Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Анализ масс-спектров пептидных фрагментов для идентификации генетически детерминированного полиморфизма белков

Диссертация: Анализ масс-спектров пептидных фрагментов для идентификации генетически детерминированного полиморфизма белков
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Недостатки указанных выше подходов хорошо известны. В базах данных экспрессируемых фрагментов содержится избыточная информация, включая ошибки секвенирования, что усложняет анализ результатов масс-спектрометрического исследования. Анализируя образец, в котором идентифицировано несколько сотен белков, полученные масс-спектры необходимо сопоставлять с накопленными за десятки лет сотнями тысяч… Читать ещё >

Содержание

  • ВВЕДЕНИЕ, ЦЕЛЬ И ЗАДАЧИ
  • 2. ОБЗОР ЛИТЕРАТУРЫ
    • 2. 1. Масс-спектрометрия в протеомике
      • 2. 1. 1. Общие принципы
      • 2. 1. 2. Протеомный анализ с использованием масс-спектрометрии
      • 2. 1. 3. Идентификация белков методом отпечатков пептидных масс
      • 2. 1. 4. Идентификация белков методом отпечатков фрагментации пептидов
    • 2. 2. Интерпретация результатов масс-спектрометрической идентификации белков
      • 2. 2. 1. Определение списка идентифицированных белков
      • 2. 2. 2. Идентификация высокогомологичных белков
      • 2. 2. 3. Базы данных аминокислотных последовательностей белков
    • 2. 3. Масс-спектрометрический анализ продуктов одного гена
      • 2. 3. 1. Протеотипирование и популяционная протеомика
      • 2. 3. 2. Идентификация микрогетерогенности белков методом «сверху-вниз»
      • 2. 3. 3. Идентификация генетически-детерминированного полиморфизма белков методом «снизу-вверх»
      • 2. 3. 4. Базы данных полиморфизмов белков и генов
      • 2. 3. 5. Репозитории масс-спектрометрических данных
  • 3. МАТЕРИАЛЫ И МЕТОДЫ
    • 3. 1. Материалы
      • 3. 1. 1. Масс-спектрометрические данные для белков микросомальной фракции печени человека
      • 3. 1. 2. Контрольный набор масс-спектров «Aurum Dataset»
      • 3. 1. 3. Масс-спектрометрические данные протеомного репозитория PRIDE
      • 3. 1. 4. Базы данных аминокислотных последовательностей белков человека
      • 3. 1. 5. Данные о возможных полиморфизмах белков человека
    • 3. 2. Методы
      • 3. 2. 1. Веб-сервер идентификации белков по масс-спектрам
      • 3. 2. 2. Пакетная обработка масс-спектров методом отпечатков пептидных масс
      • 3. 2. 3. Пакетная обработка тандемных масс-спектров
      • 3. 2. 4. Одномерное протеомное картирование
      • 3. 2. 5. Программная реализация итеративного алгоритма идентификации ОАП
      • 3. 2. 6. Валидация алгоритма идентификации ОАП
  • 4. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
    • 4. 1. Увеличение степени покрытия аминокислотных последовательностей идентифицированными пептидами
      • 4. 1. 1. Идентификация белков в срезах геля
      • 4. 1. 2. Одномерные протеомные карты и их свойства
      • 4. 1. 3. Выявление высокогомологичных белков надсемейства цитохромов Р450 за счет увеличения степени покрытия аминокислотных последовательностей идентифицированными пептидами
    • 4. 2. Идентификация ОАП в белках надсемейства цитохромов Р
    • 4. 3. Алгоритм идентификации ОАП
      • 4. 3. 1. Итеративная схема обработки тандемных масс-спектров
      • 4. 3. 2. Чувствительность и специфичность алгоритма идентификации ОАП
    • 4. 4. Применение итеративного алгоритма для выявления ОАП в масс-спектрометрических данных протеомного репозитория PRIDE
      • 4. 4. 1. Исходные данные, используемые для выявления ОАП
      • 4. 4. 2. Идентификация пептидов и белков с использованием масс-спектрометрических данных, загруженных из репозитория PRIDE
      • 4. 4. 3. Идентификация одноаминокислотных полиморфизмов
    • 4. 5. Анализ идентифицированных ОАП
      • 4. 5. 1. Анализ ОАП-содержащих пептидов
      • 4. 5. 2. Связь выявленных ОАП с заболеваниями человека
  • ВЫВОДЫ

Анализ масс-спектров пептидных фрагментов для идентификации генетически детерминированного полиморфизма белков (реферат, курсовая, диплом, контрольная)

В базе данных Ensembl [Hubbard, 2002] содержатся сведения о 20 469 кодирующих генов, полученные на основе результатов сборки генома человека, выполненной в Национальном центре биотехнологической информации США (февраль 2009). Небольшое число генов позволяет заключить, что сложность живых систем достигается на уровне регуляции транскрипции, трансляции, и пост-трансляционных модификаций. Альтернативный сплайсинг и такие модификации, как фосфорилирование, гликозилирование, наряду с протеолитическим процессингом, приводят к формированию многообразия белков, количество которых на несколько порядков превышает количество генов. Проведенные различными методами оценки показывают, что протеом человека может насчитывать несколько миллионов различающихся по своему химическому строению белков [Archakov и др., 2009; Archakov и др., 2007].

Традиционный подход к исследованию протеома основан на использовании иммуногистохимического окрашивания тканевых срезов. Первый вариант протеомного атласа человека пыл построен с применением антител [Uhlen и др., 2005]. Использование биологических микрочипов, содержащих нанесенные на них антитела, позволяет идентифицировать и количественно измерить до нескольких сотен белков в одном образце [Rubina и др., 2008]. Однако данный подход имеет ограничения, которые связаны с необходимостью наработки и верификации антител, недостаточной специфичностью за счет перекрестных взаимодействий и относительно низкой аффинностью комплексов антиген-антитело. В связи с этим особую важность для исследования протеома приобрел более универсальный и не требующий иммуноспецифичных реагентов метод идентификации белков — биологическая масс-спектрометрия [Aebersold, Mann, 2003].

При масс-спектрометрическом анализе биоматериала идентификация белковых молекул осуществляется путем сопоставления измеренных масс-зарядных характеристик белков и/или их протеолитических фрагментов с теоретическими значениями, вычисленными на основании закодированных в геноме аминокислотных последовательностей. Необходимо учитывать, что в последовательности генома в явном виде не содержится информации о сайтах альтернативного сплайсинга и о возможных пост-трансляционных модификациях. Выявление случаев альтернативного сплайсинга возможно на основании экспериментальных данных: источником сведения о сплайс-изоформах являются базы данных кодирующих ДНК [Stamm и др., 2006]. Выявление посттрансляционных модификаций осуществляется с использованием высокоточной масс-спектрометрии белков [Nedelkov, 2008] или с применением тандемной масс-спектрометрии пептидных фрагментов [Beck и др., 2011].

