种:1) 蛋白序列的单联
氨基酸使用频率 (single amino acid use frequency ) ; 2) 为了和目前预测效果最好的 Bhasin
等的方法 [7]进行比较,我们提取了蛋白序列的双联氨基酸使用频率信息; 3) 包含基因序列
的绝对密码子使用频率和蛋白序列的双联氨基酸使用频率两部分信息的组合特征 (hybrid
139
ACTA BIOPHYSICA SINICA |Vol.26No.2|Feb. 2010
的每个元素对应一种氨基酸在该蛋白序列中出现的频率 。
F i =A i /n (1)
双联氨基酸使用频率 (F ij
) 是双联氨基酸 i 和 j 在该段蛋白序列中的共同出现频率,其 计算方法如式 (2),其中, m 指整段蛋白序列中双联氨基酸的个数 。 A ij 是双联氨基酸 ij 在该
段蛋白序列中出现的次数 。 每条蛋白序列可转化为一个 400维的数字向量,向量的每个元
素对应一种双联氨基酸在蛋白序列中出现的频率 。
F ij =A ij /m (2)
在本文中,我们提取 GPCR 蛋白对应的 mRNA 序列的每种密码子的绝对密码子使用频
率 (
codon use frequency , FCU ) ,作为密码子使用偏性的衡量标准,它的计算公式如下:FCU i =obs i (3)
其中, obs i 指某一特定的密码子 i 在基因中出现的次数; total 指整段基因中的密码子的
个数 。 这种衡量方法的优势在于,它含有较多的序列信息 。 首先,它包含了基因的密码子
使用偏性信息 。 其次,它还含有基因所编码蛋白的氨基酸组成信息 。 每个 GPCR 蛋白样本
可转化为一个 64维的数字向量,向量的每个元素代表一种密码子在 GPCR 蛋白对应的
mRNA 序列中出现的绝对密码子使用频率 。 这样,本文中使用的包含基因序列的绝对密码
子使用频率和蛋白序列的双联氨基酸使用频率两部分信息的组合特征,为一个 464维的数
字向量 。
1.3支持向量机
支持向量机 (SVM ) 是 Vapnik 等 [12]提出的一类新型机器学习方法 。 由于其出色的学习性
能,在高维小训练样本情况下有着很好的泛化能力,该技术已成为机器学习界的研究热点, 并在很多领域都得到了成功应用 。 它是以结构化风险最小化 (structural risk minimization , SRM ) 代替常用的经验风险最小化 (empirical risk minimization , ERM ) 作为优化准则,其
基本思想是,对于非线性可分样本,将其输入向量经非线性变换映射到另一个高维空间 Z
中,在变换后的空间中寻找一个最优的分界面 (超平面 ) ,使其推广能力最好 。 具体应用
SVM 的步骤为:1) 选择适当的核函数; 2) 求解优化方程,获 得支持向量及相应的
Lagrange 算子; 3) 写出最优分界面方程 。 在本文中,为了实现 SVM 算法,我们采用了 R
语言的 e1071软件包 (version 1.5-16)
[13]。
1.4模型性能评价
对于分类预测问题,所预测的样本有 4种情况:假阳性 (false positive , FP ) ,真阳性
(true positive , TP ) ,假阴性 (false negative , FN ) ,真阴性 (true negative , TN ) 。 其总体
预测准确率 (accuracy , ACC ),特异性 (specificity , SP ),敏感性 (sensitivity , SE ) 和 140
www.cjb.org.cn |ACTA BIOPHYSICA SINICA SP =
TN +FP
(6)
PR =TP
TP +FP
(7)
MCC =TP ×TN -FP ×FN
姨
(8)
1.5实验流程
本文中,对 GPCR 的分类可分为两步来操作:第一步是用 SVM 从蛋白序列集中找出
GPCR 序列;第二步,对识别出的 GPCR 序列进一步分类,确定其所属的类别,共涉及 6
个 SVM 分类器 。 在第一步的 GPCR 序列识别中,我们把 A 、 B 、 C 、 D 、 E 5类共 1764条
GPCR 序列合并,作为机器学习的正类集, 99条非 GPCR 的欺骗序列 (decoy ) 作为机器学
习的负类集 。 首先根据 1.2节描述的特征提取的方法,将蛋白序列转换为可供 SVM 软件
识别使用的数字向量序列,然后使用十倍交叉验证 (ten-fold cross-validation ) 的方法来衡
量分类器的性能 。 所谓十倍交叉验证是指,利用随机数抽取的方法,将数据集随机分成数
量相等的 10个数据集,将其中 9个数据集作为训练集,剩下的一个作为测试集,通过分类
器来进行分类预测,然后重新分配训练集与测试集,重复刚才的过程,如此这般,一共需
要作 10次训练及测试,利用这 10次实验的结果来衡量分类器的性能 。 第二步中,我们需
要对 GPCR 超家族在类别层次上进行分类预测 。 这是一个多类的分类问题,我们可以将此
多类问题转化为两类问题 。 设计 5个 SVM 分类器 。 当对 A 类进行分类预测时,将 A 类样
本作为机器学习的正类集,其余 4类合并作为负类集,通过 SVM 来进行分类预测 。 对于
GPCR 的其余类别,方法类似 。 通过对这 5个分类器所有输出结果的分析,得出最终的分
类结果 。
2实验结果
2.1GPCR 序列的识别
首先要做的是,测试我们的 SVM 模型从众多序列中识别出 GPCR 的能力 。 我们将 A 、
B 、 C 、 D 和 E 5类 GPCR 共 1764条序列合并为正类集,然后以 99个欺骗序列作为负类
集,进行十倍交叉验证,结果如表 1所示 。
表 1中第一列核函数是在 SVM 学习过程中所采用的核函数类别,包括线性核函数 、
多项式核函数和径向基核函数 。 第二列的特征指出了从序列中抽取特征时所采用的方法,
包括单联氨基酸频率 、 Bhasin 等的双联氨基酸使用频率,以及我们提出的 Hybrid feature 。
对于多项式核函数,我们设定参数 cost =1.0,并采用 3阶多项式核;对于径向基核函数,我
们还是设定参数 cost =1.0,而参数 gamma 在单联氨基酸频率 、 双联氨基酸使用频率及
141
ACTA BIOPHYSICA SINICA |Vol.26No.2|Feb. 2010
2.2GPCR 分类预测
对于 GPCR 类型的预测,我们设计了 5个分类器 。 当预测 A 类 GPCR 序列时,我们把
