基于統(tǒng)計建模方法的蛋白質(zhì)結(jié)構(gòu)預(yù)測研究.pdf

1、從20世紀80年代末開始，生物信息學(xué)(Bioinformatics)逐漸興起并開始蓬勃發(fā)展。生物信息學(xué)是以計算機為工具對生物信息進行儲存、檢索和分析的科學(xué)，它不僅是當(dāng)今生命科學(xué)和自然科學(xué)的重大前沿領(lǐng)域之一，同時也將是21世紀自然科學(xué)的核心領(lǐng)域之一。生物信息學(xué)的發(fā)展將會對生命科學(xué)帶來革命性的變革，它不僅會對相關(guān)基礎(chǔ)學(xué)科起巨大的推動作用，還會對農(nóng)業(yè)、醫(yī)藥、衛(wèi)生、食品等產(chǎn)業(yè)產(chǎn)生巨大的影響。當(dāng)前生物信息學(xué)研究的一個主要方向是發(fā)展基于統(tǒng)計建模的預(yù)

2、測方法，例如隱馬爾科夫模型、支持向量機、k近鄰等方法。相對于傳統(tǒng)的方法，這些方法具有速度快、自動化程度高的優(yōu)點，尤其適用于高通量大規(guī)模序列數(shù)據(jù)的分析。本文主要以蛋白質(zhì)的結(jié)構(gòu)和功能的預(yù)測為應(yīng)用背景，對上述這幾種基于統(tǒng)計建模的預(yù)測方法進行了較深入的研究，旨在提高它們在特定的預(yù)測應(yīng)用中的精度和效率。 本文主要在以下幾個方面進行了有成效和有特色的研究：1.跨膜螺旋是蛋白質(zhì)家屬中極為重要的一種類型，在幾乎所有的活細胞和信號傳輸中都起著重要

3、作用，人類基因組中相當(dāng)一部分蛋白質(zhì)編碼為螺旋連接的跨膜段的形式。因此，對跨膜段的正確預(yù)測是實現(xiàn)蛋白質(zhì)功能預(yù)測的重要步驟。本文針對跨膜蛋白序列的生物學(xué)特征，提出了一種新的隱馬爾科夫模型分段訓(xùn)練算法，對跨膜螺旋的分段位點以及螺旋方向等特征進行了建模和預(yù)測。同標準訓(xùn)練算法相比，該算法具有時間復(fù)雜度低、預(yù)測精度高等優(yōu)點。對于包含160條跨膜螺旋的蛋白序列進行10次交叉驗證的測試，結(jié)果使用該訓(xùn)練算法的預(yù)測準確率達到96.98％，正確定位精度為91

4、.25％，高于其他預(yù)測方法對該數(shù)據(jù)集的預(yù)測結(jié)果，驗證了該算法的合理性和有效性。 2.蛋白質(zhì)可溶性表征蛋白質(zhì)殘基在三級結(jié)構(gòu)中與溶劑接觸的程度，是反映蛋白質(zhì)三級結(jié)構(gòu)以及功能位點的主要特征。按照蛋白序列中殘基的相對可溶性，將其分為兩類(表面/內(nèi)部)和三類(表面/中間/內(nèi)部)進行預(yù)測。采用Markov鏈模型，選擇不同窗寬和參數(shù)對數(shù)據(jù)進行訓(xùn)練和預(yù)測，以確保得到最好的分類效果，并同其他已有方法進行了比較。對同一數(shù)據(jù)集不同分類閾值的預(yù)測結(jié)果顯

5、示，Markov鏈方法對蛋白可溶性的整體預(yù)測結(jié)果好于基于神經(jīng)網(wǎng)絡(luò)和信息論的方法。其中，對兩類數(shù)據(jù)的最優(yōu)分類結(jié)果達到78.9％，對三類數(shù)據(jù)的最優(yōu)分類結(jié)果達到67.7％，表明高階Markov鏈模型(MCM)是蛋白殘基可溶性預(yù)測的一種有效方法。 3.蛋白質(zhì)要參與正常的生命活動，必須處于特定的細胞內(nèi)區(qū)域(如細胞核、線粒體、細胞質(zhì)等)，而預(yù)測蛋白質(zhì)的亞細胞定位信息對于了解其功能有重要的意義。本文選擇了氨基酸組成、氨基酸對組成、位置特異性打

6、分矩陣等不同特征以及模糊k近鄰和支持向量機兩種分類方法，對預(yù)測結(jié)果進行了比較和分析。結(jié)果表明位置特異性打分矩陣能提高對不同亞細胞位點的可區(qū)分性，是一種非常有效的分類特征，而支持向量機可以更好地利用位置特異性打分矩陣特征進行預(yù)測，因此采用氨基酸組成和位置特異性打分矩陣兩種特征，并結(jié)合支持向量機，是一種有效的亞細胞定位預(yù)測方法。此外，還在此基礎(chǔ)上提出了一種能進一步提高預(yù)測精度的基于ensemble技術(shù)(多分類器投票表決)的亞定位預(yù)測方法。

7、 4.蛋白質(zhì)磷酸化作為一種最常見的蛋白翻譯后修飾(PTM)過程，在一系列生物細胞活動中起著重要的作用。目前對蛋白質(zhì)激酶底物的實驗測定方法通常非常費時，而且會受多種實驗條件的限制。通過機器學(xué)習(xí)的方法，利用蛋白質(zhì)的序列信息對不同激酶家族作用的磷酸化位點進行預(yù)測，不僅具有快速、自動等優(yōu)點，還可以對相應(yīng)的實驗測定進行指導(dǎo)。本文提出了一種基于Euclidean距離的改進k近鄰算法，特征向量由基于BLOSUM62矩陣的平均分值構(gòu)成。對多個磷酸