原文：

1。 MODELLER軟體安裝

該軟體有windows， mac， linux版本，下載後安裝的時候需要提供註冊碼，不用擔心，先在https：//salilab。org/modeller/registration。html註冊（需要學術郵箱或者含有edu的郵箱）。然後網站會自動稽核並且傳送

註冊碼

給輸入的郵箱。軟體的安裝步驟和大多數Windows軟體包一樣，除了輸入註冊碼那步，其它的一路點選“下一步”即可。

2。準備檔案

準備含有準備預測的目的蛋白序列的檔案TvLDH。ali

將下圖中的序列替換為準備預測的序列即可

準備pdb_95。pir檔案

pdb_95。pir檔案和TvLDH。ali可以在官網下載。

3。尋找與目的基因相近的pdb模板

%reset -f %clear # In［*］ from modeller import * import os

os。chdir

（“D：\\Rwork\\modeller\\single\\1”） # In［*］ from modeller import * log。verbose（） env = environ（） #—— Prepare the input files #—— Read in the sequence database sdb = sequence_db（env） sdb。read（seq_database_file=‘pdb_95。pir’， seq_database_format=‘PIR’， chains_list=‘ALL’， minmax_db_seq_len=（30， 4000）， clean_sequences=True） #—— Write the sequence database in binary form sdb。write（seq_database_file=‘pdb_95。bin’， seq_database_format=‘BINARY’， chains_list=‘ALL’） #—— Now， read in the binary database sdb。read（seq_database_file=‘pdb_95。bin’， seq_

database_format

=‘BINARY’， chains_list=‘ALL’） # In［*］ #—— Read in the target sequence/alignment aln = alignment（env） aln。append（file=‘TvLDH。ali’， alignment_format=‘PIR’， align_codes=‘ALL’） #—— Convert the input sequence/alignment into # profile format prf = aln。to_profile（） #—— Scan sequence database to pick up homologous sequences prf。build（sdb，

matrix_offset

=-450， rr_file=‘${LIB}/

blosum62。sim。mat

’， gap_penalties_1d=（-500， -50）， n_prof_iterations=1， check_profile=False， max_aln_evalue=0。01） #—— Write out the profile in text format prf。write（file=‘build_profile。prf’， profile_format=‘TEXT’） #—— Convert the profile back to alignment format aln = prf。to_alignment（） #—— Write out the alignment file aln。write（file=‘build_profile。ali’， alignment_format=‘PIR’）

build_profile。prf 存放輸出結果，前6行記錄了MODELLER構建這個profile的引數，後續行對應profile。build（）檢測到的相似處，其中最重要的是第2、10、11和12列。

第2列表示和目標序列進行對比的PDB序列的編號。每一行的編號代表一組PDB序列，第11列代表目標和對比序列相似的百分比，對比序列經過了長度的標準化（在第10列）一般相似性超過25%的對比序列可以選做模板（除非這個序列太短）第12列用e值更顯著的表示了差異。因為我們這裡得到的候選模板並不多，如果候選模板比較多的話，建議選擇相似度高和E值比較低的。

2：模板的PDB入口程式碼 。11：相似度百分比，大於25%即有可能成為有效模板。 12：錯誤率，越低越好，最好等於0

4。確定最佳模板

首先在

pdb資料庫

中下載上述的候選模板的

pdb檔案

。

篩選最佳模板

# In［*］ from modeller import * env = environ（） aln = alignment（env） #遍歷pdb檔案（需放在同一目錄下） for （pdb， chain） in （ （‘2dsp’， ‘B’）， （‘1wqj’， ‘B’）， （‘2dsq’， ‘A’），（‘3tjq’， ‘A’））： m = model（env， file=pdb， model_segment=（‘FIRST：’+chain， ‘LAST：’+chain）） aln。append_model（m， atom_files=pdb， align_codes=pdb+chain） aln。malign（）

aln。malign3d

（） aln。compare_structures（） aln。id_table（matrix_file=‘family。mat’） env。dendrogram（matrix_file=‘family。mat’， cluster_cut=-1。0）

@符號後面對應的數字反應的是

晶體解析度

，數字越低代表解析度越高。結合此資訊和上述得到的序列同源性，可以選擇3tjqA為最佳模板。

5。 執行程式，得到預測結構

# In［*］ from modeller import * env = environ（） aln = alignment（env） #使用1bdm。pdb進行對齊 mdl = model（env， file=‘3tjq’， model_segment=（‘FIRST：A’，‘LAST：A’）） aln。append_model（mdl， align_codes=‘3tjqA’， atom_files=‘3tjq。pdb’） aln。append（file=‘TvLDH。ali’， align_codes=‘TvLDH’） aln。align2d（） aln。write（file=‘TvLDH-3tjqA。ali’， alignment_format=‘PIR’） aln。write（file=‘TvLDH-3tjqA。pap’， alignment_format=‘PAP’） # In［*］ from modeller import * from modeller。automodel import * #from modeller import soap_protein_od env = environ（） #alnfile載入模板結構，sequence表示目標序列名 a = automodel（env， alnfile=‘TvLDH-3tjqA。ali’， knowns=‘3tjqA’， sequence=‘TvLDH’， assess_methods=（assess。DOPE， #soap_

protein_od

。Scorer（）， assess。GA341）） #計算模型的個數 a。starting_model = 1 a。ending_model = 5 a。make（）

最終得到五個預測出來的目標序列或者目標蛋白的蛋白質三維結構。

選擇其中最優的模型001或者004。pdb為最佳結果（選擇DOPE score最低且GA341 score最高的結果）。

6。使用pymol 開啟預測結果