蛋白质致病突变的计算方法(七)

6 识别治病突变

致病突变受到蛋白质稳定性、氢键模式、动态折叠、功能和关键生物特性变化的影响。因此，SIFT 、PolyPhen 、MutationTaster 和Cscape等计算方法使用基于结构、序列和网络的特征来预测蛋白质编码的单核苷酸变体对蛋白质结构表型的影响。此外，还开发了用于识别致癌突变的特定方法，如CADD 、FATHMM-cancer、CTATcancer、CHASM、MVP 和Packpred。最近，Pandey等人开发了GBMDriver用于识别特定癌症——胶质母细胞瘤的driver基因突变。

6.1 发生在表皮生长因子受体的driver突变

Chen等报道EGFR突变通常发生在EGFR酪氨酸激酶结构域内的第21外显子或第19外显子，并深刻影响不同的肺癌亚型。Anoosha等人利用野生型和突变型蛋白质结构中的氨基酸及其邻近残基的特征，分析了来自COSMIC数据库的一组EGFR错义突变。利用这些信息，他们开发了一个分类模型，使用一组21个特征来区分驾驶员和乘客的突变。结果表明，基于二级结构类的数据集分类提高了模型性能。该算法已被用于筛选EGFR中所有可能的突变，并识别出最可能的driver和乘客突变。

6.2 胶质母细胞瘤的致病突变

胶质母细胞瘤(GBM)是一种最常见、生长最快的脑癌，它会影响大脑中的细胞。GBM中存在的不同遗传和表观遗传(epigenetic alterations)改变对各种主要信号通路的修饰导致脑肿瘤的生长、进展和治疗耐药性。许多功能重要的突变已在IDH1 (R132H/G/L/S)、IDH2 (R140Q)、EGFR和BRAF中被确定，它们是癌症中众所周知的表观遗传修饰因子。Carter等人开发了一种方法CHASM，对最有可能引起功能改变的错义突变进行优先排序，并将其应用于与胶质母细胞瘤相关的错义突变。Pandey等人开发了一种基于机器学习的方法来区分胶质母细胞瘤中的driver突变和乘客突变。服务器可以在https://web.iitm.ac.in/bioinfo2/GBMDriver/index.html。

6.3 膜蛋白致病和driver突变的鉴别

Kulandaisamy等人开发了一种膜蛋白特异性预测器Pred-MutHTP，用于使用基于蛋白质序列的特征区分致病和中性错义突变。PredMutHTP使用从MutHTP数据库中收集的11,846个致病突变和9533个中性突变进行训练。该数据集根据拓扑信息分为3组，每个数据集都用于开发特定于拓扑的预测模型。这些模型使用蛋白质序列特征的不同组合，如PSSM谱、守恒分数、理化性质、邻近残基信息和膜蛋白的属性，如不同拓扑区域残基的比例、跨膜段的数量和prtn的替代矩阵。服务免费提供https:// iitm.ac.in/bioinfo/PredMutHTP/。Pires等人开发了一种方法--mCSM-membrane，利用基于图的特征和物理化学性质来预测跨膜蛋白突变的功能影响。这个服务器可以通过http://biosig.unimelb.edu.au/mcsm_membrane访问。

================================分割线====================================

哈哈，今天上午开了个组会，下午参加了Duke-nus medical school 成立纪念日活动，忙着玩了一下午（笑哭），还体验了按摩（超级棒）。