Lichouao：创建了此页面

2026-04-22T10:51:05Z

创建了此页面

新页面

= 光遗传学* =

== 基本方法 ==

=== 基因递送 ===
常用的基因递送方法包括：

* 病毒载体系统：AAV、慢病毒等病毒载体被广泛用于将光敏蛋白基因递送至目标细胞。AAV因其低免疫原性和长期表达特性而成为首选。
* 转基因动物模型：通过基因工程创建表达特定光敏蛋白的转基因动物，如ChR2转基因小鼠。

=== 光刺激系统 ===
光纤光学系统：通过植入光纤将光精确传递到目标脑区；多波长光刺激：使用不同波长的光激活不同类型的光敏蛋白；双光子光遗传学：结合双光子显微镜实现深层组织的光刺激。

=== 表达调控系统 ===
组织特异性启动子；诱导型表达系统。

=== 典型光敏蛋白 ===

==== 兴奋性光敏蛋白 ====

===== 通道视紫红质-2/ChR2 =====

* 来源：莱茵衣藻
* 功能：蓝光（~470 nm）激活的非选择性阳离子通道，引起细胞去极化
* 特点：快速动力学（毫秒级），广泛用于神经元兴奋控制
* 光循环模型：包括多个中间状态，如P500、P390等

===== 其他通道视紫红质变体 =====

* ChR1：具有不同的离子选择性和动力学特性
* ChETA：ChR2的突变体，具有更快的关闭动力学
* ReaChR：红光激活的通道视紫红质，穿透深度更好

==== 抑制性光敏蛋白 ====

===== 嗜盐菌视紫红质/NpHR =====

* 来源：盐生盐杆菌
* 功能：黄光（~590 nm）激活的氯离子泵，引起细胞超极化 [1]
* 应用：神经元抑制控制

===== 古菌视紫红质-3/Arch =====

* 来源：Halorubrum sodomense
* 功能：绿光激活的质子泵，引起细胞超极化 [1]
* 特点：更强的抑制电流

==== 新型光敏蛋白工具 ====

===== 光敏G蛋白偶联受体（Opto-XRs） =====

* 将视蛋白与G蛋白偶联受体融合，实现光控GPCR信号通路
* 应用：调控细胞内第二信使系统

===== 光敏转录因子 =====

* 如光控CRISPR-Cas系统，实现光控基因表达
* 应用：精确调控基因表达的时间和空间模式

= 分子互作* =

== 蛋白质-蛋白质互作 ==
1. 酵母双杂交系统Y2H

基于转录因子激活结构域（AD）和DNA结合结构域（BD）的分离，当两个相互作用的蛋白质分别与AD和BD融合时，它们会重建功能性转录因子，从而激活报告基因的表达。

2. 共免疫沉淀CoIP

CoIP是一种基于抗体的方法，用于检测生理条件下的蛋白质相互作用。通过使用针对目标蛋白的特异性抗体，可以沉淀该蛋白及其相互作用伙伴，然后通过Western blotting检测共沉淀的蛋白质。

3. 双分子荧光互补BiFC

BiFC技术将荧光蛋白分割成两个非荧光片段，分别与两个待测蛋白质融合。当这两个蛋白质相互作用时，荧光蛋白片段会重新组装并恢复荧光，从而可视化蛋白质相互作用 [3]。

4. 荧光共振能量转移FRET

FRET用于检测蛋白质之间的近距离相互作用（1-10 nm）。当供体荧光蛋白和受体荧光蛋白标记的蛋白质足够接近时，会发生能量转移，从而检测相互作用。

5. 表面等离子共振SPR

SPR是一种无标记技术，可以实时监测蛋白质相互作用的动力学参数，包括结合常数（Kd）、结合速率（kon）和解离速率（koff） [4]。

== 核酸-蛋白质互作 ==
1. 凝胶迁移实验EMSA

EMSA是检测蛋白质与核酸相互作用的经典方法。蛋白质-核酸复合物在凝胶电泳中的迁移速度比游离核酸慢，通过放射性或荧光标记可以检测这种迁移变化 [5]。

2. Supershift实验

Supershift是EMSA的变体，通过添加特异性抗体来进一步确认结合蛋白质的身份。抗体与蛋白质-核酸复合物结合后，会形成更大的复合物，导致迁移速度进一步减慢。

3. 染色质免疫沉淀ChIP

ChIP用于研究体内蛋白质与染色质的相互作用。通过交联固定蛋白质-DNA复合物，使用特异性抗体沉淀目标蛋白及其结合的DNA片段，然后通过PCR或测序分析结合的DNA序列 [6]。

