科研服务
立足于生命科学，为基础研究领域科学工作者提供生物学高端技术服务
瑞源生物
相关产品
- 产品描述
-
服务描述
蛋白质-蛋白质相互作用（Protein Protein Interaction，PPI）是指蛋白质之间通过物理接触或化学连接进行相互作用的现象。这种相互作用在细胞的生理活动中起着至关重要的作用，如信号传导、代谢路径、基因表达调控等。传统的PPI预测方法依赖于实验手段，如酵母双杂交（Y2H）和免疫共沉淀（Co-IP），这些方法尽管准确性高，但通常耗时、成本高且适用范围有限。为了应对这一挑战，计算生物学家开发了基于计算方法的PPI预测工具，这些工具可以根据蛋白质的序列或结构信息预测可能的相互作用。
应用领域
疾病的发生机制、信号传导机制、蛋白质功能预测等方面。
技术优势
1、双引擎筛选：采用“AI‑PPI2.0序列级初筛 +AlphaFold3结构级复核”流程，实现从高通量到高精度的逐级收敛，有效减少无效结构计算。
2、高质量图片：精品版服务提供五组蛋白三维模型结合位点分析图，清晰展示结合位点、氢键及距离信息，提供全面的互作细节
3、一站式衔接：可与分子动力学模拟、蛋白改造、结合位点分析及酵母双杂、Co‑IP、Pull‑down、BiFC等实验技术无缝衔接，提供“预测—结构—验证”全链条方案。
软件介绍
项目 AI‑PPI2.0 AlphaFold3 定位 高通量筛选雷达 高精度结构显微镜 底层技术 深度学习模型 扩散生成模型（Diffusion） 输入信息 蛋白质序列+已知结构特征 蛋白质序列（及配体/辅因子信息） 主要输出 互作可能性评分（0~1打分排序） 三维结构文件（PDB格式） 服务流程
送样标准
类型 收样要求 基因 提供CDS序列/氨基酸序列，氨基酸序列长度 蛋白文库 需提供候选互作蛋白文库所对应的数据库及 CDS 序列文件，CDS 序列文件建议为 FASTA 格式，并注明物种信息、基因/蛋白 ID、注释信息、数据库来源及数据库版本；如涉及多个数据库版本，需明确说明本次分析所采用的版本。 服务内容
精品版
服务内容 周期 交付材料 AI-PPI2.0序列级智能评分 2个 1、AI-PPI2.0序列级互作预测打分结果表；
2、AlphaFold3高通量结构复筛结果表；
3、AlphaFold3精细复核结果表；
4、Top5候选复合体pdb结构文件及可视化图片；
5、详细的实验报告。
200对AlphaFold3高通量结构复筛 3个 30对AlphaFold3精细复核 2个 5对精细互作分析 2个 数据整理和分析 1个 普通版
服务内容 周期 交付材料 1）AI-PPI2.0序列级智能评分 2个 1、AI-PPI 2.0序列级互作预测打分结果表；
2、AlphaFold3高通量结构复筛结果表；
3、详细的实验报告。
2）200对AlphaFold3高通量结构复筛 3个 3）数据整理和分析 2个 案例展示
1、AI-PPI预测结果
该分值越高，说明该蛋白对在序列特征层面表现出越强的潜在互作倾向。根据该列结果，可对全部候选蛋白对进行初步排序，并筛选高分候选进入后续结构复筛。
图1 AI-PPI 2.0第一轮筛选结果
2、AlphaFold3 结构复筛结果
“本地iptm_plus_ptm” 列为本地预测中 ipTM 与 pTM 的联合评分，用于综合衡量候选蛋白复合体在本地预测结果中的整体可靠性。该值越高，说明该候选蛋白对在本地结构复筛中表现越好。
图2 本地AF3第二轮筛选结果
3、AlphaFold3复核结果
该列可作为最终结构复核的重要参考指标，用于判断候选蛋白对在官方在线版预测中是否仍然具有较好的互作可信度，一般来说ipTM+ pTM> 0.75说明两蛋白可能有互作。
图3 官方AF3第三轮筛选结果
4、结合位点分析
将得分最高的前五对蛋白作为互作可能性最高的蛋白，再用PyMOL进行互作界面的分析，包括产生氢键的氨基酸、氢键距离等。具体结合 位点分析如下所示
图4 youer蛋白与prey_xxx1蛋白关键残基互作图
参考文献
[1] Rao V S, Srinivas K, Sujini G, et al. Protein‐protein interaction detection: methods and analysis[J]. International journal of proteomics, 2014, 2014(1): 147648.
[2] Sudha G, Nussinov R, Srinivasan N. An overview of recent advances in structural bioinformatics of protein–protein interactions and a guide to their principles[J]. Progress in biophysics molecular biology, 2014, 116(2-3): 141-150.
[3] Hashemifar S, Neyshabur B, Khan A A, et al. Predicting protein–protein interactions through sequence-based deep learning[J]. Bioinformatics, 2018, 34(17): i802-i810.
[4] Hu X, Feng C, Ling T, et al. Deep learning frameworks for protein–protein interaction prediction[J]. Computational and Structural Biotechnology Journal, 2022, 20: 3223-3233.
[5] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold[J]. Nature, 2021, 596(7873): 583-589.
[6] Bryant P, Pozzati G, Elofsson A. Improved prediction of protein-protein interactions using AlphaFold2[J]. Nature Communications, 2022, 13(1): 1265.
[7] Abramson J, Adler J, Dunger J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3[J]. Nature, 2024, 630(8016): 493-500.
声明：本公司出售产品只能用于科研目的，不得用于诊断或者治疗！