Наряду с альтернативным сплайсингом и пост-трансляционной модификацией, разнообразие белковых молекул увеличивается за счет трансляции несинонимичных однонуклеотидных полиморфизмов (non-synonymous Single Nucleotide Polymorphism, nsSNP). Установление наличия nsSNP производится с использованием генотипирования, тогда как подтверждение наличия соответствующей замены остатка в первичной структуре белка, то есть выявление одноаминокислотных полиморфизмов (ОАП, Single Amino Acid Polymorphism, SAP), относится к задачам протеотипирования [Rodriguez и др., 2006; Shi и др., 2008; Roth и др., 2008].

Важность идентификации и исследования на белковом уровне альтернативного сплайсинга, ОАП и пост-трансляционных модификаций обусловлена влиянием данных процессов на уровень экспрессии и функциональные свойства белков. Известно, что изменение активности или уровня экспрессии белков может приводить к возникновению и развитию социально-значимых заболеваний, включая онкологические [Srebrow, Kornblihtt, 2006], сердечно-сосудистые [Nedelkov, 2008; Garcia-Blanco, Baraniak, Lasda, 2004; Sarkozy и др., 2009; Yip и др., 2008] и нейродегенеративные [Garcia-Blanco, Baraniak, Lasda, 2004; Jeffrey L. Cummings, 2005] заболевания.

В геноме установлено наличие около 65 тысяч несинонимичных полиморфизмов, предположительно транслируемых в ОАП, причем более 30% предположительно приводят к изменению функциональных свойств белков [Yip и др., 2008]. Поскольку изменение активности белков связано с развитием заболеваний, то исследования ОАП необходимы для определения структурных причин, лежащих в основе наблюдаемых функциональных нарушений [Bunger и др., 2007]. В задачи протеотипирования входит качественное и количественное определение экспрессии аллельных вариантов генов на протеомном уровне [Roth и др., 2008], а также мониторинг частоты встречаемости экспрессируемых аллельных вариантов белков на популяционном уровне [Nedelkov, 2008].

Идентификация ОАП в высокопроизводительном режиме с использованием масс-спектрометрии сопряжена с техническими ограничениями. Для задачи протеотипирования наиболее адекватным является подход «сверху-вниз», то есть масс-спектрометрия интактных белков (а не их фрагментов). Однако, чувствительность такого подхода невелика, на уровне 10ч-10 5 М. Как следствие, обеспечивается идентификация десятков, реже сотен, и, только в исключительных случаях до тысячи белков. Наиболее часто в биологической масс-спектрометрии применяют другой подход — «снизу-вверх», в котором наличие в образце белка устанавливается путем идентификации его протеолитических фрагментов (пептидов) [Aebersold, Mann, 2003]. В большинстве случаев для идентификации белка достаточно небольшого количества пептидов, которые в совокупности могут составлять не более 5% последовательности биополимера. Для оставшейся части аминокислотной последовательности белка невозможно установить наличие/отсутствие химических модификаций аминокислотных остатков или аминокислотных полиморфизмов.

Для идентификации одноаминокислотных полиморфизмов белков человека с использованием биологической масс-спектрометрии необходимо повысить степень покрытия аминокислотной последовательности белка за счет выявления дополнительных протеолитических пептидов белка. Это возможно в результате проведения эксперимента с большим числом частично или полностью повторяющихся масс-спектрометрических анализов [Lisitsa и др., 2010]. Кроме того, в рамках одного исследования можно объединять данные протеомных экспериментов, выполненных множеством исследовательских групп. Доступ к обширной коллекции масс-спектров предоставляется различными протеомными репозиториями [Vizcaino, Foster, Martens, 2010], в наиболее популярном из которых — PRIDE (Protein Identification Database) [Martens и др., 2005] -хранятся результаты более 13 тысяч протеомных экспериментов. Чем выше окажется степень покрытия аминокислотной последовательности белка идентифицированными пептидами, тем больше вероятность подтвердить наличие или отсутствие одноаминокислотных замен в структуре белка.

При наличии обширного объема масс-спектрометрических данных решение задачи протеотипирования возможно за счет использования вычислительных методов биоинформатики. Например, анализ масс-спектрометрических данных может осуществляться с использованием баз данных экспрессируемых фрагментов (EST), в которых содержится информация о транслированных вариантах несинонимичных полиморфизма генов [Choudhary и др., 2001b]. Второй способ, реализованный во многих программах идентификации белков, представляет собой сравнение масс-спектров с базой данных теоретических последовательностей белков, допускающий наличие неточностей в виде замен аминокислотных остатков [Creasy, Cottrell, 2002].

Недостатки указанных выше подходов хорошо известны [Matthiesen, Amorim, 2010; Menschaert и др., 2010]. В базах данных экспрессируемых фрагментов содержится избыточная информация, включая ошибки секвенирования, что усложняет анализ результатов масс-спектрометрического исследования [Choudhary и др., 2001b]. Анализируя образец, в котором идентифицировано несколько сотен белков, полученные масс-спектры необходимо сопоставлять с накопленными за десятки лет сотнями тысяч транскриптов, в числе которых содержится более 5% ошибок [Nagaraj, Gasser, Ranganathan, 2007]. При анализе масс-спектров с допущением возможных неточностей в базе данных, игнорируется информация о реально существующих несинонимичных заменах, которые были установлены генотипированием. Искусственные допущения, введенные в базу данных или в алгоритм идентификации белков, приводят к снижению достоверности результатов. Указанные недостатки существующих методов протеотипирования обуславливают необходимость совершенствования вычислительных подходов к идентификации ОАП.

Целью работы являлась разработка способа анализа масс-спектрометрических данных для идентификации единичных аминокислотных полиморфизмов, возникающих в результате трансляции несинонимичных нуклеотидных замен в соответствующих генах, и применение разработанного способа для выявления аминокислотных замен в белках человека. Для достижения цели решались следующие задачи:

1. Провести обработку масс-спектров пептидных фрагментов для повышения степени покрытия аминокислотных последовательностей белков идентифицированными пептидами.

2. На модельном наборе масс-спектрометрических данных, обеспечивающих высокую степень покрытия последовательностей, разработать метод выявления одноаминокислотных замен в белках человека.

3. Обобщить метод выявления одноаминокислотных замен в форме универсального алгоритма обработки тандемных масс-спектровоценить чувствительность и специфичность созданного алгоритма.

4. Применить созданный алгоритм для обработки репозитория масс-спектрометрических данных, определить одноаминокислотные полиморфизмы и охарактеризовать белки человека, содержащие выявленные полиморфизмы.

2 ОБЗОР ЛИТЕРАТУРЫ.

Термин «протеом» — полная совокупность экспрессируемых в организме белков — был впервые предложен Марком Вилкинсом в связи с обозначившейся необходимостью дополнить знания о геномах соответствующей информацией о кодируемых в них белках [Wilkins и др., 1996]. Объектом исследования при анализе протеома может выступать как целый организм, так и клеточный компонент, ткань, субклеточная структура, например, ядро, микросомальная фракция и др. [Bell и др., 2007].

Результаты проведения широкомасштабной инвентаризации белков с использованием масс-спектрометрии были опубликованы в работе Шевченко и соавторов в 1996 году [Shevchenko и др., 1996]. Появление биологической масс-спектрометрии ознаменовало наступление эры высокопроизводительных постгеномных технологий, позволяющих в результате проведения одного эксперимента получить информацию о генах и белках в масштабе всего организма. К постгеномным технологиям, кроме протеомики, относятся также геномика и транскриптомика. При анализе генетического материала постгеномные технологии позволяют устанавливать наличие полиморфизма генов с применением полногеномного ре-секвенирования или высокоплотного картирования однонуклеотидных замен (SNP).