4. DNA酶I足迹法

该方法用于精确定位蛋白质在DNA上的结合位点。蛋白质结合会保护DNA免受DNase I的切割，通过测序胶可以观察到受保护的"足迹"区域。

5. 酵母单杂交Y1H

Y1H用于鉴定与特定DNA序列结合的蛋白质。将感兴趣的DNA序列插入报告基因上游，将cDNA文库与转录激活结构域融合，通过报告基因激活筛选DNA结合蛋白。

三、核酸-核酸相互作用研究方法

1. 荧光原位杂交FISH

FISH使用荧光标记的核酸探针与互补的DNA或RNA序列杂交，用于检测特定核酸序列在细胞或组织中的定位和表达。

2. 染色体构象捕获3C

3C技术用于研究染色质的三维空间构象和远程DNA-DNA相互作用。通过交联、限制性酶切、连接和PCR分析，可以检测基因组不同区域之间的物理接近性 [7]。

3. Hi-C技术

Hi-C是3C技术的高通量版本，结合了深度测序，可以全基因组范围地分析染色质相互作用和三维基因组结构 [8]。

4. RNA-RNA相互作用研究

* RNA免疫沉淀（RIP）：类似于ChIP，但用于研究蛋白质-RNA相互作用
* CLIP-seq：紫外交联免疫沉淀结合测序，用于全基因组分析RNA结合蛋白的靶点
* PAR-CLIP：光激活核糖核苷增强的CLIP，提高分辨率

四、蛋白质-染色体相互作用研究方法

1. ChIP-seq

将ChIP与高通量测序结合，可以在全基因组范围内鉴定蛋白质与DNA的结合位点，提供高分辨率的结合图谱。

2. ChIP-chip

ChIP与微阵列技术结合，用于分析蛋白质在全基因组范围内的DNA结合位点。

3. DamID

使用DNA腺嘌呤甲基转移酶（Dam）融合蛋白，通过检测DNA甲基化模式来间接分析蛋白质-DNA相互作用。

4. ATAC-seq

转座酶可及性染色质测序，用于分析染色质可及性和核小体定位，间接反映蛋白质与染色质的相互作用。

五、大分子-小分子相互作用研究方法

1. 酶联免疫吸附试验（Enzyme-Linked Immunosorbent Assay, ELISA）

ELISA基于抗原-抗体反应，用于检测和定量生物分子。在药物-靶点相互作用研究中，可以用于检测小分子药物与靶蛋白的结合 [9]。

2. 等温滴定量热法（Isothermal Titration Calorimetry, ITC）

ITC直接测量结合过程中释放或吸收的热量，提供结合常数（Kd）、化学计量（n）和热力学参数（ΔH, ΔS）。

3. 表面等离子共振（SPR）

如前所述，SPR同样适用于小分子-大分子相互作用的实时动力学分析。

4. 热位移分析（Thermal Shift Assay, TSA）

也称为差示扫描荧光法，通过监测蛋白质热稳定性变化来检测小分子结合。

5. 核磁共振（Nuclear Magnetic Resonance, NMR）

NMR可以提供原子水平的小分子-蛋白质相互作用信息，包括结合位点和构象变化。

六、其他重要技术

1. 蛋白质组学方法

* 亲和纯化质谱（AP-MS）：将亲和纯化与质谱结合，用于大规模鉴定蛋白质相互作用网络
* 邻近标记技术：如BioID和TurboID，使用工程酶在邻近蛋白质上标记生物素，然后通过链霉亲和素纯化和质谱鉴定相互作用蛋白

2. 单分子技术

* 单分子FRET：在单分子水平研究蛋白质相互作用动力学
* 原子力显微镜：直接测量分子间作用力
* 光镊和磁镊：用于研究核酸-蛋白质相互作用的力学性质

3. 计算和生物信息学方法

* 分子对接：预测小分子与蛋白质的结合模式和亲和力
* 分子动力学模拟：研究相互作用的动态过程
* 网络分析：构建和分析蛋白质相互作用网络

七、技术选择和应用考虑

选择适当的分子互作研究方法需要考虑以下因素：

# 相互作用类型：蛋白质-蛋白质、核酸-蛋白质等
# 研究环境：体内 vs 体外
# 灵敏度要求：弱相互作用需要更灵敏的方法
# 通量需求：高通量筛选 vs 详细机制研究
# 定量需求：定性检测 vs 定量动力学分析
# 空间分辨率：是否需要亚细胞定位信息
# 时间分辨率：静态分析 vs 动态监测