A 类数据作为机器学习的正类集,其余 4类归为负类集,用同样的十倍交叉验证的方法, 使用不同的序列特征和不同的 SVM 核函数,对数据进行训练学习,对于 B 、 C 、 D 、 E 类序
列的识别也采用类似方法 。 所有实验结果如表 2至表 6所示, SVM 模型参数设定与 2.1节
相同 。
当预测 A 类 GPCR 序列时 , 除了使用单联氨基酸频率作为分类器特征时的预测效果不
是很理想之外,采用 Bhasin 等的双联氨基酸使用频率和我们提出的 Hybrid feature 时,分
类器都得到了很好的预测效果,预测准确率 (ACC
) 都在 99.60%以上 (表 2) 。 从表 3可以得知,当对 B 类 GPCR 序列进行预测时,使用单联氨基酸频率作为分类器
特征,其预测效果也不是很好,而采用 Bhasin 等的双联氨基酸使用频率和我们提出的
Hybrid feature 构建的分类器,都得到了非常不错的预测效果,且总的来说, Hybrid feature
构建的分类器要略优于 Bhasin 等的方法 。
表 1GPCR 蛋白序列的预测结果
Table 1Performance of identifying GPCR sequences from decoys by SVM classifiers
Kernel function
Features a SE (%)SP (%)ACC (%) PR (%)MCC Linear Single
99.0488.6698.5099.370.85Bhasin et al.
99.94100.0099.95100.000.99Hybrid 99.94
100.0099.95100.000.99Polynomial Single 99.60
98.9799.5799.940.96Bhasin et al. 99.83
97.9499.7399.890.97Hybrid 99.77
98.9799.7399.940.97RBF Single 99.60
97.9499.5299.890.95Bhasin et al. 99.60
82.4798.7199.040.86Hybrid
99.60100.0099.62100.000.96a Single:single amino acid use frequency; Bhasin et al. :double amino acid use frequency proposed
by Bhasin et al.; Hybrid:Hybrid feature combining codon use frequencies of mRNA genes and
double amino acid use frequencies
a Single :单联氨基酸使用频率; Bhasin et al. :Bhasin 等提出的双联氨基酸使用频率; Hybrid :包含
mRNA 基因密码子使用偏性和双联氨基酸使用频率信息的组合特征
142
www.cjb.org.cn |ACTA BIOPHYSICA SINICA Bhasin et al. 100.0099.9199.9499.861.00
Hybrid 100.0099.9199.9499.861.00
Polynomial Single 62.4685.4776.4773.420.50
Bhasin et al. 99.7199.9199.8399.851.00
Hybrid 100.0099.7299.8399.571.00
RBF Single 93.7797.4996.0395.990.92
Bhasin et al. 99.8699.5399.6699.281.00
Hybrid 99.7199.5399.6099.280.99
a Single:single amino acid use frequency; Bhasin et al. :double amino acid use frequency proposed
by Bhasin et al.; Hybrid:Hybrid feature combining codon use frequencies of mRNA genes and
double amino acid use frequencies
a Single :单联氨基酸使用频率; Bhasin et al. :Bhasin 等提出的双联氨基酸使用频率; Hybrid :包含
mRNA 基因密码子使用偏性和双联氨基酸使用频率信息的组合特征
表 3B 类 GPCR 蛋白序列的预测结果
Table 3Performance of recognizing class B of GPCR sequences by SVM classifiers
Kernel function Features a SE (%)SP (%)ACC (%) PR (%)MCC
Linear Single 64.0898.4695.6978.450.69
Bhasin et al. 100.00100.00100.00100.001.00
Hybrid 100.00100.00100.00100.001.00
Polynomial Single 66.90100.0097.34100.000.81
Bhasin et al. 78.17100.0098.24100.000.88
Hybrid 81.69100.0098.53100.000.90
RBF Single 88.03100.0099.04100.000.93
Bhasin et al. 99.30100.0099.94100.001.00
Hybrid 99.30100.0099.94100.001.00
a Single:single amino acid use frequency; Bhasin et al. :double amino acid use frequency proposed
by Bhasin et al.; Hybrid:Hybrid feature combining codon use frequencies of mRNA genes and
double amino acid use frequencies
a Single :单联氨基酸使用频率; Bhasin et al. :Bhasin 等提出的双联氨基酸使用频率; Hybrid :包含