Существующие подходы к исследованию многообразия белков можно разделить на два направления. В первом случае перед постановкой эксперимента заранее задано, идентификацию каких именно белковых молекул планируется провести. При таком подходе идентификацию белков проводят с использованием антител, которые применяют для гистохимического окрашивания тканевых срезов с последующим получением микрофотографий клеток. На микрофотографии среза флуоресцирующие участки соответствуют местам локализации выявляемого белка-антигена, причем интенсивность флуоресценции позволяет получить количественную оценку содержания этого белка.

В рамках крупного международного проекта ProteinAtlas осуществляется масштабная наработка антител к белкам всех генов человека [Uhlen и др., 2005]. В ходе выполнения этого проекта было получено и размещено для общественного пользования более 400 000 микрофотографий иммуногистохимических окрашенных срезов практически для всех тканей человека. Сравнительный анализ распределения специфичной окраски белков позволил, в частности, выявить характерные профили экспрессии белков для раковых тканей. Однако, окрашивание тканевых срезов с использованием флуоресцентно-меченных антител является довольно грубым методом исследования протеома. Во-первых, как указывают сами разработчики проекта ProteinAtlas, качество многих коммерчески доступных антител крайне низкое. Примерно половина закупленных антител при верификации показывает низкую специфичность к исследуемому антигену, а также препараты антител часто характеризуются низкой чистотой. Во-вторых, большое количество комплексов антиген-антитело характеризуются константой диссоциации (107−108 М) [Uhlen и др., 2005], что обуславливает ограничение по чувствительности при измерении концентрации белков [Archakov и др., 2009].

Кроме гистохимического анализа, исследование протеома осуществляется с использованием биологических микрочипов. Белковые микрочипы являются эффективным инструментом трансляционной медицины [Rubina и др., 2008], но ограниченным по возможностям использования для широкомасштабного исследования протеома. Применение микрочиповых технологий в протеомике редко позволяет проводить идентификацию более десяти белков единовременно: при увеличении количества анализируемых белков стандартизация условий протекания взаимодействия антиген-антитело затруднена. Так, применение микрочипов приводит к появлению ложно-отрицательных результатов в случае, когда для комплексов антиген-антитело различия констант диссоциации составляют несколько порядков. Кроме того, стабильность антител очень сильно зависит от условий их хранения, поэтому использование белковых микрочипов ограничено временем непосредственно после их изготовления, что не позволяет данному виду анализа получить широкое распространение.

Второе направление исследований протеома связано с постановкой эксперимента в нак называемом «панорамном» (survey) режиме, когда заранее неизвестно, какие белки могут быть идентифицированы. Потенциально, в результате панорамного эксперимента могут быть идентифицированы любые белки, закодированные в геноме исследуемого организма, включая даже продукты считающихся не кодирующими участков генома. Технические и методические средства для полногеномного исследования протеома обеспечиваются биологической масс-спектрометрией.

5 ВЫВОДЫ.

1. Проведено протеомное картирование масс-спектрометрических данных, включающее идентификацию белков методом отпечатка пептидных масс с последующим анализом, направленным на выявление белок-специфичных протеотипических пептидов. На примере белков надсемейства цитохромов Р450 показано, что за счет картирования зон локализации белков в геле степень покрытия последовательности идентифицированными пептидными фрагментами увеличивается на 27%.

2. Идентифицированы протеолитические пептиды, специфичные для форм цитохромов Р450 CYP3A4 и CYP3A5, идентичность последовательностей которых составляет 82%. Выявлены аллельные варианты трансляции цитохромов CYP3A4 и CYP3A5, содержащие одноаминокислотные полиморфизмы M445N (ЗА4), К96Е (ЗА4), L82R (ЗА5) и D277E (ЗА5).

3. Разработан итеративный алгоритм, предназначенный для идентификации одноаминокислотных полиморфизмов белков по тандемным масс-спектрам протеолитических пептидов. При тестировании на контрольном наборе «Aurum Dataset» алгоритм выявления полиморфизмов показал специфичность более 95%. Чувствительность алгоритма была на уровне 30%, что соответствует средней степени покрытия последовательностей, включенных в контрольный набор.

4. В результате анализа масс-спектрометрических экспериментов, депонированных в репозитории PRIDE, выявлено в общей сложности 270 одноаминокислотных полиморфизмов в 156 белках человека, в том числе 51 ОАП (45 белков) ассоциированы с заболеваниями, включая нарушения в системе свертываемости крови и системные амилоидозы.

