protein-assembly

蛋白质组装技能

此技能为设计融合蛋白 gBlock 序列提供结构化指导，帮助将多个蛋白质组分（抗体片段、荧光蛋白、酶结构域）组合成一个优化的 DNA 构建体。

何时使用此技能

此技能适用于以下任务：

• 根据多个来源（PDB、质粒、蛋白质数据库）设计融合蛋白
• 创建具有特定连接肽要求的 gBlock 序列
• 针对 GC 含量限制进行密码子优化
• 组合具有特定激发／发射波长的荧光蛋白
• 组装需要去除 N 端甲硫氨酸的多结构域蛋白

结构化方法

阶段 1：信息收集与编目

目标： 在开始任何设计工作之前，收集所有必需的序列数据。

1. 完整盘点输入文件

   • 完整读取所有输入文件（避免读取被截断的内容）
   • 对于 GenBank（.gb）文件，解析完整文件以提取 CDS／蛋白质序列
   • 对于 FASTA 文件，提取所有序列及其标识符
   • 对于 PDB ID 列表，记录所有 ID，以便批量检索

2. 系统地获取外部序列

   • 查询 PDB API，检索每个蛋白质 ID 对应的氨基酸序列
   • 查询相关蛋白质数据库（例如，荧光蛋白数据库 fpbase）
   • 记录每条检索到的序列及其来源和标识符

3. 创建序列目录

   • 清晰标注所有可用的蛋白质序列
   • 记录每条序列的来源（PDB ID、质粒 CDS、数据库）
   • 在继续操作前确认是否存在缺失的序列

阶段 2：蛋白质识别与选择

目标： 根据具体标准选择符合任务要求的蛋白质。

1. 荧光蛋白的波长匹配

   • 搜索波长精确匹配（而非近似匹配）的蛋白质
   • 根据要求核实激发峰和发射峰
   • 说明所选供体和受体蛋白，并记录选择理由

2. 结合结构域识别

   • 识别能够结合特定分子（底物、配体）的蛋白质
   • 将 PDB 条目与已知结合伙伴交叉比对
   • 通过数据库注释核实结合能力

3. 靶蛋白识别

   • 对于抗体相关任务，识别靶抗原
   • 根据需要使用序列同源性分析或数据库查询
   • 记录识别方法及其置信度

阶段 3：序列处理

目标： 为融合做好各蛋白质序列的准备。

1. 处理 N 端甲硫氨酸

   • 去除所有内部蛋白质的 N 端甲硫氨酸
   • 仅保留第一个蛋白质的 N 端甲硫氨酸（如有需要）
   • 记录修改过的序列

2. 序列验证

   • 确认每条序列完整且有效
   • 检查是否存在非典型氨基酸或序列伪影
   • 确认序列长度符合预期

阶段 4：融合蛋白组装

目标： 构建完整的融合蛋白序列。

1. 严格遵循指定的蛋白质顺序

   • 不要偏离要求的排列顺序
   • 记录顺序：[蛋白质 1]-[连接肽]-[蛋白质 2]-[连接肽]-……

2. 设计合适的连接肽

   • 使用指定长度的 GS（甘氨酸-丝氨酸）连接肽
   • 常见模式：（GGGGS）n 或（GS）n，其中 n 提供所需长度
   • 确保连接肽符合长度限制（例如，5–20 个氨基酸）

3. 组装完整的蛋白质序列

   • 按正确顺序连接蛋白质和连接肽
   • 确认组装后的序列连续且有效

阶段 5：密码子优化与 DNA 生成

目标： 将蛋白质转换为优化后的 DNA 序列。

1. 初始密码子翻译

   • 将每个氨基酸转换为一个密码子
   • 使用目标生物的标准密码子表

2. GC 含量优化

   • 以滑动窗口计算 GC 含量（例如，50 个核苷酸）
   • 找出超出可接受范围的窗口（例如，30-70%）
   • 替换同义密码子，使 GC 含量回到范围内
   • 每次替换后重新验证

3. 长度验证

   • 确认 DNA 序列符合长度限制（例如，≤3000 nt）
   • 如果过长，检查设计选择（接头长度、蛋白质选择）

阶段 6：生成输出

目标： 创建所需的输出文件。

1. 组装完成后立即写入输出

   • 不要延迟创建输出文件
   • 写入需求中指定的确切路径

2. 采用适当的格式

   • 遵循指定格式（纯文本、FASTA 等）
   • 如有要求，添加标题或元数据

3. 验证输出文件是否存在

   • 确认文件已成功创建
   • 验证文件内容与设计的序列一致

验证检查点

阶段 1 后：

• 已完整读取所有输入文件（无截断）
• 已获取所有外部序列
• 序列目录完整

阶段 2 后：

• 已识别所有必需的蛋白质
• 已验证波长/结合要求
• 已记录选择依据

阶段 3 后：

• 已正确处理 N 端甲硫氨酸
• 已验证所有序列

阶段 4 后：

• 蛋白质顺序符合要求
• 接头符合长度限制
• 已组装完整的融合序列

阶段 5 后：

• 所有窗口的 GC 含量都在范围内
• DNA 长度符合限制

阶段 6 后：

• 输出文件存在于指定路径
• 文件内容正确

常见陷阱

1. 文件读取不完整

   • GenBank 文件可能很大；确保完整解析
   • 提取 CDS 翻译产物，而不只是原始序列

2. 波长匹配不精确

   • 使用精确值，不要使用“差不多”的匹配
   • 验证激发和发射波长，而不只是其中一个

3. 忘记 N 端甲硫氨酸

   • 融合蛋白中的内部蛋白应去除 Met
   • 只有第一个蛋白保留其 N 端 Met

4. 忽略 GC 含量窗口

   • 检查所有滑动窗口，而不只是整体 GC%
   • 使用同义密码子优化有问题的区域

5. 延迟生成输出

   • 序列就绪后立即创建输出文件
   • 设计完成后不要继续收集信息

6. 陷入信息收集循环

   • 为研究设定明确的停止点
   • 即使信息不完整，也要推进执行
   • 部分解决方案胜过没有解决方案

输出优先策略

如果时间或资源有限：

1. 尽早创建输出文件，即使其中包含占位符
2. 确定每个组件后更新文件
3. 确保任务结束时存在一个有效（即使不完美）的输出

这样可以确保主要交付物已经存在，之后可根据更多信息进行完善。