mRNA 基因密码子使用偏性和双联氨基酸使用频率信息的组合特征
当对 C 类 GPCR 序列进行预测时,用单联氨基酸频率构建的分类器,其预测效果也不
是特别理想;而采用 Bhasin 等的双联氨基酸使用频率得到了最好的预测效果,预测准确率
(ACC ) 均为 99.89%。 另外,我们也注意到,当使用我们提出的 Hybrid feature 并利用径向
基核函数时,分类器也得到了很好的预测效果,预测准确率 (ACC ) 为 99.15%(表 4) 。
143
ACTA BIOPHYSICA SINICA |Vol.26No.2|Feb. 2010
Bhasin et al.
100.0099.8799.8999.171.00Hybrid 100.00
99.8799.8999.171.00Polynomial Single 81.67
99.9397.4599.490.89Bhasin et al. 99.17
100.0099.89100.001.00Hybrid 61.25
100.0094.73100.000.76RBF Single 91.67
99.7498.6498.210.94Bhasin et al. 99.17
100.0099.89100.001.00Hybrid
93.75100.0099.15100.000.96a Single:single amino acid use frequency; Bhasin et al. :double amino acid use frequency proposed
by Bhasin et al.; Hybrid:Hybrid feature combining codon use frequencies of mRNA genes and
double amino acid use frequencies
a Single :单联氨基酸使用频率; Bhasin et al. :Bhasin 等提出的双联氨基酸使用频率; Hybrid :包含
mRNA 基因密码子使用偏性和双联氨基酸使用频率信息的组合特征
表 5D 类 GPCR 蛋白序列的预测结果
Table 5Performance of recognizing class D of GPCR sequences by SVM classifiers
Kernel function
Features a SE (%)SP (%)ACC (%) PR (%)MCC Linear Single
75.5790.0884.6981.820.67Bhasin et al.
99.8599.9199.8999.851.00Hybrid 99.85
99.9199.8999.851.00Polynomial Single 85.65
99.5594.3999.120.88Bhasin et al. 88.70
100.0095.80100.000.91Hybrid 90.84
100.0096.60100.000.93RBF Single 94.05
98.2096.6696.860.93Bhasin et al. 98.93
99.9199.5599.850.99Hybrid
99.0899.6499.4399.390.99a Single:single amino acid use frequency; Bhasin et al. :double amino acid use frequency proposed
by Bhasin et al.; Hybrid:Hybrid feature combining codon use frequencies of mRNA genes and
double amino acid use frequencies
a Single :单联氨基酸使用频率; Bhasin et al. :Bhasin 等提出的双联氨基酸使用频率; Hybrid :包含
mRNA 基因密码子使用偏性和双联氨基酸使用频率信息的组合特征
表 5中显示,当预测 D 类 GPCR 序列时 , 使用 Bhasin 等的双联氨基酸使用频率以及我
们提出的 Hybrid feature 构建分类器,其预测效果均要优于单联氨基酸频率,且 Hybrid
feature 的预测效果要略好于双联氨基酸使用频率 。
144
www.cjb.org.cn |ACTA BIOPHYSICA SINICA 表 6E 类 GPCR 蛋白序列的预测结果
Table 6Performance of recognizing class E of GPCR sequences by SVM classifiers
Kernel function Features a SE (%)SP (%)ACC (%) PR (%)MCC
Linear Single 59.4699.9499.0995.650.75
Bhasin et al. 100.00100.00100.00100.001.00
Hybrid 100.00100.00100.00100.001.00
Polynomial Single 72.97100.0099.43100.000.85
Bhasin et al. 81.08100.0099.60100.000.90
Hybrid 81.08100.0099.60100.000.90
RBF Single 75.68100.0099.49100.000.87
Bhasin et al. 83.78100.0099.66100.000.91
Hybrid 86.49100.0099.72100.000.93
a Single:single amino acid use frequency; Bhasin et al. :double amino acid use frequency proposed
by Bhasin et al.; Hybrid:Hybrid feature combining codon use frequencies of mRNA genes and
double amino acid use frequencies
a Single :单联氨基酸使用频率; Bhasin et al. :Bhasin 等提出的双联氨基酸使用频率; Hybrid :包含
mRNA 基因密码子使用偏性和双联氨基酸使用频率两种信息的组合特征
从表 2至表 6可以看出,对各类 GPCR 序列进行预测时,当使用我们提出的 Hybrid