Показать весь текст

Список литературы

  1. А.И. и др. Способ повышения точности определения последовательности аминокислотных остатков биополимера на основе данных массспектрометрического анализа, вычислительная система //2010.
  2. А.И. и др. Цитохромы Р450, лекарственная болезнь и персонифицированная медицина. Часть 1 // Клиническая медицина. 2008. Т. 86. № 2. С. 4−8.
  3. H.A., Бродский Е. С. Современные методы масс-спектрометрического анализа органических соединений // Рос. хим. ж. (Ж. Рос. хим. об-ва им. Д.И. Менделеева). 2002. Т. XLVI. № 4. С. 57−63.
  4. A.B. и др. Одномерное протеомное картирование цитохромов Р450 печени человека // Биохимия. 2009. Т. 74. № 2. С. 153−161.
  5. К.Н. Новое в изучении цитохромов Р450 // Биохимия. 2008. Т. 73. № 9. С. 1199−1205.
  6. H.A. и др. Идентификация цитохромов Р450 микросом клеток печени человека с помощью масс-спектрометрии // Биомедицинская химия. 2007. Т. 53. № 4. С. 400−11.
  7. Е.А., Ильгисонис Е. В., Лисица A.B. Технологии знаний в протеомике // Биоорганическая химия. 2011. Т. 37. № 2. С. 190−198.
  8. Е.А. и др. Выявление дифференциально-экспрессирующихся белков с испольованием автоматического мета-анализа протеомных публикаций // Биомедицинская химия. 2009. Т. 3. № 1. С. 10−16.
  9. М. и др. Значение генетического полиморфизма изоферментов цитохрома Р450 для персонализированного выбора и режимов дозирования антидепрессантов и антипсихотиков // Клиническая медицина. 2008. Т. 86. № 11. С. 22−28.
  10. A gene-centric human proteome project: HUPO~the Human Proteome organization. // Molecular & cellular proteomics: MCP. 2010. Т. 9. № 2. С. 4279.
  11. Aebersold R., Mann M. Mass spectrometry-based proteomics. // Nature. 2003. T. 422. № 6928. C. 198−207.
  12. Ahrne E., Mtiller M., Lisacek F. Unrestricted identification of modified proteins using MS/MS // Proteomics. 2010. T. 10. № 4. C. 671−686.
  13. Akiyama M. h «p. Ichthyosis bullosa of Siemens: its correct diagnosis facilitated by molecular genetic testing. // The British journal of dermatology. 2005. T. 152. № 6. C. 1353−6.
  14. Alves G. h jxp. Calibrating E-values for MS2 database search methods. // Biology direct. 2007. T. 2. № 1. C. 26.
  15. Alves G., Ogurtsov A.Y., Yu Y.-K. RAId DbS: mass-spectrometry based peptide identification web server with knowledge integration. // BMC genomics. 2008. T. 9. C. 505.
  16. Archakov A. h zip. Biospecific irreversible fishing coupled with atomic force microscopy for detection of extremely low-abundant proteins. // Proteomics. 2009. T. 9. № 5. C. 1326−43.
  17. Archakov A. h ap. Gene-centric view on the human proteome project: the example of the Russian roadmap for chromosome 18. // Proteomics. 2011. T. 11. № 10. C. 1853−6.
  18. Archakov A.I. h zip. AFM fishing nanotechnology is the way to reverse the Avogadro number in proteomics. // Proteomics. 2007. T. 7. № 1. C. 4−9.
  19. Archakov A.I., Bachmanova G.I. Cytochrome P-450 and active oxygen. London: Taylor & Francis, 1990.
  20. Asara J.M. hp. A label-free quantification method by MS/MS TIC compared to SILAC and spectral counting in a proteomics screen. // Proteomics. 2008. T. 8. № 5. C. 994−9.
  21. Bairoch A., Apweiler R. The SWISS-PROT protein sequence database and its supplement TrEMBL in 2000. // Nucleic acids research. 2000. T. 28. № 1. C. 45−8.
  22. Baldwin M. a. Protein identification by mass spectrometry: issues to be considered. //Molecular & cellular proteomics: MCP. 2004. T. 3. № 1. C. 1−9.
  23. Bantscheff M. h ap. Quantitative chemical proteomics reveals mechanisms of action of clinical ABL kinase inhibitors. // Nature biotechnology. 2007a. T. 25. № 9. C. 1035−44.
  24. Bantscheff M. h, qp. Quantitative mass spectrometry in proteomics: a critical review. //Analytical and bioanalytical chemistry. 2007b. T. 389. № 4. C. 1017−31.
  25. Barsnes H. h ap. PRIDE Converter: making proteomics data-sharing easy. // Nature biotechnology. 2009. T. 27. № 7. C. 598−9.
  26. Baumgardner L.A. h Fast parallel tandem mass spectral library searching using GPU hardware acceleration. // Journal of proteome research. 2011. T. 10. № 6. C. 2882−8.
  27. Beck F. h ap. The good, the bad, the ugly: Validating the mass spectrometric analysis of modified peptides // PROTEOMICS. 2011. C. n/a-n/a.
  28. Bell A.W. h /jp. The protein microscope: incorporating mass spectrometry into cell biology. //Nature methods. 2007. T. 4. № 10. C. 783−4.
  29. Binz P.-A. h, qp. A Molecular Scanner To Automate Proteomic Research and To Display Proteome Images // Analytical Chemistry. 1999. T. 71. № 21. C. 49 814 988.
  30. Binz P.-A. h pp. The molecular scanner: concept and developments. // Current opinion in biotechnology. 2004. T. 15. № 1. C. 17−23.
  31. Birney E. h ap. An overview of Ensembl. // Genome research. 2004. T. 14. № 5. C. 925−8.
  32. Birney E., Clamp M., Hubbard T. Databases and tools for browsing genomes. // Annual review of genomics and human genetics. 2002. T. 3. C. 293−310.
  33. Bochet P. h flp. Fragmentation-free LC-MS can identify hundreds of proteins // PROTEOMICS. 2010. T. 11. № 1. C. n/a-n/a.
  34. Boguski M.S., Lowe T.M., Tolstoshev C.M. dbEST-database for «expressed sequence tags». // Nature genetics. 1993. T. 4. № 4. C. 332−3.
  35. Borges C.R. h np. Full-length characterization of proteins in human populations. // Clinical chemistry. 2010. T. 56. № 2. C. 202−11.
  36. Bromberg Y., Rost B. SNAP: predict effect of non-synonymous polymorphisms on function. //Nucleic acids research. 2007. T. 35. № 11. C. 3823−35.
  37. Brosch M. h np. Comparison of Mascot and XITandem performance for low and high accuracy mass spectrometry and the development of an adjusted Mascot threshold. // Molecular & cellular proteomics: MCP. 2008. T. 7. № 5. C. 962−70.
  38. Bunger M.K. hp. Detection and validation of non-synonymous coding SNPs from orthogonal analysis of shotgun proteomics data. // Journal of proteome research. 2007. T. 6. № 6. C. 2331−40.
  39. Bunkenborg J. h jip. Screening for N-glycosylated proteins by liquid chromatography mass spectrometry. // Proteomics. 2004. T. 4. № 2. C. 454−65.
  40. Butenas S., Mann K.G., Butenas B. Blood Coagulation.: MAIK Nauka/Interperiodica distributed exclusively by Springer Science+Business Media LLC., 2002.
  41. Canas B. h jyp. Mass spectrometry technologies for proteomics. // Briefings in functional genomics & proteomics. 2006. T. 4. № 4. C. 295−320.
  42. Care M.A. h Deleterious SNP prediction: be mindful of your training data! // Bioinformatics (Oxford, England). 2007. T. 23. № 6. C. 664−72.
