利用Excel對粳稻全蛋白質組蛋白序列進行有序化管理

謝振華，田繼微

(1.清華大學深圳研究生院健康科學和技術重點實驗室，廣東深圳518055；2.中南大學研究生院隆平分院，湖南長沙410083)

利用Excel對粳稻全蛋白質組蛋白序列進行有序化管理

謝振華1，田繼微2

(1.清華大學深圳研究生院健康科學和技術重點實驗室，廣東深圳518055；2.中南大學研究生院隆平分院，湖南長沙410083)

利用Excel具有的數據管理功能實現粳稻全蛋白質組所有蛋白序列有序化管理，進而實現對粳稻全蛋白質組蛋白序列排序和歸類。本研究將粳稻全蛋白質組48 905條蛋白序列的24個理化性質參數、蛋白名稱、蛋白登錄號碼和蛋白序列組成數據矩陣，導入Excel中。根據蛋白不同理化性質參數進行排序，篩選得到特定理化性質的蛋白；根據蛋白名稱排序，實現蛋白質家族成員和蛋白選擇剪切變異體的系統歸類排序；通過對粳稻全蛋白質組理化參數分布的可視化，促進對粳稻全蛋白質組更直觀和全面的認識。

粳稻；全蛋白質組；蛋白；氨基酸；等電點；疏水性

謝振華,田繼微.利用Excel對粳稻全蛋白質組蛋白序列進行有序化管理[J/OL].大麥與谷類科學,2017,34(4):10-15[2017-07-26]. http://kns.cnki.net/kcms/detail/32.1769.s.20170726.1859.005.html.

水稻是世界上栽種最廣泛的谷類作物之一，其基因組相對較小，因此成為第一個完成全基因組測序的農作物，也是遺傳分析、基因克隆及功能研究的理想模式植物[1-2]?；谒镜鞍踪|組學研究數據，為科研人員提供有關作物對主要環境脅迫和病原反應有價值的信息，這可能會對提高作物產量和質量有所幫助，有利于解決全球糧食安全問題[3-4]。

一個生物全基因組上可能表達的所有蛋白質序列構成一個全蛋白質組[5-6]。隨著大規模測序的發展，有1 171個真核生物的全蛋白質組信息已公布并供科研人員下載。全蛋白質組包涵了豐富的生物信息，通過對全蛋白質組分析，我們可以進行物種進化歷史的研究[6-7]。然而，含有幾千至幾萬條蛋白序列的全蛋白質組的處理對普通的生物學家而言是艱難的任務，導致目前對全蛋白質組的數據應用不多。

蛋白質疏水性、等電點(pI)、序列長度和分子量是獨立于蛋白序列的信息，僅依賴于蛋白質的氨基酸組成。蛋白質的氨基酸組成和這些理化性質可以從氨基酸序列中計算得到，并被廣泛應用于蛋白質的結構、功能、分類、蛋白-蛋白相互作用和蛋白質亞細胞定位等預測分析中[8-11]。以質譜（MS）為基礎的鳥槍法是非常強大的蛋白質組分析方法，該方法在很大程度上依賴于全蛋白質組數據庫[12-13]；而常用的雙向電泳方法也有一定的局限性，它很難分開非常酸性的、堿性的、小的、大的和疏水性蛋白[14]。通過相關方法的研究，進而實現對全蛋白質組的蛋白質序列理化性質的全面分析和展示，將促進蛋白質組學的發展。

本研究將粳稻全蛋白質組48 905條蛋白序列的理化性質參數作為坐標參數，將相應的蛋白登錄號碼作為坐標地址，并與相應的蛋白序列和蛋白名稱輸入數據矩陣同一行的不同單元格內，將每個蛋白名稱、蛋白登錄號碼和蛋白序列與這些數據進行綁定，構成全蛋白質組的數據矩陣。全蛋白質組的數據矩陣導入Excel生成用于全蛋白質組管理的電子表格，利用Excel本身具有的數據管理功能實現全蛋白質組所有蛋白序列的有序化管理，進而實現對全蛋白質組中蛋白序列的排序和歸類。

1 數據與方法

1.1 粳稻全蛋白質組Excel表格的建立

將粳稻全蛋白質組以FASTA格式從蛋白質資源庫（universal protein resource，UniProt）下載[5]。用R語言從FASTA格式的粳稻全蛋白質組數據中提取出蛋白名稱、蛋白登錄號碼和蛋白序列，然后通過去掉起始甲硫氨酸的方式生成蛋白MTS(Met-truncatedsequences)序列，并計算出所有MTS序列的氨基酸豐度和序列長度；用propas軟件[15]和在線工具Compute pI/Mwtool（http://web.expasy.org/compute_pi/）計算出所有MTS序列的疏水性、等電點(pI)和分子量。最終將粳稻全蛋白質組48 905條蛋白序列的理化性質參數、蛋白名稱、蛋白登錄號碼和蛋白序列組成數據矩陣，并導入Excel中，得到的電子表格稱為“粳稻全蛋白質組數據表格”，并以附件形式在線存放（http://pan.baidu.com/s/1o8NrgJg）。