feature 作为特征,且以径向基核作为核函数时,分类器都取得了非常不错的预测效果 。 因
此,在设计基于 SVM 的 GPCR 类型分类器时,建议使用 Hybrid feature 为序列特征,同时
采用径向基核核函数 。 但是,也应该看到, Bhasin 等提出的这种基于 SVM 并提取双联氨基
酸使用频率作为序列特征的分类器,也是一种很优秀的 GPCR 分类预测工具 [7],它在 GPCR
类型的识别上也有着重要的实用意义 。
3讨 论
我们知道,基因的绝对密码子使用频率与基因的功能类型有关 [15~17]。 在本文中,我们
正是在这一研究结果的基础上,利用支持向量机对 GPCR 蛋白序列进行识别和分类的 。 事
实上,利用单联或者双联氨基酸使用频率对 GPCR 的蛋白序列进行识别分类,也反映了氨
基酸组成与蛋白功能类型的相关性,此前的很多研究报道已经表明,功能相似的蛋白质具
有相似的氨基酸组成 [15~17]。
为了进一步说明本文中用到的单联氨基酸使用频率 、 双联氨基酸使用频率和绝对密码
子使用频率这 3种序列特征与 GPCR 序列分类间的相关性,我们分别就 3种特征作了主成
分分析 (图 1) ,其中的图 A 、 图 B 和图 C 分别对应于单联氨基酸使用频率 、 双联氨基酸使
145
ACTA BIOPHYSICA SINICA |Vol.26No.2|Feb. 2010
图 1五种类型的 GPCR 蛋白质序列及欺骗序列 (decoy)的主成分分析图 (A)单联氨基酸频率作为序
列特征; (B)双联氨基酸作为序列特征; (C)绝对密码子使用频率作为序列特征
Fig.1Dot plot of the three most dominant axes generated with PCA analysis method for five
kinds of GPCR sequences and decoys (A)Single amino acid use frequency as features;
(B)Double amino acid use frequency proposed by Bhasin et al. as features; (C)Hybrid feature
combining codon use frequencies of mRNA genes and double amino acid use frequencies
146
www.cjb.org.cn |ACTA BIOPHYSICA SINICA 1. Bockaert J, Pin JP. Molecular tinkering of G protein-coupled receptors:an evolutionary success. EMBO J , 1999, 18(7):1723~17292. Horn F, Mokrane M, Weare J, Vrien G. G-protein coupled
receptors or the power of data. Genomics and proteomics:
functional and computational aspects. New York:Kluwer
Academic/Plenum,2000, 192~214
3. Lapinsh M, Gutcaits A, Prusis P, Post C, Lundstedt T,
Wikberg JE. Classification of G-protein-coupled receptors
by alignment independent extraction of principal chemical
properties of primary amino acid sequences. Protein Sci ,
2002, 11(4):795~805
4. Joost P, Methner A. Phylogenetic analysis of 277human
G-protein-coupled receptors as a tool for the prediction of
orphan receptor ligands. Genome Biol , 2002, 3(11):1~16
5. 候永丰 , 李通化 . HMM 用于 G 蛋白偶联受体超家族的识别 . 同济大学学报 (自然科学版 ), 2004, 32(12):1696~1700
Hou YF, Li TH. Classifying G-protein coupled receptors
with hidden Markov models. Journal of
Tongji University (Natural Science ), 2004, 32(12):1696~17006. Karchin R, Karplus K, Haussler D. Classifying G-protein coupled receptors with support vector machines. Bioinformatics , 2002, 18(1):147~1597. Bhasin M, Raghava GP. GPCRpred:an SVM-based method for prediction of families and subfamilies of G-protein coupled receptors. Nucleic Acids Res , 2004, 32:W383~W3898. Zhou T, Weng JH, Sun X, Lu ZH. Support vector machine for classification of recombination hotspots and coldspots in Saccharomyces cerevisiae based on codon composition. BMC Bioinformatics , 2006, 7:2239. Wu JS, Hu MJ, Zhou T, Weng JH, Jiang P, Sun X. Support vector machine for prediction of siRNA silencing
efficacy. Journal of Southeast University (English Edition ), 参考文献:
此,对于 GPCR 序列的识别问题,在设计 SVM 分类器时,提取各种特征和利用各种 SVM