  43. Casado-Vela J. h flp. Lights and shadows of proteomic technologies for the study of protein species including isoforms, splicing variants and protein post-translational modifications. // Proteomics. 2011. T. 11. № 4. C. 590−603.
  44. Chapman P.F. h ap. Genes, models and Alzheimer’s disease // Trends in Genetics. 2001. T. 17. № 5. C. 254−261.
  45. Chen M. h ap. Annotation of Non-Synonymous Single Polymorphisms in Human Liver Proteome by Mass Spectrometry // Protein and Peptide Letters. 2010. T. 17. № 3. C. 277−286.
  46. Chen R. h zip. Glycoproteomics analysis of human liver tissue by combination of multiple enzyme digestion and hydrazide chemistry. // Journal of proteome research. 2009. T. 8. № 2. C. 651−61.
  47. Choudhary J.S. h Interrogating the human genome using uninterpreted mass spectrometry data. // Proteomics. 2001a. T. 1. № 5. C. 651−67.
  48. Choudhary J.S. h «p. Matching peptide mass spectra to EST and genomic DNA databases. // Trends in biotechnology. 2001b. T. 19. № 10 Suppl. C. S17−22.
  49. Choudhury V. h ap. Two novel antithrombin variants (L99V and Q118P) which alter the heparin binding // Nouvelle Revue Francaise. 1994. T. 36. C. 268.
  50. Colinge J., Bennett K.L. Introduction to computational proteomics. // PLoS computational biology. 2007. T. 3. № 7. C. el 14.
  51. Cooksey A.M. h ap. Identifying blood biomarkers and physiological processes that distinguish humans with superior performance under psychological stress. // PloS one. 2009. T. 4. № 12. C. e8371.
  52. Cooper D. The human gene mutation database // Nucleic Acids Research. 1998. T. 26. № l.C. 285−287.
  53. Cote R.G. h up. The Ontology Lookup Service: more data and better tools for controlled vocabulary queries. // Nucleic acids research. 2008. T. 36. № Web Server issue. C. W372−6.
  54. Cottrell J.S. Protein identification by peptide mass fingerprinting. // Peptide research. 1994. T. 7. № 3. C. 115−24.
  55. Craig R., Beavis R.C. TANDEM: matching proteins with tandem mass spectra. // Bioinformatics (Oxford, England). 2004. T. 20. № 9. C. 1466−7.
  56. Craig R., Cortens J.P., Beavis R.C. Open source system for analyzing, validating, and storing protein identification data. // Journal of proteome research. 2004. T. 3. № 6. C. 1234−42.
  57. Creasy D.M., Cottrell J.S. Error tolerant searching of uninterpreted tandem mass spectrometry data // PROTEOMICS. 2002. T. 2. № 10. C. 1426−1434.
  58. Crockett D.K. h ap. Annotated proteome of a human T-cell lymphoma. // Journal of biomolecular techniques: JBT. 2005. T. 16. № 4. C. 341−6.
  59. Dai D. h jvp. Identification of Variants of CYP3A4 and Characterization of Their Abilities to Metabolize Testosterone and Chlorpyrifos // J. Pharmacol. Exp. Ther. 2001. T. 299. № 3. C. 825−831.
  60. Delahunty C., Yates J.R. Identification of proteins in complex mixtures using liquid chromatography and mass spectrometry. // Current protocols in cell biology / editorial board, Juan S. Bonifacino. et al. 2003. T. Chapter 5. C. Unit 5.6.
  61. Delahunty C.M., Iii J.R.Y. Tech Insight MudPIT: multidimensional protein identification technology Tech Insight // Biotechniques. 2007. T. 43. № 5.
  62. Desiere F. h jjp. The PeptideAtlas project. // Nucleic acids research. 2006. T. 34. № Database issue. C. D655−8.
  63. Deutsch E. mzML: a single, unifying data format for mass spectrometer output. // Proteomics. 2008. T. 8. № 14. C. 2776−7.
  64. Deutsch E.W. The PeptideAtlas Project. // Methods in molecular biology (Clifton, N.J.). 2010. T. 604. C. 285−96.
  65. Deutsch E.W. hp. A guided tour of the Trans-Proteomic Pipeline. // Proteomics. 2010. T. 10. № 6. C. 1150−9.
  66. Deutsch E.W. hp. Human Plasma PeptideAtlas. // Proteomics. 2005. T. 5. № 13. C. 3497−500.
  67. Deutsch E.W., Lam H., Aebersold R. PeptideAtlas: a resource for target selection for emerging targeted proteomics workflows. // EMBO reports. 2008. T. 9. № 5. C. 429−34.
  68. Eckel-Passow J.E. h jsp. An insight into high-resolution mass-spectrometry data. // Biostatistics (Oxford, England). 2009. T. 10. № 3. C. 481−500.
  69. Eng J.K., McCormack A.L., Yates III J.R. An approach to correlate tandem mass spectral data of peptides with amino acid sequences in a protein database // Journal of the American Society for Mass Spectrometry. 1994. T. 5. № 11. C. 976−989.
  70. Eriksson J., Fenyo D. Probity: A Protein Identification Algorithm with Accurate Assignment of the Statistical Significance of the Results // Journal of Proteome Research. 2004. T. 3. № 1. C. 32−36.
  71. Falkner J. a h up. Validated MALDI-TOF/TOF mass spectra for protein standards. // Journal of the American Society for Mass Spectrometry. 2007. T. 18. № 5. C. 850−5.
  72. Farrah T. h A high-confidence human plasma proteome reference set with estimated concentrations in PeptideAtlas. // Molecular & cellular proteomics: MCP. 2011.
  73. Field D., Wilson G., Gast C. van der. How do we compare hundreds of bacterial genomes? // Current opinion in microbiology. 2006. T. 9. № 5. C. 499−504.
  74. Frazer K. a h ap. A second generation human haplotype map of over 3.1 million SNPs. //Nature. 2007. T. 449. № 7164. C. 851−61.
  75. Fredman D. h ap. HGVbase: a curated resource describing human DNA variation and phenotype relationships. // Nucleic acids research. 2004. T. 32. № Database issue. C. D516−9.
  76. Freed G.L. hp. Differential capture of serum proteins for expression profiling and biomarker discovery in pre- and posttreatment head and neck cancer samples. // The Laryngoscope. 2008. T. 118. № 1. C. 61−8.
  77. Gabellini N. NTRK2 (Neurotrophic tyrosine kinase, receptor, type 2) // Atlas Genet Cytogenet Oncol Haematol. 2008. T. 12. № 4. C. 314−317.
  78. Galeva N. Direct Identification of Cytochrome P450 Isozymes by Matrix-assisted Laser Desorption/Ionization Time of Flight-Based Proteomic Approach // Drug Metabolism and Disposition. 2003. T. 31. № 4. C. 351−355.
  79. Galeva N., Altermann M. Comparison of one-dimensional and two-dimensional gel electrophoresis as a separation tool for proteomic analysis of rat liver microsomes: cytochromes P450 and other membrane proteins. // Proteomics. 2002. T. 2. № 6. C. 713−22.
  80. Gao M. h jp. Large scale depletion of the high-abundance proteins and analysis of middle- and low-abundance proteins in human liver proteome bymultidimensional liquid chromatography. // Proteomics. 2008. T. 8. № 5. C. 93 947.
  81. Garcia-Blanco M. a, Baraniak A.P., Lasda E.L. Alternative splicing in disease and therapy. // Nature biotechnology. 2004. T. 22. № 5. C. 535−46.
  82. Gatlin C.L. h ap. Automated Identification of Amino Acid Sequence Variations in Proteins by HPLC/Microspray Tandem Mass Spectrometry // Analytical Chemistry. 2000. T. 72. № 4. C. 757−763.