1.2 粳稻全蛋白質組有序化管理

通過對粳稻全蛋白質組Excel表格中數據進行排序，具體可分別以氨基酸豐度、序列長度、分子量、等電點(pI)和蛋白質的疏水性等參數數值大小進行排序，同時可完成以蛋白名稱、蛋白登錄號碼和蛋白序列按字母順序進行排序的粳稻全蛋白質組。

在對第1個理化性質參數進行排序之后，可以刪除選定值以下或以上的數據行，然后對第2個理化性質參數進行排序，再刪除選定值以下或以上的數據行，逐一完成不同參數的排序和數據排除，就可以從粳稻全蛋白質組中篩選出具備特定理化性質參數的全部蛋白質。

利用Excel表格的查找功能，對粳稻全蛋白質組實現檢索和定位功能。可以用蛋白質的名稱、部分名稱、蛋白登錄號碼或一段蛋白序列進行檢索，在粳稻全蛋白質組數據表格和重新排序的表格中定位要檢索的蛋白。

1.3 粳稻全蛋白質組中蛋白理化性質分布的可視化

以粳稻全蛋白質組Excel表格中的數據為基礎，用R語言可視化粳稻全蛋白質組的理化性質分布。在視圖上，利用綠色的loess曲線和紅色平均線來顯示粳稻全蛋白質組理化性質的分布趨勢。

2 結果與分析

2.1 粳稻全蛋白質組Excel表格的組織

粳稻全蛋白質組Excel表格有48 906行和28列，包含一個標題行和標題列，一個蛋白所有數據存放在同一行內，標題行上標題分別代表目標蛋白在全蛋白質組中的順序號(NO.)、蛋白MTS序列各氨基酸 (Ala、Cys、Asp、Glu、Phe、Gly、His、Ile、Lys、Leu、Met、Asn、Pro、Gln、Arg、Ser、Thr、Val、Trp、Tyr)豐度、蛋白MTS序列的長度(SL)、蛋白MTS序列分子量(MW)、蛋白MTS序列等電點(pI)、蛋白MTS序列疏水性值(HP)、蛋白名稱(Name)、蛋白注釋(Annotation)和相應MTS序列(MTS)。

粳稻全蛋白質組中 Ala、Cys、Asp、Glu、Phe、Gly、His、Ile、Lys、Leu、Met、Asn、Pro、Gln、Arg、Ser、Thr、Val、Trp、Tyr的豐度，SL、MW、pI、HP的平均值分別為：0.101 6、0.021 3、0.049 9、0.056 0、0.033 6、0.080 1、0.026 9、0.039 3、0.042 5、0.091 4、0.019 3、0.029 8、0.063 0、0.032 4、0.077 1、0.083 0、0.047 8、0.068 2、0.014 2、0.022 5、305.2、33 470、7.87、-0.283。

2.2 粳稻全蛋白質組依據24個理化性質進行排序

通過對粳稻全蛋白質組Excel表格中Ala、Cys、Asp、Glu、Phe、Gly、His、Ile、Lys、Leu、Met、Asn、Pro、Gln、Arg、Ser、Thr、Val、Trp、Tyr的豐度，SL、MW、pI和HP所示的列分別排序，快速地實現對粳稻全蛋白質組48 905條蛋白MTS序列的各氨基酸豐度、序列的長度、分子量、等電點和疏水性值實現有序化管理。

通過對粳稻全蛋白質組有序化管理，發現5個粳稻蛋白的分子量和等電點是零值，這是因為它們的序列中含有不明確的氨基酸字符（x）所導致，所以這5個粳稻蛋白其他的理化性質參數也是不準確的。