核函数分类效果都十分理想 (表 1) 。
对于 GPCR 序列分类的问题,从图 1可以看出,就单联氨基酸使用频率 、 双联氨基酸
使用频率,以及绝对密码子使用频率 3种序列特征而言, 5类 GPCR 序列之间显然均是非
线性可分的关系 。 因此,我们采用支持向量机的方法,将非线性可分的样本提升到高维空
间,对 GPCR 序列进行分类 。 从表 2至表 6可知,当联合使用 Bhasin 等的双联氨基酸使用
频率及我们的 Hybrid feature 且利用线性核函数时,分类器都得到了非常好的预测效果,这
和图 1B 和图 1C 的主成分分析结果有些矛盾,这表明本文在使用线性核函数构建分类器的
过程中可能存在过度拟合的问题 。 从图 1B 可以看出,在利用双联氨基酸使用频率所作的主
成分分析图中, A 、 B 和 D 类 GPCR 序列聚集较为集中,区分较为明显,所以使用双联氨
基酸使用频率为特征构建分类器时,分类效果较好,而 E 类 GPCR 序列与其它 GPCR 序列
区分不明显,在分类预测时效果不佳 。 但当我们使用绝对密码子使用频率进行主成分分析
时, E 类 GPCR 序列聚集集中,与其它的 GPCR 序列区分明显,所以在分类预测时,加入
绝对密码子使用频率的信息,预测效果得到了提高 (表 6) 。 因此,综合考虑所有类型分类
器的识别效果,在 GPCR 序列类型预测的问题中,设计 SVM 分类器时,最佳方案是选择包
含基因序列绝对密码子使用频率和蛋白序列双联氨基酸使用频率两部分信息的组合特征
(Hybrid feature ) 作为 SVM 的输入,同时使用径向基核作为核函数 。
致谢:感谢东南大学生物电子学国家重点实验室的孙啸教授对本工作的指导 。
147
ACTA BIOPHYSICA SINICA |Vol.26No.2|Feb. 2010
Prediction of G-Protein Coupled Receptors and Their Type
WU Jiansheng 1, MA Xin 2, ZHOU Tong 2, TANG Lihua 1, HU Dong 1
1. School of Geography and Biological Information, Nanjing University of Posts and Telecommunications, Nanjing 210046, China;
2. State Key Laboratory of Bioelectronics, Southeast University, Nanjing 210096, China
This work was supported by grants from Research Start-up Funding by Nanjing University of Posts and Telecommunications (NY209027)and “ QingLan ” Project of Nanjing University of Posts and Telecommunications (NY206060)
Received:Nov 3, 2009Accepted:Jan 24, 2010
Corresponding author:HU Dong, Tel:+86(25)85885169,E-mail:hud@njupt.edu.cn
Abstract :G-protein coupled receptor is a very important signal molecule receptor and its dysfunction may
lead to the emergence of many diseases. According to the previous studies, a method combining the feature analysis methods of sequences with support vector machine (SVM)
technology was proposed for identifying
GPCRs and their type by analyzing the characteristics of sequence differences. Especially, codon use frequencies of mRNA genes translating into GPCR proteins were first selected as the sequence feature, in respect that it is the inherently the fusion of both codon usage bias and amino acid composition signals. The results showed that the optimal SVM classifiers for predicting GPCR sequences and their type were designed by choosing the hybrid feature by combining codon use frequencies of mRNA genes and double amino acid use frequencies and using the RBF kernel as kernel function after considering the performance of all types of SVM classifiers.
Key Words :G-protein coupled receptor (GPCR);Support vector machine (SVM);Codon use frequency
(FCU)
bacteria genomes. Prog Biochem Biophys , 2007, 34(7):724~731
11. Horn F, Weare J, Beukers MW, H 觟 rsch S, Bairoch A,
Chen W, Edvardsen O, Campagne F, Vriend G. GPCRDB:an information system for G protein-coupled receptors.
