蛋白质致病突变的计算方法(八)

6.4 鉴定导致阿尔茨海默病的突变

阿尔茨海默病(Alzheimer’s disease, AD)是各种神经系统疾病的主要标志（hallmark）疾病之一。已知在疾病样本中存在大量的蛋白质编码错义突变，主要靶点是presenilin 1 (PSEN1)、presenilin 2 (PSEN2)和淀粉样前体蛋白(APP) 。致病突变信息在阿尔茨海默病测序项目(ADSP)数据库、阿尔茨海默病遗传学联盟(ADGC)和欧洲阿尔茨海默病联盟(EADC)等数据库中进行了注释。最近，Kulandaisamy等人使用基于蛋白质序列的特征(包括进化信息、突变引起的理化性质变化、邻近残基、替代矩阵和接触电位)对阿尔茨海默病的突变进行了研究，并开发了一种基于贝叶斯网络的机器学习算法来识别此类突变。web服务器可以在https://web.iitm.ac.in/bioinfo2/alzdisc/index.html上获得。

6.5 Covid-19频繁突变位点预测

在COVID-19大流行期间，对SARS-CoV-2病毒的突变进行了广泛研究，并开发了几种预测频繁突变位点的方法。这些突变有可能改变病毒的各个方面，包括致病性、传染性、传染性和抗原性。例如，突变N439K和D614G增加了病毒对ACE2受体的亲和力，降低了中和抗体的影响。此外，N406G、I418N、N422K、D442H和Y505S/C突变会削弱大多数抗体的作用。Gangavarapu等人(2022)在spike蛋白中发现了9个具有高突变性的蛋白质位点，其中至少包含一种感兴趣的突变(L18、K417、N439、L452、S477、S494、N501、P681)或关注的突变(E484)。Rawat等人开发了一种SVM模型，利用突变位点、表面积、体积、稳定性和守恒性侧面的参数残差对低突变位点和高突变位点进行分类。Chen等人创建了一个基于机器学习的SARS-CoV2突变跟踪器，以预测S蛋白与抗体(或ACE2)的复合物发生突变时结合自由能(BFE)的变化。

7 结论

蛋白质的突变和热点作为疾病的主要靶点，被积累到生物数据库中进行管理和共享，并作为分析和预测的重要资源。特定的序列和结构属性已被用于区分driver和乘客突变，并以高准确性识别蛋白质中的热点。从致病突变分析和预测方法中获得的见解将有助于理解疾病机制和开发潜在的治疗策略。