本月來自美國佛羅里達州立大學、英國愛丁堡大學Wellcome Trust細胞生物學中心、牛津大學和日本國立遺傳學研究院的研究人員開發了一系列可用于蛋白質組學研究的新技術，研究成果分別發表在Angewandte Chemi 和Cell雜志上。(www.biogo.net 生技網)
佛羅里達州立大學的生物物理化學家Brüschweiler和他的同事們將高性能的計算機和*的實驗室磁共振技術整合到一起，相互互補，用于提供蛋白質在原子水平上的結構及動力學信息。研究人員首先利用核磁共振技術（NMR）對特定的蛋白進行分析并獲得相關數據。然后再利用高性能的計算機驗證核磁共振數據，從而預測出蛋白質的結構、動力學及特征。計算結果嚴格取決于蛋白質“能量圖譜”的形狀——即生理條件下蛋白質的空間構象。這項技術可幫助科學家在短時間內完成對人體蛋白質結構和動力學的研究及預測。
在另一篇文章中，蘇格蘭的William C. Earnshaw和Juri Rappsilber以及日本的Tatsuo Fukagawa聯合了他們三個實驗室的優勢和資源，創建出多分類組合蛋白質組學（multiclassifier combinatorial proteomics，MCCP）方法，這是一種分析蛋白質組功能關系的統計方法。利用Earnshaw實驗室在染色體研究上的豐富經驗，研究小組采用Rappsilber 實驗室使用的SILAC及質譜成像技術，通過與野生型和突變染色體的比較，收集了6個不同分類的數據，獲得了大約4000個有絲分裂染色體相關蛋白的清單。通過一種機器學習方法-Random Forest（RF）整合這些分類，他們在完整染色體的背景下揭開了蛋白復合物之間的功能關系，并找到約560個未鑒定的蛋白，值得進一步研究。Random Forest分析將染色體蛋白與非染色體蛋白和目標蛋白分開。
研究者們認為這種MCCP方法很靈活，可用于研究任何的蛋白質。且它的優勢在于，它能夠確定一個不能純化的復雜細胞器中的蛋白組成，并結合遺傳學和蛋白質組學來研究全部染色體中的復合物。機器學習方法的使用可揭示蛋白之間的功能關系。