Nucleic Acids Res , 1998, 26(1):275~279
12. Vapnik V. The nature of statistical learning theory. New
York:Springer-Verlag, 1995. 1~188
13. Dimitriadou E, Hornik K, Leisch F, Meyer D, Weingessel A.
e1071:
Misc functions of the department of statistics
of the codon use frequency of MHC genes from different species. Biosystems , 2002, 65(2-3):199~207
16. Zhou T, Gu WJ, Ma JM, Sun X, Lu ZH. Analysis of
synonymous
codon
usage
in
H5N1
virus
and
other
influenza A viruses. Biosystems , 2005, 81(1):77~8617. Gu WJ, Zhou T, Ma JM, Sun X, Lu ZH. Analysis of
synonymous codon usage in SARS Coronavirus and other viruses in the Nidovirales . Virus Res , 2004, 101(2):
155~161
148
范文四：G蛋白偶联受体
G 蛋白偶联受体(GPCRs )研究新进展
摘要 :G 蛋白偶联受体 (GPCRs)是一个超级膜蛋白家族。该家族的结构特点为七 个穿越细胞膜的α-双螺旋结构 , 其中 N-端在细胞外 , C-端在细胞内。他们识别 并结合细胞外部环境中多种多样的信号分子, 激活细胞内的异源三聚体的鸟苷酸 结合蛋白 (G-protein ) 。 活化后的 G 蛋白结合 GTP 置换 GDP, 三聚体进行解离等 变化, 从而将信号传递到细胞内的效应分子, 引起细胞内的一系列变化。 市场上 销售额前茅的药物中, 有许多是作用于 GPCRs 的。 对 GPCRs 的研究将会给医疗和 医药带来新进展。 其中理解 GPCRs 与信号分子的作用机制至关重要。 庆幸的是牛 视紫红质蛋白(rhodopsin )的结构已经清楚,其构效关系为其他 GPCRs 的研究 提供了模板。另一个重要的 G-蛋白偶联受体是血小板激活因子受体(PAFR ) ,他 与血小板激活因子的解聚与许多生理和病理变化相关。 本文首先对 GPCRs 的市场, 研究历史, 结构分类进行了介绍, 然后对牛视紫红质蛋白和血小板激活因子的构 效关系现状进行了综述。
关键词 :膜蛋白, G-蛋白偶联受体,信号传导,牛视紫红质蛋白,血小板激活因 子受体
1. G蛋白偶联受体(GPCRs )简介
每个细胞的活动都是信息通过细胞膜不同种类的受体, 由细胞外传导到细胞 内起作用的。G蛋白偶联受体是目前大的蛋白质受体超家族之一。作用于G PCRs 的物质,通过作为激动剂、或作为拮抗剂、或干涉 GPCRs 的细胞传导 而起作用。G PCRs 家族被认为是通过相似的分子机制而起作用。首先细胞 外配体结合于G PCRs ,引起受体蛋白的构型变化,从而改变与其相偶联的不 同种类的G蛋白异源三聚体的结合状态。这些G蛋白的 α-亚基、 β-、 γ-亚 基结合为复合物联结于细胞膜内表面。 配体和与G蛋白偶联受体的相互作用 触发 α亚基上 GDP 与 GTP 交换,从而导致G蛋白从受体上解离及 α-亚基 与 β、 γ-亚基复合物的分离。解离了的 α-GTP 亚基和 β、 γ-亚基与不同效 应酶和离子通道作用,引起一系列生理反应。由于所有活化了的 α-GTP 亚 基具有 GDP 酶的活性, α-亚基 GTP 亚基终被水解为 α-GDP 亚基, 该状态 与 β、 γ-亚基有高的亲和力, α-亚基与 β、 γ-亚基在结合为复合物。这个 反应回到静息状态。
2. G蛋白偶联受体(G PCRs )的资源情况
据调查人类 35000 个基因中,大约有 750 个是 GPCRs 。其中几乎一半可能 属于感觉受体, 剩下的 400 个左右可以考虑为药物靶标。 而这其中约 30 个 已经作为药物上市, 210 个 GPCRs 家族已经找到自然配体,剩余 160 个被 称为“孤儿受体” ,功能未知。认出这些受体的生理作用将有助于了解它们 的病理作用,这是一个艰难的任务。但是,根据对这个超级家族研究的成功 历史, 有理由相信这些新受体水平的治疗作用将会使大范围的人类疾病治疗 受益。
3. GPCRs 研究历史