通過粳稻全蛋白質組Excel表，以篩選富含賴氨酸（Lys）的蛋白為例，對粳稻全蛋白質組Excel表格中Lys列進行降序排序，快速系統地篩選出了粳稻中所有高賴氨酸蛋白，同時排序結果表明賴氨酸豐度≥18%的蛋白有95個，其中氨基酸長度＞200的高賴氨酸蛋白有9個，分別是:Neurofilament triplet M protein-like protein(Q8LHS0)、Histone-like protein(Q851P9)、Os07g0184800 protein(Q8H4Z0)、Os05g0227600protein(Q84PC5)、Os05g0226900 protein (Q6AVC2)、Expressed protein (B7EFD0)、Expressed protein(Q6AST9)、Os01g0924900 protein(Fragment) (A0A0P0VC90)、Os03g0352300 protein (Fragment) (A0A0P0VY77)。其意義在于快速篩選到高賴氨酸蛋白，這種蛋白不僅具有營養和商業價值，也是建立高賴氨酸含量的轉基因谷物的重要材料[16-17]。

小蛋白(≤100或200個氨基酸長度)廣泛存在于古細菌、細菌、真核生物的全蛋白質組中，具有重要的生物學功能[18-19]。但至今未見系統地將全蛋白質組中所有小蛋白排列出來的方法。在本研究結果中，通過對粳稻全蛋白質組Excel表格中SL列進行升序排序，快速而系統地篩選出粳稻7 636個氨基酸長度≤100的小蛋白，21 650個氨基酸長度≤200的小蛋白。通過對粳稻全蛋白質組Excel表格中pI列進行排序，快速而系統地排列出粳稻4 547個pI≤5的酸性蛋白和8 872個pI≥10的堿性蛋白。這些結果為在粳稻蛋白質組學中研究設計更好的制備和分離條件提供了重要信息[20-22]。

2.3 粳稻全蛋白質組依據蛋白名稱、登錄號碼和序列進行歸類排序

通過對粳稻全蛋白質組Excel表格中Name、Annotation和MTS所示的列分別排序，快速地實現對粳稻全蛋白質組48 905條蛋白序列的蛋白名稱、蛋白登錄號碼和蛋白序列按字母順序進行的排序。

通過對蛋白名稱的字母排序，可以對蛋白質家族成員和蛋白選擇剪切變異體進行系統的歸類排序，并迅速發現一些蛋白質家族成員和蛋白選擇剪切變異體的序列長度、等電點和疏水性值的相關信息。對粳稻全蛋白質組蛋白質家族成員進行系統歸類排序，可促進我們對粳稻全蛋白質組蛋白質家族的整體認識和家族成員的詳細了解。

通過對蛋白氨基酸序列的排序，一些蛋白質家族成員或蛋白選擇剪切變異體通?？梢苑纸M在一起，因為它們的N-末端氨基酸序列是相同的，但一些蛋白質家族成員或蛋白選擇剪切變異體具有不同的N-末端氨基酸序列，它們分散地分布在對蛋白氨基酸序列排序后的表格中。

2.4 對粳稻全蛋白質組數據矩陣進行定位

利用Excel表格查找功能，可以用一段蛋白序列、蛋白名稱或部分名稱對粳稻全蛋白質組數據矩陣進行檢索，檢索的結果可以顯示出目標蛋白在數據矩陣中的位置，從而實現定位功能。通過一段蛋白序列、蛋白名稱或部分名稱進行搜索定位，在按字母順序排序的粳稻全蛋白質組Excel表格中，對任何蛋白家族或蛋白選擇剪切變異體都能夠快速識別和定位。

圖1 粳稻全蛋白質組等電點的一維分布

2.5 粳稻全蛋白質組理化參數分布的可視化

為了更直觀地顯示粳稻全蛋白質組理化性質的分布，可對粳稻全蛋白質組的任何一個或兩個理化參數的分布進行可視化。本研究僅展示等電點的一維分布（圖1）、疏水性值的一維分布（圖2）以及等電點-疏水性值二維分布（圖3）。本文以Cys、Glu、Lys、Pro這4個氨基酸為例，均以蛋白序列長度-氨基酸豐度作二維分布圖(圖4)，全部氨基酸的二維分布圖組合成“序列長度-氨基酸豐度的二維分布圖集”，以附件形式在線存放（http://pan.baidu. com/s/1o8NrgJg）。

全蛋白質組等電點的一維分布模式曾有報道[23-24]。本研究發現粳稻全蛋白質組的等電點的一維分布呈現3峰模式，與文獻[24]中水稻蛋白質組等電點的一維分布模式有些差異，該文獻水稻蛋白質組等電點的一維分布模式圖中，在pI=8左右呈現一個小尖峰，在pI=11.3左右呈現一個小而平緩的寬峰，而本研究的圖1中，在pI=8左右沒有明顯的峰形，在pI=11.0左右呈現一個中等的寬峰。這種差異源自下載的數據來自不同的數據庫，文獻[24]中水稻蛋白質組有83 159條蛋白序列。