  83. Gobom J. h? p. A Calibration Method That Simplifies and Improves Accurate Determination of Peptide Molecular Masses by MALDI-TOF MS // Analytical Chemistry. 2002. T. 74. № 15. C. 3915−3923.
  84. Griss J. h ap. Published and Perished? the influence of the searched protein database on the long-term storage of proteomics data. // Molecular & cellular proteomics: MCP. 2011. T. 10. № 9. C. Ml 11.8 490.
  85. Grone J. hp. Differential expression of genes encoding tight junction proteins in colorectal cancer: frequent dysregulation of claudin-1, -8 and -12. // International journal of colorectal disease. 2007. T. 22. № 6. C. 651−9.
  86. Hamosh A. h? p. Online Mendelian Inheritance in Man (OMIM), a knowledgebase of human genes and genetic disorders. // Nucleic acids research. 2005. T. 33. № Database issue. C. D514−7.
  87. Hamosh A. h ap. Online Mendelian Inheritance in Man (OMIM). // Human mutation. 2000. T. 15. № 1. C. 57−61.
  88. Han X., Aslanian A., Yates III J.R. Mass spectrometry for proteomics // Current Opinion in Chemical Biology. 2008. T. 12. № 5. C. 483−490.
  89. Hedden P. h ap. Gibberellin Biosynthesis in Plants and Fungi: A Case of Convergent Evolution? // Journal of plant growth regulation. 2001. T. 20. № 4. C. 319−331.
  90. Hopfgartner G. h Triple quadrupole linear ion trap mass spectrometer for the analysis of small molecules and macromolecules. // Journal of mass spectrometry: JMS. 2004. T. 39. № 8. C. 845−55.
  91. Huang Y. n flp. Statistical characterization of the charge state and residue dependence of low-energy CID peptide dissociation patterns. // Analytical chemistry. 2005. T. 77. № 18. C. 5800−13.
  92. Hubbard T. The Ensembl genome database project // Nucleic Acids Research. 2002. T. 30. № 1. C. 38−41.
  93. Hustert E. h? p. The genetic determinants of the CYP3A5 polymorphism. // Pharmacogenetics. 2001. T. 11. № 9. c. 773−9.
  94. Ilina E.N. hp. Direct bacterial profiling by matrix-assisted laser desorption-ionization time-of-flight mass spectrometry for identification of pathogenic Neisseria. // The Journal of molecular diagnostics: JMD. 2009. T. 11. № 1. C. 7586.
  95. Ingelman-Sundberg M. Human drug metabolising cytochrome P450 enzymes: properties and polymorphisms. // Naunyn-Schmiedeberg's archives of pharmacology. 2004. T. 369. № 1. C. 89−104.
  96. International Human Genome Sequencing Consortium. Finishing the euchromatic sequence of the human genome. // Nature. 2004. T. 431. № 7011. C. 931 -45.
  97. Ishihama Y. h pp. Exponentially modified protein abundance index (emPAI) for estimation of absolute protein amount in proteomics by the number of sequenced peptides per protein. // Molecular & cellular proteomics: MCP. 2005. T. 4. № 9. C. 1265−72.
  98. Jain R., Wagner M. Kolmogorov-Smirnov scores and intrinsic mass tolerances for peptide mass fingerprinting. // Journal of proteome research. 2010. T. 9. № 2. C. 737−42.
  99. Jeffrey L. Cummings. Genotype-proteotype-phenotype relationships in neurodegenerative diseases.: Springer, 2005.
  100. Jenkins R.E. h ap. Relative and absolute quantitative expression profiling of cytochromes P450 using isotope-coded affinity tags. // Proteomics. 2006. T. 6. № 6. C. 1934−47.
  101. Jones P. h flp. PRIDE: a public repositoiy of protein and peptide identifications for the proteomics community. // Nucleic acids research. 2006. T. 34. № Database issue. C. D659−63.
  102. Jones P. h flp. PRIDE: new developments and new datasets. // Nucleic acids research. 2008. T. 36. № Database issue. C. D878−83.
  103. Kalmar L. h jip. Mutation screening of the CI inhibitor gene among Hungarian patients with hereditary angioedema. // Human mutation. 2003. T. 22. № 6. C. 498.
  104. Keller A. h ap. Empirical Statistical Model To Estimate the Accuracy of Peptide Identifications Made by MS/MS and Database Search // Analytical Chemistry. 2002. T. 74. № 20. C. 5383−5392.
  105. Kersey P.J. n jjp. The International Protein Index: an integrated database for proteomics experiments. // Proteomics. 2004. T. 4. № 7. C. 1985−8.
  106. Kim S., Gupta N., Pevzner P. a. Spectral probabilities and generating functions of tandem mass spectra: a strike against decoy databases. // Journal of proteome research. 2008. T. 7. № 8. C. 3354−63.
  107. Klie S. h? p. Analyzing large-scale proteomics projects with latent semantic indexing. // Journal of proteome research. 2008. T. 7. № 1. C. 182−91.
  108. Kremer H. h up. Ichthyosis Bullosa of Siemens Is Caused by Mutations in the Keratin 2e Gene. // Journal of Investigative Dermatology. 1994. T. 103. № 3. C. 286−289.
  109. Kuehl P. h ap. Sequence diversity in CYP3A promoters and characterization of the genetic basis of polymorphic CYP3A5 expression. // Nature genetics. 2001. T. 27. № 4. C. 383−91.
  110. Kuhn R.M. h up. The UCSC Genome Browser Database: update 2009. // Nucleic acids research. 2009. T. 37. № Database issue. C. D755−61.
  111. Kuster B. h flp. Mass spectrometry allows direct identification of proteins in large genomes. //Proteomics. 2001. T. 1. № 5. c. 641−50.
  112. Lane C.S. h ap. Comparative cytochrome P450 proteomics in the livers of immunodeficient mice using 180 stable isotope labeling. // Molecular & cellular proteomics: MCP. 2007. T. 6. № 6. C. 953−62.
  113. Lane C.S. h, qp. Identification of cytochrome P450 enzymes in human colorectal metastases and the surrounding liver: a proteomic approach. // European journal of cancer (Oxford, England: 1990). 2004. T. 40. № 14. C. 2127−34.
  114. Lane E.B., McLean W.H.I. Keratins and skin disorders. // The Journal of pathology. 2004. T. 204. № 4. C. 355−66.
  115. Levine a J. P53, the Cellular Gatekeeper for Growth and Division. // Cell. 1997. T. 88. № 3. C. 323−31.
  116. Levy S. h AP- The diploid genome sequence of an individual human. // PLoS biology. 2007. T. 5. № 10. C. e254.
  117. Lewis D.F.V. 57 varieties: the human cytochromes P450. // Pharmacogenomics. 2004. T. 5. № 3. C. 305−18.
  118. Lim A. h ap. Characterization of Transthyretin Variants in Familial Transthyretin Amyloidosis by Mass Spectrometric Peptide Mapping and DNA Sequence Analysis // Analytical Chemistry. 2002. T. 74. № 4. C. 741−751.
  119. Lim H. Identification of 2D-gel proteins: A comparison of MALDI/TOF peptide mass mapping to p LC-ESI tandem mass spectrometry // Journal of the American Society for Mass Spectrometry. 2003. T. 14. № 9. C. 957−970.
  120. Lisitsa A.V. h «p. Application of slicing of one-dimensional gels with subsequent slice-by-slice mass spectrometry for the proteomic profiling of human liver cytochromes P450. // Journal ofproteome research. 2010. T. 9. № 1. C. 95−103.