本世纪 20 年代 Ehrlich 和他的学生 Dale 第一次明确地叙述了反应细胞的 “接受物质”的概念。他们是基于经典的生理、药物实验通过肾上腺受体、 乙酰胆碱受体作用于离体骨骼肌、 平滑肌和舌下唾液腺的激动剂和拮抗剂的 实验结果提出来的。在接下来的 1920-1970 年的半个世纪中 Clark, Ariens, Stephenson, Black and Furchgott等科学家把这些概念发展为经典的受体理论。 1960 年 -1970 年经历了生物化学和药学家的首次结合,很快带来了本学科 一系列决定性的发现,塑造了本学科原型。首先是第二信息 cAMP 的发现, 它能调节十几种受体的反应;接着发现了负责合成 cAMP 的 cAMP 环化酶, 后来的 cAMP 依赖的蛋白激酶发现。 1971 年 Rodbell 提出了鸟嘌呤核苷酸 调节蛋白作为传递体作用于激素受体和腺苷酸环化酶之间。 Gilman 和他的 同事接着就证明了该蛋白的存在。 这些发现提供了信号从细胞外传到细胞内 的早的分子基础。分子受体的研究(直接评估受体的特性而不是下游的效用 推理)可以追随到 1970年。当时受体的物理存在受到质疑。像其他许多事 情一样,更进一步需要几种新的技术,相关的是受体的放射标记的配体结合 实验和亲合标记技术的出现。这些技术的成熟运用和系统研究,终导致离子 通道和穿膜受体的发现。先研究是乙酰胆碱受体、肾上腺受体和视紫红质蛋 白。原因如下:电鱼的放电器官含有极丰富的烟碱乙酰胆碱受体;视紫红质 蛋白同样资源丰富,因为在牛视网膜棒状细胞的蛋白制品中,视紫红质蛋白 的含量占 90%。 美国纽约 Duke 大学医学研究中心的 Robert J. Lefkowitz和他 的同事们从 1970年开始研究 β2-肾上腺受体的原因是:它是腺苷酸环化酶的 作用的几个受体之一;它有明显的临床心血管作用; 1960 年 β-肾上腺受体 阻断剂在临床上应用;通过该研究探索几种用于该类研究的新技术。由于该 受体有许多不同结构的激动剂和拮抗剂,是研究放射性配体,亲合标记试剂 和亲和层析技术的好材料。 1986年的突破性地开始用合成 cDNA 克隆 β2-肾 上腺受体, 随后和 Merk 的 Riched Dixon合作寻找到了 β2-肾上腺受体的基因, 并且第一次发现编码 β2-肾上腺受体的基因无内含子。同样情况的有 α2-肾 上腺受体,毒箭碱乙酰胆碱受体,多巴胺 D1 受体和其它几个 GPCRs 。同样 重要的发现是 β2-肾上腺受体的序列与视紫红质蛋白的同源。并且类似于预 测了细菌的 7TM 细菌视紫红质蛋白,该蛋白是一种光驱动的质子泵。这使 我们认识到很有可能许多或所有 GPCRs 的具有共同的 7TM 排列。这种假设 在后来的几年中很快被证实。
4. PAF 受体的研究进展
PAF 受体的研究 PAF 发挥其生物学活性是通过与细胞组织中的 PAF 受体 (PAFR)结合而实现的。粒细胞 T 和 B 淋巴细胞、以及肺、脑、肾等组织存在 PAF 受 体。人的 PAF 受体 (PAFR)基因位于第 l 对染色体上,具有 342个氨基酸,分 子量为 39000,属 G 蛋白家族受体。是典型的 GPCRs 类型 I (该类型的代表 结构为牛视紫红质蛋白 rhodopsin ) 。 1992年有文献报道 PAF 受体 cDNA 的基 因克隆。发现人的 PAFR 蛋白质序列与豚鼠的 PAFR 的同源性高达 83%。 1997年有文献报道用丙氨酸替代极性氨基酸的方法对豚鼠 PAFR 的结合部位进行 了研究,并用细菌视紫红质蛋白为模板 (当时牛视紫红质蛋白 rhodopsin 的绝 对结构未知 ) 进行了分子模拟。在这个模型里, PAF 长的烃链和极性氨基酸
Asp-63,Asn-100,Ser-104和 Asp-289 在范德华力作用的范围内, 并且以相互排 斥作用存在。用疏水的丙氨酸取代这些极性氨基酸,使他们之间的相互排斥 变为疏水作用因而增加了他们之间的吸引力 , 引起 PAF 和 PAFR 的结合力增加。 三个组氨酸 His-188,His-248,His-249好像与 PAF 分子直接作用, 而 Gln-252可 能 与 His-248相 互 作 用 起 到 稳 定 His-248构 型 的 作 用 Asn-58,Thr-101,Gln-276,Thr-278在结合的作用有待于阐明。
范文五：G蛋白偶联受体
G-蛋白耦联受体的信号转导途径
G-蛋白耦联受体信号转导的主要途径:已知有100多种配体可通过G蛋白耦联受体实现跨膜信号转导，包括生物胺类激素如肾上腺素、去甲肾上腺素、组胺、5-羟色胺，肽类激素如缓激肽、黄体生成素、甲状旁腺激素，以及气味分子和光量子等。根据效应器酶以及胞内第二信使信号转导成分的不同，其主要反应途径有以下两条: (1)受体-G蛋白-Ac途径:激素为第一信使，带着内外界环境变化的信息，作用于靶细胞膜上的相应受体，经G-蛋白耦联，激活膜内腺苷酸环化酶(Ac)，在Mg2+作用下，催化ATP转变为环磷酸腺cAMP，则细胞内的cAMP作为第二信使，激活cAMP依赖的蛋白激酶(PKA)，进而催化细胞内多种底物磷酸化，最后导致细胞发生生物效应，如细胞的分泌，肌细胞的收缩，细胞膜通透性改变，以及细胞内各种酶促反应等。