本研究粳稻全蛋白質組的疏水性值的一維分布呈現單峰模式（圖2）。粳稻全蛋白質組的等電點-疏水性值顯示，在pI=11.0左右的堿性蛋白親水性較好（圖3）。

圖4中4個蛋白序列長度（氨基酸的數目）-氨基酸豐度二維分布圖尤如指紋圖，全部20個氨基酸的蛋白序列長度-氨基酸豐度二維分布圖組成粳稻全蛋白質組的指紋圖譜。

圖2 粳稻全蛋白質組疏水性值的一維分布

圖3 粳稻全蛋白質組等電點-疏水性值二維分布

圖4 粳稻全蛋白質組4個氨基酸的蛋白序列長度-氨基酸豐度二維分布

3 結論

網上生物數據庫將蛋白質組中各個蛋白名稱、蛋白登錄號碼和蛋白序列按一定格式組成一個個條目（entries），可以下載的一個物種全蛋白質組數據就是這個物種的所有蛋白條目的集合，由于條目總數達幾千至幾萬，研究人員難以對其整體把握。本研究將粳稻全蛋白質組48 905條蛋白序列通過24個理化性質參數、蛋白名稱、登錄號碼和序列進行系統的歸類排序，使它們不但構成一個有機的整體，而且可以對這個整體進行操作。本方法可以讓一個普通的生物學家對含有48 905條蛋白序列的粳稻全蛋白質組進行分析和處理，促進了研究人員對粳稻全蛋白質組更全面和深入的認識。這個粳稻全蛋白質組Excel表格還可以進行擴展，可把粳稻全蛋白質組所有蛋白相關的其他數字和文字信息整合到這個粳稻全蛋白質組Excel表格中，并對數字信息進行排序，也可對文字信息進行系統的歸類排序。綜上所述，采用Excel對粳稻全蛋白質組可以很好地進行有序化管理，該方法也可以應用到其他物種的全蛋白質組的管理與研究中。

[1]謝放鳴,彭少兵.雜交水稻在國外的發展歷程與展望[J].科學通報,2016,61(35):3858-3868.

[2]SREENIVA N,BUTARDOV MJ R,MISRA G,et al.Designing climate-resilient rice with ideal grain quality suited for high-temperature stress[J].Journal of Experimental Botany, 2015,66(7):1737-1748.

[3]SINGH R,JWA N S.Understanding the responses of rice to environmental stress using proteomics[J].Journal of Proteome Research,2013,12(11):4652-4669.

[4]ZOUJ,LIUC,CHENX.Proteomics of rice in response to heat stress and advances in genetic engineering for heat tolerance in rice[J].Plant Cell Reports,2011,30(12):2155-2165.

[5]UP CONSORTIUM.Reorganizing the protein space at the U-niversal Protein Resource (UniProt)[J].Nucleic Acids Research,2012,40(Database issue):D71-75.

[6]MULDERNJ,KERSEY P,PRUESS M,et al.In silico characterization of proteins:UniProt,InterPro and Integr8[J]. Molecular Biotechnology,2008,38(2):165-177.

[7]CAFFREY B E,WILLIAMS T A,JIANG X,et al.Proteome-wide analysis of functional divergence in bacteria:exploring a host of ecological adaptations[J].PLoS One,2012,7(4): e35659.

[8]ROY S,MARTINEZD,PLATEROH,et al.Exploiting amino acid composition for predicting protein-protein interactions[J]. PLoS One,2009,4(11):e7813.

[9]GOODDM,MAMDOH A,BUDAMGUNTA H,et al.In silico proteome-wide aminoaCid and elemental composition(PACE) analysis of expression proteomics data provides a fingerprint of dominant metabolic processes[J].Genomics,Proteomics& Bioinformatics,2013,11(4):219-229.

[10]HUANG CH,CHOUS Y,NG K L.Improving protein complex classification accuracy using amino acid composition profile[J].Computers in Biology and Medicine,2013,43(9): 1196-1204.

[11]HAYATM,KHANA.WRF-TMH:predicting transmembrane helix by fusing composition index and physicochemical properties ofaminoacids[J].AminoAcids 2013,44(5):1317-1328.

[12]ALHAIDERA A,BAYOUMY N,ARGOE,et al.Survey of the camel urinary proteome by shotgun proteomics using a multiple database search strategy[J].Proteomics,2012,12(22): 3403-3406.

[13]MARTINS-de-SOUZA D,GUEST P C,GUEST F L,et al. Characterization of the human primary visual cortex and cerebellum proteomes using shotgun mass spectrometry-data-independent analyses[J].Proteomics,2012,12(3):500-504.