  121. Liu T. h ap. High dynamic range characterization of the trauma patient plasma proteome. // Molecular & cellular proteomics: MCP. 2006. T. 5. № 10. C. 1 899 913.
  122. Liu T. h /ip. Human Plasma N-Glycoproteome Analysis by Immunoaffinity Subtraction, Hydrazide Chemistry, and Mass Spectrometry // Journal of proteome research. 2005. T. 4. № 6. C. 2070−2080.
  123. Mallick P. h flp. Computational prediction of proteotypic peptides for quantitative proteomics. //Nature biotechnology. 2007. T. 25. № 1. C. 125−31.
  124. Mann M., Jensen O.N. Proteomic analysis of post-translational modifications. // Nature biotechnology. 2003. T. 21. № 3. C. 255−61.
  125. Mann M., Wilm M. Error-Tolerant Identification of Peptides in Sequence Databases by Peptide Sequence Tags // Analytical Chemistry. 1994. T. 66. № 24. C. 4390−4399.
  126. Marchetti A. h pp. Frequent mutations in the neurotrophic tyrosine receptor kinase gene family in large cell neuroendocrine carcinoma of the lung. // Human mutation. 2008. T. 29. № 5. C. 609−16.
  127. Marichal P. h Contribution of mutations in the cytochrome P450 14{alpha}-demethylase (Ergllp, Cyp51p) to azole resistance in Candida albicans // Microbiology. 1999. T. 145. № 10. C. 2701−2713.
  128. Martens L. h jxp. PRIDE: the proteomics identifications database. // Proteomics. 2005. T. 5. № 13. C. 3537−45.
  129. Matthiesen R., Amorim A. Proteomics facing the combinatorial problem. // Methods in molecular biology (Clifton, N.J.). 2010. T. 593. C. 175−86.
  130. McDonald W.H., Yates J.R. Shotgun proteomics: integrating technologies to answer biological questions. // Current opinion in molecular therapeutics. 2003. T. 5. № 3. C. 302−9.
  131. Menon R., Omenn G.S. Proteomic characterization of novel alternative splice variant proteins in human epidermal growth factor receptor 2/neu-induced breast cancers. // Cancer research. 2010. T. 70. № 9. C. 3440−9.
  132. Menschaert G. h? p. Peptidomics coming of age: a review of contributions from a bioinformatics angle. // Journal of proteome research. 2010. T. 9. № 5. C. 205 161.
  133. Millar D.S. h Three novel missense mutations in the antithrombin III (AT3) gene causing recurrent venous thrombosis. // Human genetics. 1994. T. 94. № 5. C. 509−12.
  134. Mironov A.A. Frequent Alternative Splicing of Human Genes // Genome Research. 1999. T. 9. № 12. C. 1288−1293.
  135. Modrek B. Genome-wide detection of alternative splicing in expressed sequences of human genes //Nucleic Acids Research. 2001. T. 29. № 13. C. 2850−2859.
  136. Mueller M. h ap. Analysis of the experimental detection of central nervous system-related genes in human brain and cerebrospinal fluid datasets. // Proteomics. 2008. T. 8. № 6. C. 1138−48.
  137. Nagaraj S.H., Gasser R.B., Ranganathan S. A hitchhiker’s guide to expressed sequence tag (EST) analysis. // Briefings in bioinformatics. 2007. T. 8. № 1. C. 621.
  138. Nedelkov D. Population proteomics: Investigation of protein diversity in human populations // Proteomics. 2008. T. 8. № 4. C. 779−86.
  139. Nedelkov D. h ap. High-throughput comprehensive analysis of human plasma proteins: a step toward population proteomics. // Analytical chemistry. 2004. T. 76. № 6. C. 1733−7.
  140. Nedelkov D. hp. Investigating diversity in human plasma proteins. // Proceedings of the National Academy of Sciences of the United States of America. 2005. T. 102. № 31. C. 10 852−7.
  141. Nesvizhskii A.I. Protein identification by tandem mass spectrometry and sequence database searching. // Methods in molecular biology (Clifton, N.J.). 2007. T. 367. C. 87−119.
  142. Nesvizhskii A.I., Vitek O., Aebersold R. Analysis and validation of proteomic data generated by tandem mass spectrometry // Nature Methods. 2007. T. 4. № 10. C. 787−797.
  143. Ng P.C. h flp. Genetic Variation in an individual human exome // PLoS Genetics. 2008. T. 4. № 8.
  144. Ong S.-E., Mann M. Mass spectrometry-based proteomics turns quantitative. // Nature chemical biology. 2005. T. 1. № 5. c. 252−62.
  145. Ossipova E., Fenyo D., Eriksson J. Optimizing search conditions for the mass fingerprint-based identification of proteins. // Proteomics. 2006. T. 6. № 7. C. 2079−85.
  146. Overbeek R. h, np. Annotation of bacterial and archaeal genomes: improving accuracy and consistency. // Chemical reviews. 2007. T. 107. № 8. C. 3431−47.
  147. Pedrioli P.G.A. Trans-proteomic pipeline: a pipeline for proteomic analysis. // Methods in molecular biology (Clifton, N.J.). 2010. T. 604. C. 213−38.
  148. Perkins D.N. hp. Probability-based protein identification by searching sequence databases using mass spectrometry data // Electrophoresis. 1999. T. 20. № 18. C. 3551−3567.
  149. Perry D.J., Carrell R.W. Molecular genetics of human antithrombin deficiency. // Human mutation. 1996. T. 7. № 1. C. 7−22.
  150. Petrak J. h ap. Deja vu in proteomics. A hit parade of repeatedly identified differentially expressed proteins. // Proteomics. 2008. T. 8. № 9. C. 1744−9.
  151. Pevzner P.A. h /ip. Efficiency of database search for identification of mutated and modified proteins via mass spectrometry. // Genome research. 2001. T. 11. № 2. C. 290−9.
  152. Porter C.J., Talbot C.C., Cuticchia A.J. Central mutation databases-a review. // Human mutation. 2000. T. 15. № 1. C. 36−44.
  153. Rabilloud T., Hochstrasser D., Simpson R.J. Is a gene-centric human proteome project the best way for proteomics to serve biology? // Proteomics. 2010. C. 1−6.
  154. Rappsilber J. h? p. Large-scale proteomic analysis of the human spliceosome. // Genome research. 2002. T. 12. № 8. C. 1231−45.
  155. Redlich G. h zip. Distinction between human cytochrome P450 (CYP) isoforms and identification of new phosphorylation sites by mass spectrometry. // Journal of proteome research. 2008. T. 7. № 11. C. 4678−88.
  156. Reid G.E., McLuckey S.A. «Top down» protein characterization via tandem mass spectrometiy. // Journal of mass spectrometry: JMS. 2002. T. 37. № 7. C. 663−75.
  157. Rodriguez C. h zip. Proteotyping of human haptoglobin by MALDI-TOF profiling: Phenotype distribution in a population of toxic oil syndrome patients. // Proteomics. 2006. T. 6. C. S272--81.
  158. Roher A. h zip. Structural alterations in the peptide backbone of beta-amyloid core protein may account for its deposition and stability in Alzheimer’s disease // J. Biol. Chem. 1993. T. 268. № 5. c. 3072−3083.
  159. Rostami-Hodjegan A., Tucker G.T. Simulation and prediction of in vivo drug metabolism in human populations from in vitro data. // Nature reviews. Drug discovery. 2007. T. 6. № 2. C. 140−8.
  160. Roth M.J. h zip. «Proteotyping»: population proteomics of human leukocytes using top down mass spectrometry. // Analytical chemistry. 2008. T. 80. № 8. C. 285 766.