八、技术发展趋势

# 超高分辨率成像：如STORM、PALM等技术使分子互作的可视化达到纳米级分辨率
# 单细胞分析：单细胞ChIP-seq、单细胞Hi-C等技术
# 多组学整合：结合转录组、蛋白质组、表观基因组数据
# 人工智能应用：机器学习预测分子相互作用
# 微流控技术：实现高通量、低成本的相互作用筛选

这些分子互作研究手段各有优势和局限性，通常需要多种技术相互验证以获得可靠的结果。随着技术的发展，越来越多的方法正在向更高通量、更高灵敏度、更接近生理条件的方向发展。

= 分子与系统发育 =

== 系统发生树构建* ==

=== 基于距离矩阵的方法 ===

==== 邻接法（Neighbor-Joining, NJ） ====
简要原理：邻接法是一种迭代聚类算法，通过寻找最小化总分支长度的操作分类单元（OTU）对来构建系统发育树。该方法从星状树开始，逐步合并最近的邻居，直到所有OTU都被连接 [1]。

适用范围：

* 适用于进化距离数据
* 处理大量分类单元时效率高
* 适用于蛋白质和DNA序列数据

树的类型：通常产生无根树，但可通过外群法或中点法获得有根树

优缺点：

* 优点：计算速度快，适用于大数据集；不需要进化模型假设；对长枝吸引效应有一定抵抗力
* 缺点：对距离矩阵的准确性敏感；可能产生局部最优解而非全局最优解 [1]

==== UPGMA法（Unweighted Pair Group Method with Arithmetic Mean） ====
简要原理：UPGMA是一种简单的层次聚类方法，假设所有谱系以恒定速率进化（分子钟假说）。它通过计算类群间的平均距离来构建树 [4]。

适用范围：

* 适用于分子钟假说成立的情况
* 适用于分化程度不高的群体
* 常用于表型数据分析

树的类型：产生有根树

优缺点：

* 优点：算法简单，计算速度快；结果易于解释
* 缺点：对进化速率不均等敏感；当分子钟假说不成立时准确性差 [4]

==== Fitch-Margoliash法 ====
简要原理：该方法通过最小化观测距离与树距离之间的平方差来构建树，使用最小二乘法优化分支长度 [2]。

适用范围：

* 适用于距离矩阵数据
* 对进化速率不均等有一定容忍度

树的类型：可产生有根或无根树

优缺点：

* 优点：比UPGMA更准确，特别是当进化速率不均等时
* 缺点：计算复杂度较高；可能产生负分支长度 [2]

=== 基于特征的方法 ===
· 总地来说计算量大，能产生有根树。

==== 最大简约法（Maximum Parsimony, MP） ====
简要原理：最大简约法基于奥卡姆剃刀原理，选择需要最少进化变化（如核苷酸替换）的树作为最优树。它寻找具有最小特征状态变化次数的树拓扑结构 [2]。

适用范围：

* 适用于形态学数据和分子序列数据
* 适用于进化速率较慢的特征
* 适用于分类单元较少的情况

树的类型：可产生有根或无根树

优缺点：

* 优点：概念简单直观；不需要进化模型假设
* 缺点：对长枝吸引效应敏感；可能低估进化变化；计算复杂度随分类单元数指数增长 [2]

==== 最大似然法（Maximum Likelihood, ML） ====
简要原理：最大似然法在给定进化模型和树拓扑结构下，计算观测数据出现的概率（似然值），选择使似然值最大的树作为最优树。它明确考虑核苷酸或氨基酸替换的随机过程 [2]。

适用范围：

* 适用于分子序列数据
* 适用于各种进化模型
* 适用于复杂进化模式的分析

树的类型：可产生有根或无根树

优缺点：

* 优点：统计基础坚实；可整合复杂进化模型；对长枝吸引效应抵抗力较强
* 缺点：计算量大，特别是对于大数据集；对模型选择敏感 [2]

==== 贝叶斯推断法（Bayesian Inference, BI） ====
简要原理：贝叶斯推断法基于贝叶斯定理，通过马尔可夫链蒙特卡洛（MCMC）方法从后验分布中采样树拓扑结构和参数。它结合先验知识和观测数据来推断系统发育关系 [3]。

适用范围：

* 适用于分子序列数据
* 适用于复杂模型和参数估计
* 适用于不确定性量化

树的类型：可产生有根或无根树

优缺点：

* 优点：提供后验概率作为支持度；可整合先验知识；同时估计树拓扑和参数
* 缺点：计算量极大；收敛诊断复杂；对先验分布选择敏感 [3]