[14]RABILLOUDT,CHEVALLETM,LUCHE S,et al.Two-dimensional gel electrophoresis in proteomics:Past,present and future[J].Journal of Proteomics,2010,73(11):2064-2077.

[15]WUS,ZHUY.ProPAS:standalone software to analyze protein properties[J].Bioinformation,2012,8(3):167-169.

[16]孫曉波,房 瑞,余桂紅,等.辣椒高賴氨酸蛋白基因Cflr全長cDNA的克隆及其組織表達特征 [J].園藝學報, 2008,35(9):1310-1316.

[17]YUE J,LI C,ZHAOQ,et al.Seed-specific expression of a lysine-rich protein gene,GhLRP,fromcotton significantly increases the lysine content in maize seeds[J].International Journal of Molecular Sciences,2014,15(4):5350-5365.

[18]SUM,LING Y,YUJ,et al.Small proteins:untapped area of potential biological importance[J].Frontiers in Genetics,2013 (4):286.

[19]YANGX,TSCHAPLINSKI TJ,HURSTGB,et al.Discovery and annotation of small proteins using genomics,proteomics, and computational approaches[J].Genome Research,2011,21 (4):634-641.

[20]URQUHART B L,CORDWELL S J,HUMPHERY-SMITH I.Comparison of predicted and observed properties of proteins encoded in the genome of Mycobacteriumtuberculosis H37Rv [J].Biochemical and Biophysical Research Communications, 1998,253(1):70-79.

[21]WUWW,WANGG,YUMJ,et al.Identification and quantification of basic and acidic proteins using solution-based two-dimensionalprotein fractionation and label-freeor 18O-labeling mass spectrometry[J].Journal of Proteome Research,2007,6(7):2447-2459.

[22]ADHIK A S,MANTHENA P V,SAJWANK,et al.A unified method for purification of basic proteins[J].Analytical Biochemistry,2010,400(2):203-206.

[23]WEILLER G F,CARAUX G,SYLVSETER N.The modal distribution of protein isoelectric points reflects amino acid properties rather than sequence evolution [J].Proteomics, 2004,4(4):943-949.

[24]WUS,WANP,LI J,et al.Multi-modality of pI distribution in whole proteome[J].Proteomics,2006,6(2):449-455.

·簡訊與信息·

本刊加入有關數據庫的特別聲明

為了適應我國信息化建設的需要和擴大作者學術交流渠道，實現期刊編輯、出版工作的網絡化與數字化，提高作者所發表論文的被引頻次與影響力，本刊已加入《中國學術期刊（光盤）》、“中國期刊網”、“萬方數據-數字化期刊群”、“重慶維普”：“中文期刊數據庫”與超星期刊“域出版”平臺。作者無需支付網絡編審費。作者著作權使用費與本刊稿酬由本刊編輯部一次性給付作者。如有作者不同意將文章編入上述數據庫，請在來稿時聲明，本刊將作適當處理。所有刊載文獻以各種形式轉載時請注明來源于本刊。

《大麥與谷類科學》雜志編輯部

Using an Excel Table to Orderly Manage All 48905 Proteins in the Complete Proteome of Japonica Rice

XIE Zhen-hua1,TIAN Ji-Wei2
(1.The Shenzhen KeyLaboratoryofHealth Sciencesand Technology,Graduate SchoolatShenzhen,Tsinghua University,Shenzhen 518055,China;2.LongpingBranch ofGraduate School，CentralSouth University,Changsha,410083,China)

Owing to its function of data management,Excel can be used to sort and cluster all protein sequences of the complete proteome of japonica rice.In this study,a data matrix was constructed,comprising 24 physicochemical parameters,names,accession numbers,and sequences of 48 905 proteins in the complete proteome of japonica rice;and this data matrix has been imported into an Excel table for orderly management,clustering,and querying.Any proteins with some particular physicochemical features can be screened out from the complete proteome of japonica rice by orderly management;all members of a protein family or protein splice variants can be systematically clustered by alphabetically sorting the name column.Such an Excel table provides an overview of the complete proteome of japonica rice by visualizing the distribution of the physicochemical parameters of all proteins.Therefore,this study creates a tool that is instrumental in comprehensive and in-depth understanding of the complete proteome of Japonica rice.

Japonica rice;Complete proteome;Protein;Amino acid;Isoelectric point;Hydrophobicity

Q51

A

1673-6486-20170333

2017-03-07

深圳市科技創新委員會資助項目(JCYJ201404171158402 67和JCYJ20150518162154828)。

謝振華(1964—)，男，博士，講師，主要從事細胞分子生物學研究。E-mail:xiezh@sz.tsinghua.edu.cn。