同源序列蛋白质功能预测怎么做
文章中氨基酸序列的多重比对的图怎么做？
文章中氨基酸序列的多重比对的图怎么做？
多序列比对在分子生物学中是一个基本方法，用来发现特征序列，进行蛋白分类，证明序列间的同源性，帮助预测新序列二级结构与三级结构，确定PCR引物，以及在分子进化分析方面均有很大帮助，ClustalW(Dos版本)很适合这些方面的要求，ClustalX是window版本。
用Clustal比对后的序列，有时候我们需要转为图片放在文章作详细方析，但大部分人的方法都是直接截图，这样的后果就是图片一点都不美观。
如果你是想要发表文章或其它比较重要的用途，图片的质量还是需要高一点的。
什么基因同源性最高？
直系同源基因（orthologous gene）又译为“垂直同源基因”、“正同源基因” 或“定向进化同源基因”，是指从同一祖先垂直进化而来的基因。或者说，一个祖先物种分化产生两种新物种，那么这两种新物种共同具有的由这个祖先物种继承下来的基因就称为直系同源基因。
AlphaFold2解决了蛋白质结构问题吗？DeepMind解决这项生物学五十年难题有何重大意义？
证实了万物皆可AI，条条大路通AI！
几乎所有学科都有定量即数据分析的需求，只要有大数据，就有人工智能、深度学习或强化学习的用武之地。并且一旦有了大量的有标注的数据，人工智能的渗入是碾压式的，堪称降维打击！
这就是大数据和人工智能的可怕之处，也是未来各行各业都要面临的挑战，同时也是各行各业新的机遇！
人工智能最擅长的两件事：分类和预测。
就拿人工智能最热门的领域计算机视觉来说，深度学习席卷这个领域，正是因为大规模数据集ImageNet的诞生。
[1]ImageNet项目是一个大型视觉数据库，用于视觉目标识别软件研究。 该项目已手动注释了1400多万张图像，以指出图片中的对象，并在至少100万张图像中提供了边框。ImageNet包含2万多个典型类别，例如“气球”或“草莓”，每一类包含数百张图像。（）
AI在用大数据“训练”以后，预测的误差随即超过了人类的5.1%。
而这次AlphaFold2的任务，是预测蛋白质的3D结构。
[2]研究人员使用蛋白质数据库中接近17万个不同的蛋白质结构，以及包含未知结构的蛋白序列数据库对AlphaFold进行训练。通过不断地迭代，AlphaFold系统学习到了基于氨基酸序列，精确预测蛋白结构的能力。
因此同样的，只要你给我足够多（更多）的标注好的数据，理论上预测的准确率可以不断地提升！
生物信息这个专业也将变得火爆，预计再过两年，生物专业的不学点Python数据分析都不好意思和同行打招呼了。
都说21世纪是生物的世纪，导致21世纪生物专业|行业如此之卷。
如今又半路杀出一个“程咬金”降维打击，卷、卷、卷！
这个的意义绝不止于可以帮生物民工减轻工作量，真正厉害之处在于它建立了氨基酸序列到蛋白结构的对应，结构决定功能，从而我们可以根据基因序列预测蛋白质的功能。
预测，说明我们不止可以根据现有序列得到现有蛋白质的结构和功能，还可以通过设计序列得到我们想要的具有某种特定功能的蛋白质。
比如说自然界中某些同源的酶催化效率有高有低，最适温度，pH有高有低，通常是氨基酸中某个或者某几个残基的变化引起，如果我们完全能在计算机中模拟出这些，比如敲掉或改变某个碱基（对应氨基酸）对催化效率的影响，通过对比计算，那么我们就有可能知道这类酶它的“边界”在哪。也就是知道这种催化效率最大可以达到多少，能忍受的最低最高温度和pH是多少。一个热稳定的Taq酶的发现就带动了pcr技术的发展，还存在多少极端条件下有活性的理论上存在可能的酶等着我们去发现（或者说是设计）？
再比如蛛丝的强度是钢的五倍，但它依然是氨基酸组成的，为什么可以有这样的强度？可不可以有强度更高的蛋白材料？这些问题是不可能通过生物合成去一一实验的，只可能在计算机的模拟计算演化中找到答案。
要知道自然界存在的蛋白质只是进化的产物，进化只保证能用，但不保证最优。有些情况下它演化出的蛋白可能触到了物理化学规律限制下的功能极限，但更多的功能边界还是未知的。甚至有可能某种具有极限功能的蛋白质在自然演化中需要突破某个势垒，自然条件下是几乎不可能演化出来的，但在计算机中我们却可以得到它。
目前我们的研究主要是发现，即发现dna序列，发现氨基酸序列，发现蛋白结构，发现这些结构对应什么功能，发现各种蛋白的功能组合起来实现各种生命活动。
未来我们做的研究很可能是设计。即我们需要什么样的生命活动，再反推完成各种功能的蛋白，再推出它的结构，然后推出氨基酸序列和基因序列，这些都是通过计算机模拟完成。再在实验室人工合成，再导入目标待设计生物，然后我们几乎可以根据我们的想法在物理化学规律的约束下完成任意的生物设计。
到那时，人类就可以真正的掌握命运。