=== 其他方法 ===

==== 最小进化法（Minimum Evolution, ME） ====
简要原理：最小进化法选择总分支长度最小的树作为最优树，基于距离矩阵数据 [2]。

适用范围：

* 适用于距离矩阵数据
* 适用于进化速率不均等情况

树的类型：通常产生无根树

优缺点：

* 优点：理论基础简单；对某些数据类型表现良好
* 缺点：对距离估计误差敏感；可能不是统计上最优的方法 [2]

==== 系统发育网络方法 ====
简要原理：系统发育网络允许网状进化关系，反映水平基因转移、杂交或基因渗入等非树状进化过程 [6]。

适用范围：

* 适用于存在网状进化的情况
* 适用于种内基因谱系分析
* 适用于研究基因流和杂交事件

树的类型：网状结构，非严格树状

优缺点：

* 优点：能反映复杂进化历史；适用于非树状进化过程
* 缺点：解释更复杂；计算算法仍在发展中 [6]

=== 方法比较与性能评估 ===
根据多项模拟研究，不同方法在不同条件下的表现有所差异：

# 准确性比较：最大似然法和贝叶斯推断法通常在准确性方面表现最佳，特别是当使用适当进化模型时 [5]。邻接法在计算速度和准确性之间提供了良好平衡 [1]。
# 计算效率：UPGMA和邻接法计算最快，而贝叶斯推断法计算最慢 [2,3]。
# 对模型假设的敏感性：最大简约法对模型假设最不敏感，但可能牺牲准确性。最大似然法和贝叶斯法对模型选择敏感，但使用正确模型时可获得最高准确性 [5]。
# 对长枝吸引的抵抗力：最大似然法和贝叶斯法对长枝吸引效应有较强抵抗力，而最大简约法特别敏感 [2]。
# 物种树估计：在物种树估计中，考虑不完全谱系分选的方法（如基于溯祖理论的方法）通常比传统的基因树方法更准确 [7]。
# 树的类型

基因树与物种树：基因树基于单个基因或位点构建，物种树基于多个基因或全基因组数据构建，反映物种分化历史。

=== 方法选择建议 ===

# 数据量小且分类单元少：可考虑最大简约法或最大似然法
# 大数据集：邻接法或快速最大似然近似方法
# 需要统计支持度：贝叶斯推断法或自举法支持的最大似然法
# 存在网状进化：系统发育网络方法
# 物种树估计：基于溯祖理论的方法如*BEAST或ASTRAL
# 探索性分析：邻接法快速获得初步结果，再用更复杂方法验证

== 参考文献 ==
'''注意：此部分很大程度上基于Sci-Bot给出的答案。'''即使其声称不会产生幻觉，笔者也不保证此部分的答案一定准确（因为这也含有人类创作的成分），也无法确认它一定适用于生物竞赛。请读者注意甄别。

=== 分子与系统发育 ===
[1]The neighbor-joining method: a new method for reconstructing phylogenetic trees. Molecular Biology and Evolution. 1987 Jul

DOI: 10.1093/oxfordjournals.molbev.a040454

[2]Relative Efficiencies of the Fitch-Margoliash, Maximum-Parsimony, Maximum-Likelihood, Minimum-Evolution, and Neighbor-joining Methods of Phylogenetic Tree Construction in Obtaining the Correct Tree. Molecular Biology and Evolution. 1989 Sep 1

DOI: 10.1093/oxfordjournals.molbev.a040572

[3]Yang Z, Rannala B. Bayesian phylogenetic inference using DNA sequences: a Markov Chain Monte Carlo Method. Molecular Biology and Evolution. 1997;14(7):717–724

DOI: 10.1093/oxfordjournals.molbev.a025811

[4]Li WH. Simple method for constructing phylogenetic trees from distance matrices. Proceedings of the National Academy of Sciences. 1981;78(2):1085–1089

DOI: 10.1073/pnas.78.2.1085

[5]Hall BG. Comparison of the Accuracies of Several Phylogenetic Methods Using Protein and DNA Sequences. Molecular Biology and Evolution. 2004;22(3):792–802

DOI: 10.1093/molbev/msi066

[6]Woolley SM, Posada D, Crandall KA. A Comparison of Phylogenetic Network Methods Using Computer Simulation Stajich JE, editor. PLoS ONE. 2008;3(4):e1913

DOI: 10.1371/journal.pone.0001913

[7]Leaché AD, Rannala B. The Accuracy of Species Tree Estimation under Simulation: A Comparison of Methods. Systematic Biology. 2010;60(2):126–137

DOI: 10.1093/sysbio/syq073

[8]The MultiFurcating Neighbor-Joining Algorithm for Reconstructing Polytomic Phylogenetic Trees. Journal of Molecular Evolution. 2023

