蛋白质相互作用

分类与特性编辑本段

PPIs可根据相互作用的时间、强度、结构和功能进行多维度分类： ADSFAEQWER353423413434

分类维度	类型	描述与例子
时间尺度	瞬时相互作用	短暂、可逆的结合，通常在信号传导和调控中。例：激酶与底物、受体与配体。
	稳定相互作用	长期、稳定的复合物，常构成细胞结构或核心酶复合体。例：核糖体亚基、蛋白酶体、血红蛋白四聚体。
亲和力	高强度	解离常数低（nM-pM），结合牢固。例：抗体-抗原、某些酶-抑制剂。
	低强度	解离常数高（μM-mM），结合动态，易于调控。例：许多信号传导中的对接事件。
结构特征	同源相互作用	相同或高度相似的蛋白质亚基间的相互作用。例：转录因子同源二聚化。
	异源相互作用	不同蛋白质间的相互作用。例：受体与下游衔接蛋白。
结构域介导	模块化相互作用	通过特定的结构域介导，如SH2、SH3、PDZ、WW结构域识别特定基序。提供组合多样性，是信号网络的基础。
空间构象	构象诱导	结合诱导蛋白质发生显著的构象变化。例：G蛋白与激活的GPCR结合后构象改变。

PPIs在细胞生命活动中扮演着核心角色： ADFASDFAF23RQ23R

功能范畴	具体作用	实例
信号转导	形成信号复合物，传递和放大信号。	生长因子受体招募Grb2-SOS复合物激活Ras。
酶活性的调节	通过结合激活或抑制酶活性。	细胞周期蛋白依赖激酶与细胞周期蛋白结合后被激活。
基因表达调控	转录因子形成同源/异源二聚体，或招募共调节因子，调控转录。	p53四聚体化后激活靶基因转录。
代谢通路组织	将连续反应的酶组织成代谢酶复合体，提高效率，防止中间产物扩散。	丙酮酸脱氢酶复合体、脂肪酸合酶复合体。
结构支持	组装成大型细胞器或细胞骨架。	微管蛋白聚合形成微管；胶原蛋白三螺旋形成纤维。
蛋白质运输与定位	将蛋白质定向至特定细胞器或膜区域。	核定位信号与输入蛋白α/β的相互作用。
免疫识别	抗原与主要组织相容性复合体结合，被T细胞受体识别。	适应性免疫应答的核心。
质量控制	分子伴侣识别并协助未折叠/错误折叠蛋白质。	Hsp70与未折叠多肽结合，防止聚集。

研究PPIs的技术繁多，各具优势和局限，常需互补验证：

ADFASDFAF23RQ23R

方法类别	具体技术	原理与特点
体内/细胞内方法	酵母双杂交	经典、高通量筛选。基于转录激活，报告基因表达指示相互作用。但存在假阳/阴性。
	荧光共振能量转移	检测纳米级距离内（~10 nm）的相互作用，可用于活细胞实时成像。
	双分子荧光互补	将荧光蛋白分割成两段，分别与目标蛋白融合，相互作用后重建荧光。
	蛋白质片段互补	类似BiFC，但使用酶（如萤光素酶、β-半乳糖苷酶）片段。
体外/生化方法	免疫共沉淀	利用抗体沉淀一种蛋白，检测与其结合的蛋白。验证已知相互作用的金标准。
	Pull-down/GST沉淀	将“诱饵”蛋白固定在基质上，从混合物中“拉下”与之结合的蛋白。
	表面等离子共振	实时、无标记测量相互作用的动力学参数（结合/解离速率常数）。
	等温滴定量热法	精确测量结合的热力学参数（结合常数、焓变、熵变）。
	交联质谱	用化学交联剂固定相互作用蛋白，质谱鉴定交联位点，提供空间约束信息。
计算预测方法	基于序列/结构/共进化	利用机器学习、同源建模、共进化分析等生物信息学方法预测PPIs。

大规模PPI研究产生了海量数据，形成了蛋白质相互作用网络。重要数据库包括： ADFASDFAF23RQ23R

STRING：整合了实验、预测、数据库和文献挖掘的综合性PPI数据库。
BioGRID：收录经过整理的遗传和蛋白质相互作用数据。
IntAct：提供分子相互作用数据的开源数据库。
MINT：专注于文献中经实验验证的PPIs。
ADFASDFAF23RQ23R

网络分析可识别功能模块、关键枢纽蛋白和疾病相关网络扰动。

疾病机制：许多疾病源于PPI异常（如过度、减弱或错误结合）。例如：
- 癌症：致癌融合蛋白（如BCR-ABL）形成异常复合物；p53与MDM2相互作用失调。
- 神经退行性疾病：蛋白质异常聚集（如Aβ， α-突触核蛋白）涉及错误互作。
- 感染：病原体蛋白劫持宿主蛋白以利于其复制。
药物靶点：传统上药物靶点多为酶或受体。PPI界面正成为新兴的药物靶点类别。
- 挑战：PPI界面通常大而平坦，缺乏传统小分子的高亲和力结合口袋。
- 策略：开发中等分子、肽类/拟肽分子、蛋白降解靶向嵌合体等。

Nooren, I. M., & Thornton, J. M. (2003). Diversity of protein-protein interactions. The EMBO Journal, 22(14), 3486-3492.
Pawson, T., & Nash, P. (2003). Assembly of cell regulatory systems through protein interaction domains. Science, 300(5618), 445-452.
Shoemaker, B. A., & Panchenko, A. R. (2007). Deciphering protein-protein interactions. Part I. Experimental techniques and databases. PLoS Computational Biology, 3(3), e42.
Ryan, D. P., & Matthews, J. M. (2005). Protein-protein interactions in human disease. Current Opinion in Structural Biology, 15(4), 441-446.
Scott, D. E., Bayly, A. R., Abell, C., & Skidmore, J. (2016). Small molecules, big targets: drug discovery faces the protein-protein interaction challenge. Nature Reviews Drug Discovery, 15(8), 533-550.
Zhong, Q., & Sternberg, P. W. (2006). Genome-wide prediction of protein-protein interactions: recent advances and challenges. Current Opinion in Structural Biology, 16(3), 380-387.
Li, S., & Liu, B. (2019). Progress and challenges in protein-protein interaction network inference. Chinese Journal of Biotechnology, 35(11), 2049-2063.
Yan, B., & Wang, Y. (2021). Machine learning methods for protein-protein interaction prediction: a review. Chinese Journal of Bioinformatics, 19(2), 89-98.

词条内容仅供参考，如果您需要解决具体问题
（尤其在法律、医学等领域），建议您咨询相关领域专业人士。

如果您认为本词条还有待完善，请编辑