(2)受体-G蛋白PLC途径:胰岛素、缩宫素、催乳素，以及下丘脑调节肽等与膜受体结合使其活化后，经G蛋白耦联作用，激活膜内效应器酶——磷脂酶C(PLC)，它使磷脂酰二磷酸肌醇(PIP2)分解，生成三磷酸肌醇(IP3)和二酰甘油(DG)。医学|教育网收集整理IP3和DG作为第二信使，在细胞内发挥信息传递作用。IP3首先与内质网外膜上的Ca2+通道结合，使内质网释放Ca2+入胞浆，导致胞浆内Ca2+浓度明显增加，Ca2+与细胞内钙调蛋白(CAM)结合，激活蛋白激酶，促进蛋白质酶磷酸化，从而调节细胞的功能活动。DG的作用主要是特异性激活蛋白激酶C(PKC)。PKC与PKA一样
可使多种蛋白质或酶发生磷酸化反应，进而调节细胞的生物效应。
G蛋白偶联受体的结构
G蛋白( G - pro te in /GTP bind ing pro tein)是能与鸟嘌呤核苷酸结合, 具有水解GTP生成GDP即具有GTP 酶( GTPase)活性的蛋白, 位于细胞膜胞浆面的外周蛋白, 一般是指与膜受体偶联的异源三聚体, 由3亚基组成, 它们是A亚基( 45kD) 、B 亚基( 35kD)、C亚基( 70kD) 。总分子质量为100kD左右。G 蛋白有两种构象,一种是以ABC三聚体存在并与GDP结合, 为非活化型, 另一种构象是A亚基与GTP结合并致BC亚基脱落, 此为活化型。不同种类的G 蛋白有相应的基因编码, 在各种G 蛋白亚基中, H ep le r、L inder、Zhu YX等认为A亚基差别最大, 所以把A亚基用作G蛋白的分类依据。G 蛋白是一个超级家族( GTP - bind ing pro tein superfam -ily)。包括异源三聚体和小G 蛋白。前者分子量大, 是受鸟嘌呤核苷酸调控的超级家族的信号传导分子; 但后者, 分子量小( 20~ 30kD)为单体。可能与信号传导无直接联系。
G蛋白偶联受体的分类
G蛋白有许多种, 常见的有激动型G 蛋白( stimulato ry G prote
in Gs), 抑制型G 蛋白( inh ibito ry G pro te in G i)和磷脂酶C型G蛋白( PI- PLC, G pro te in Gp) 不同的G 蛋白能特异地将受体和与之相适应的效应酶偶联起来。G 蛋白在结构上尽管没有跨膜蛋白的特点, 但它们可以通过其亚基氨基酸残基的脂化修饰其锚定在细胞膜上。目前已把G蛋白结构, 氨基酸序列及进化的相似性与功能等
结合起来作为分类依据。主要有4类, 至少有21 种不同的A亚基, 5 种B 亚基和8种C亚基。
G蛋白偶联受体机理
G蛋白偶联受体传递信号的机理包括几个主要步骤:首先配体或其他分子或因素从细胞膜外与受体结合，引起受体的构象变化，这个过程也成为受体的激活。发生了构象变化的受体随即会激活与之偶联的G蛋白，表现为G蛋白上原先结合的GDP被替换为GTP。激活后的G蛋白会进一步引发一系列的下游效应，其中所涉及的具体信号通路则取决于G蛋白的种类。
G蛋白偶联受体功能
G蛋白偶联受体参与众多生理过程:
(一)感光:视紫红质是一大类可以感光的G蛋白偶联受体。它们可以将电磁辐射信号转化成细胞内的化学信号，引导这一过程的反应称为光致异构化(Photoisomerization)。具体细节为:由视蛋白(Opsin)和辅因子视黄醛共价连接所构成的视紫红质在光源的刺激下，分子内的视黄醛会发生异构化，从“11-顺式”变成“全反式”，这个变化进一步引起视蛋白的构象变化从而激活与之偶联的G蛋白，引发下游的信号传递过程。
(二)行为和情绪的调节:哺乳动物的脑内有很多掌控行为和情绪的神经递质对应的受体是G蛋白偶联受体，包括血清素，多巴胺，γ-氨基丁酸和谷氨酸等。
(三)免疫系统的调节:很多趋化因子通过G蛋白偶联受体发挥作用，
这些受体被统称为趋化因子受体。其它属于此类的G蛋白偶联受体包括白介素受体(Interleukin receptor)和参与炎症与过敏反应的组胺受体(Histamine receptor)等。
(四)自主神经系统的调节:在脊椎动物中，交感神经和副交感神经的活动都受到G蛋白偶联受体信号通路的调节，它们控制着很多自律的生理功能，包括血压、心跳、消化等。
(五)细胞密度的调节:在盘基网柄菌中发现了一种含有脂质激酶活性的G蛋白偶联受体，可以调控该种黏菌对细胞密度的感应。 (六)维持稳态:维持机体内水平衡的调节。
转载请注明出处范文大全网 » G蛋白偶联的受体介导的信号的