DOI: 10.1007/s00239-023-10134-z

=== 分子互作 ===
[1]Akbarzadeh S, Coşkun Ö, Günçer B. Studying protein–protein interactions: Latest and most popular approaches. Journal of Structural Biology. 2024;216(4):108118

DOI: 10.1016/j.jsb.2024.108118

[2]Bais P, Alidrissi L, Blilou I. Detecting Protein–Protein Interactions Using Bimolecular Fluorescence Complementation (BiFC) and Luciferase Complementation Assays (LCA). In: Methods in Molecular Biology. Springer US; 2023. p 121–131

DOI: 10.1007/978-1-0716-3327-4_12

[3]Hellman LM, Fried MG. Electrophoretic mobility shift assay (EMSA) for detecting protein–nucleic acid interactions. Nature Protocols. 2007;2(8):1849–1861

DOI: 10.1038/nprot.2007.249

[4]Belton J-M et al. Hi–C: A comprehensive technique to capture the conformation of genomes. Methods. 2012;58(3):268–276

DOI: 10.1016/j.ymeth.2012.05.001

[5]Kumar B et al. Multiplexed chromatin immunoprecipitation sequencing for quantitative study of histone modifications and chromatin factors. Nature Protocols. 2024;20(3):779–809

DOI: 10.1038/s41596-024-01058-z

[6]Tabatabaei MS, Ahmed M. Enzyme-Linked Immunosorbent Assay (ELISA). In: Methods in Molecular Biology. Springer US; 2022. p 115–134

DOI: 10.1007/978-1-0716-2376-3_10

[7]McDonnell JM. Surface plasmon resonance: towards an understanding of the mechanisms of biological molecular recognition. Current Opinion in Chemical Biology. 2001;5(5):572–577

DOI: 10.1016/s1367-5931(00)00251-9

[8]de Laat W, Dekker J. Mapping chromatin conformation. F1000 Biology Reports. 2010;2:18

DOI: 10.3410/b2-18

=== 光遗传学 ===
[1]Kushibiki T, Okawa S, Hirasawa T, Ishihara M. Optogenetics: Novel Tools for Controlling Mammalian Cell Functions with Light. International Journal of Photoenergy. 2014;2014:1–10

DOI: 10.1155/2014/895039

[2]Nagel G et al. Channelrhodopsin-2, a directly light-gated cation-selective membrane channel. Proceedings of the National Academy of Sciences. 2003;100(24):13940–13945

DOI: 10.1073/pnas.1936192100

[3]Stehfest K, Hegemann P. Evolution of the Channelrhodopsin Photocycle Model. ChemPhysChem. 2010;11(6):1120–1126

DOI: 10.1002/cphc.200900980

[4]Kandori H. Retinal Proteins: Photochemistry and Optogenetics. Bulletin of the Chemical Society of Japan. 2019;93(1):76–85

DOI: 10.1246/bcsj.20190292

[5]Vogt N. Tailoring optogenetic illumination through tapered fibers. Nature Methods. 2017;14(8):763–763

DOI: 10.1038/nmeth.4381

[6]Lan T-H, He L, Huang Y, Zhou Y. Optogenetics for transcriptional programming and genetic engineering. Trends in Genetics. 2022;38(12):1253–1270

DOI: 10.1016/j.tig.2022.05.014

[7]Gao K. Expanding the optogenetics toolkit. Nature Methods. 2018;15(12):1003–1003

DOI: 10.1038/s41592-018-0244-3

[8]Shaaya M, Fauser J, Karginov AV. Optogenetics: The Art of Illuminating Complex Signaling Pathways. Physiology. 2021;36(1):52–60

DOI: 10.1152/physiol.00022.2020

[9]Kataoka M, Terakita A. Recent advances in optogenetics: Report for the session 12 at the 19th International Conference on Retinal Proteins. Biophysics and Physicobiology. 2023;20(Supplemental):e202012

DOI: 10.2142/biophysico.bppb-v20.s002

[10]At Light Speed: Advances in Optogenetic Systems for Regulating Cell Signaling and Behavior. Annual Review of Chemical and Biomolecular Engineering. 2017;8:13–39

DOI: 10.1146/annurev-chembioeng-060816-101254

[11]Optical excitation yin and yang. Nature Methods. 2007;4(5):384–384

DOI: 10.1038/nmeth0507-384

[12]Bioluminescence-Optogenetics. Advances in Experimental Medicine and Biology. 2021;1293:281–293

DOI: 10.1007/978-981-15-8763-4_17

生物技术小框 - 版本历史

Lichouao：​创建了此页面

Lichouao：创建了此页面