  161. Rozman D., Waterman M.R. Lanosterol 14alpha -Demethylase (CYP51) and Spermatogenesis // Drug Metab. Dispos. 1998. T. 26. № 12. C. 1199−1201.
  162. Rubina A.Y. h zip. Why 3-D? Gel-based microarrays in proteomics. // Proteomics. 2008. T. 8. № 4. C. 817−31.
  163. Sadygov R.G., Cociorva D., Iii J.R.Y. Large-scale database searching using tandem mass spectra: Looking up the answer in the back of the book // Nature Methods. 2004. T. 1. № 3. C. 195−202.
  164. Sarkozy A. h zip. Germline BRAF mutations in Noonan, LEOPARD, and cardiofaciocutaneous syndromes: molecular diversity and associated phenotypic spectrum. // Human mutation. 2009. T. 30. № 4. C. 695−702.
  165. Sattelle D.B., Jones A.K., Buckingham S.D. Insect genomes: challenges and opportunities for neuroscience. // Invertebrate neuroscience: IN. 2007. T. 7. № 3. C. 133−6.
  166. Schandorff S. h, np. A mass spectrometry-friendly database for cSNP identification. //Nature methods. 2007. T. 4. № 6. C. 465−6.
  167. Schmuth M. h Ichthyosis update: towards a function-driven model of pathogenesis of the disorders of cornification and the role of corneocyte proteins in these disorders. //Advances in dermatology. 2007. T. 23. C. 231−56.
  168. Schweigert F.J., Wirth K., Raila J. Characterization of the microheterogeneity of transthyretin in plasma and urine using SELDI-TOF-MS immunoassay. // Proteome science. 2004. T. 2. № 1. C. 5.
  169. Searle B.C., Turner M., Nesvizhskii A.I. Improving sensitivity by probabilistically combining results from multiple MS/MS search methodologies. // Journal of proteome research. 2008. T. 7. № 1. C. 245−53.
  170. Seo J., Lee K.-J. Post-translational modifications and their biological functions: proteomic analysis and systematic approaches. // Journal of biochemistry and molecular biology. 2004. T. 37. № 1. C. 35−44.
  171. Sherry S.T. dbSNP: the NCBI database of genetic variation // Nucleic Acids Research. 2001. T. 29. № 1. C. 308−311.
  172. Shevchenko A. h jp. Mass Spectrometric Sequencing of Proteins from Silver-Stained Polyacrylamide Gels // Analytical Chemistry. 1996. T. 68. № 5. C. 850 858.
  173. Shi W.-feng h up. Proteotyping: A new approach studying influenza virus evolution at the protein level // Virologica Sinica. 2008. T. 22. № 5. C. 405−411.
  174. Shteynberg D. h np. iProphet: Multi-level integrative analysis of shotgun proteomic data improves peptide and protein identification rates and error estimates. // Molecular & cellular proteomics: MCP. 2011. C. Ml 11.7 690-.
  175. Smigielski E.M. dbSNP: a database of single nucleotide polymorphisms // Nucleic Acids Research. 2000. T. 28. № 1. C. 352−355.
  176. Srebrow A., Kornblihtt A.R. The connection between splicing and cancer. // Journal of cell science. 2006. T. 119. № Pt 13. C. 2635−41.
  177. Stamm S. h zip. ASD: a bioinformatics resource on alternative splicing. // Nucleic acids research. 2006. T. 34. № Database issue. C. D46−55.
  178. Stein P.E., Carrell R.W. What do dysfunctional serpins tell us about molecular mobility and disease? // Nature Structural Biology. 1995. T. 2. № 2. C. 96−113.
  179. Supek F. n zip. Enhanced analytical power of SDS-PAGE using machine learning algorithms. //Proteomics. 2008. T. 8. № 1. C. 28−31.
  180. Taylor C.F. Minimum reporting requirements for proteomics: a MIAPE primer. // Proteomics. 2006. T. 6 Suppl 2. C. 39−44.
  181. Taylor C.F. h zip. The minimum information about a proteomics experiment (MIAPE). // Nature biotechnology. 2007. T. 25. № 8. C. 887−93.
  182. Thiede B. h zip. Peptide mass fingerprinting. // Methods (San Diego, Calif.). 2005. T. 35. № 3. C. 237−47.
  183. Tsvetkov P.O. h zip. Isomerization of the Asp7 residue results in zinc-induced oligomerization of Alzheimer’s disease amyloid beta (l-16) peptide. // Chembiochem: a European journal of chemical biology. 2008. T. 9. № 10. C. 1564−7.
  184. Uhlen M. h zip. A human protein atlas for normal and cancer tissues based on antibody proteomics. // Molecular & cellular proteomics: MCP. 2005. T. 4. № 12. C. 1920−32.
  185. Ullrich A. h zip. CANCER-RELATED PROTEIN KINASES // US Patent App. 12/. 2007.
  186. Venter J.C. h zip. The sequence of the human genome. // Science (New York, N.Y.). 2001. T. 291. № 5507. C. 1304−51.
  187. Vizcaino J.A., Foster J.M., Martens L. Proteomics data repositories: Providing a safe haven for your data and acting as a springboard for further research // Journal of Proteomics. 2010. C. 1−11.
  188. W Vogel K. h zip. Developing assays for kinase drug discovery where have the advances come from? // 2007.
  189. Westlind-Johnsson A. Comparative analysis of CYP3A expression in human liver suggests only a minor role for CYP3A5 in drug metabolism // Drug Metabolism and Disposition. 2003. T. 31. № >6. C. 755−761.
  190. Wheeler D.L. h zip. Database resources of the National Center for Biotechnology Information. //Nucleic acids research. 2007. T. 35. № Database issue. C. D5−12.
  191. Whibley C., Pharoah P.D.P., Hollstein M. p53 polymorphisms: cancer implications. //Nature reviews. Cancer. 2009. T. 9. № 2. C. 95−107.
  192. Wilkins M.R. h /ip. From Proteins to Proteomes: Large Scale Protein Identification by Two-Dimensional Electrophoresis and Amino Acid Analysis // Bio/Technology. 1996. T. 14. № 1. C. 61−65.
  193. Wu C.H. h ap. The Universal Protein Resource (UniProt): an expanding universe of protein information. // Nucleic acids research. 2006. T. 34. № Database issue. C. D187−91.
  194. Yates J R., Eng J.K., McCormack A.L. Mining Genomes: Correlating Tandem Mass Spectra of Modified and Unmodified Peptides to Sequences in Nucleotide Databases // Analytical Chemistry. 1995. T. 67. № 18. C. 3202−3210.
  195. Yip Y.L. h Annotating single amino acid polymorphisms in the UniProt/Swiss-Prot knowledgebase. // Human mutation. 2008. T. 29. № 3. C. 3616.
  196. Zanger U.M. h ap. Polymorphic CYP2B6: molecular mechanisms and emerging clinical significance. //Pharmacogenomics. 2007. T. 8. № 7. C. 743−59.
  197. Zgoda V.G. h? p. Proteomics of mouse liver microsomes: performance of different protein separation workflows for LC-MS/MS. // Proteomics. 2009. T. 9. № 16. C. 4102−5.
  198. Zhou H. h ap. Quantitative proteome analysis by solid-phase isotope tagging and mass spectrometry. //Nature biotechnology. 2002. T. 20. № 5. C. 512−5.
  199. Zubarev R.A., Zubarev A.R., Savitski M.M. Electron capture/transfer versus collisionally activated/induced dissociations: solo or duet? // Journal of the American Society for Mass Spectrometry. 2008. T. 19. № 6. C. 753−61.
Заполнить форму текущей работой

На отлично!