若干蛋白質(zhì)種類鑒別的多標(biāo)記預(yù)測(cè)問(wèn)題研究.pdf

1、蛋白質(zhì)是一切生命運(yùn)動(dòng)的物質(zhì)基礎(chǔ),針對(duì)蛋白質(zhì)的研究不僅是傳統(tǒng)生物學(xué)重要內(nèi)容,而且也是生物信息學(xué)的核心研究?jī)?nèi)容。由于蛋白質(zhì)的種類多種多樣,其執(zhí)行的任務(wù)復(fù)雜而繁多,因此針對(duì)蛋白質(zhì)的功能研究是一項(xiàng)十分困難卻意義重大的任務(wù)。本文在系統(tǒng)的研究了前人的工作基礎(chǔ)之上,對(duì)幾類重要蛋白質(zhì)的分類問(wèn)題做了進(jìn)一步的拓展和深化。
　　蛋白質(zhì)亞細(xì)胞定位的預(yù)測(cè)是近年來(lái)備受關(guān)注、意義重大的研究方向。本文第二章的研究圍繞這一領(lǐng)域展開(kāi)。文獻(xiàn)中大部分蛋白質(zhì)亞細(xì)胞定位預(yù)測(cè)

2、算法只能處理一個(gè)蛋白僅屬于一個(gè)亞細(xì)胞位置的情況。但是,一些蛋白可能屬于兩個(gè)甚至更多的亞細(xì)胞位置。開(kāi)發(fā)能夠預(yù)測(cè)多標(biāo)記蛋白的計(jì)算工具非常重要,因?yàn)檫@些蛋白往往擁有特殊的生物學(xué)意義,在基礎(chǔ)生物學(xué)研究和藥物發(fā)現(xiàn)方面尤為如此?？紤]到目前的情況下,針對(duì)多標(biāo)記蛋白預(yù)測(cè)的研究還非常有限,研究使用一些新的方法,用以研究蛋白的多標(biāo)記問(wèn)題是非常有價(jià)值的。鑒于不同的特征提取方法、不同的預(yù)測(cè)算法應(yīng)用到不同的基準(zhǔn)數(shù)據(jù)集會(huì)產(chǎn)生結(jié)果迥異的預(yù)測(cè)效果。本章使用了兩個(gè)不同的

3、特征提取方法和兩個(gè)不同的神經(jīng)網(wǎng)絡(luò)搭配組合成多種預(yù)測(cè)模型,并將它們應(yīng)用到革蘭氏陽(yáng)性細(xì)菌蛋白質(zhì),植物蛋白質(zhì)和病毒蛋白這三個(gè)不同種類的基準(zhǔn)數(shù)據(jù)集。這些基準(zhǔn)數(shù)據(jù)集具有不同數(shù)量的蛋白質(zhì)樣本以及蛋白質(zhì)亞細(xì)胞位置且規(guī)模較小。測(cè)試結(jié)果表明,無(wú)論選擇哪種類型的特征提取方法,在這些基準(zhǔn)數(shù)據(jù)集上,RBF神經(jīng)網(wǎng)絡(luò)較之BP神經(jīng)網(wǎng)絡(luò)都表現(xiàn)出了明顯的優(yōu)勢(shì)。針對(duì)數(shù)據(jù)規(guī)模較大的多標(biāo)記數(shù)據(jù)集的預(yù)測(cè)問(wèn)題。本章節(jié)進(jìn)一步使用多標(biāo)記KNN(K-Nearest Neighbors)

4、算法取代BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)算法,與RBF神經(jīng)網(wǎng)絡(luò)一起參與預(yù)測(cè)。本章同樣將這兩個(gè)預(yù)測(cè)算法與兩種不同的特征提取方法組合成多個(gè)預(yù)測(cè)模型,并將它們應(yīng)用到人類蛋白質(zhì),真核蛋白質(zhì)和革蘭陰性細(xì)菌蛋白質(zhì)這三個(gè)不同種類的基準(zhǔn)數(shù)據(jù)集上。這些基準(zhǔn)數(shù)據(jù)集規(guī)模較大,包含的子類更多且所含的數(shù)據(jù)量各不相同。應(yīng)用結(jié)果表明,總體來(lái)說(shuō),多標(biāo)記KNN算法和RBF算法取得了較為接近的預(yù)測(cè)結(jié)果,有些組合在某個(gè)數(shù)據(jù)集上有自己的優(yōu)勢(shì)?？偟膩?lái)說(shuō),預(yù)測(cè)組合(PSSM+RBF)表現(xiàn)出了

5、最佳的預(yù)測(cè)效果。
　　膜蛋白的類型預(yù)測(cè)同樣是一個(gè)有意義的研究課題,因?yàn)檫@種信息能夠非常有效的解釋膜蛋白的功能和作用。近年來(lái),膜蛋白質(zhì)序列的生成數(shù)量呈現(xiàn)爆炸式增長(zhǎng)的趨勢(shì),急需發(fā)展有效的計(jì)算工具,以快速、準(zhǔn)確地預(yù)測(cè)給定的蛋白質(zhì)序列的膜類型。目前已經(jīng)開(kāi)發(fā)出幾種針對(duì)膜蛋白的預(yù)測(cè)器,但是這些預(yù)測(cè)器只能處理一個(gè)蛋白對(duì)應(yīng)單個(gè)膜類型的情況。而事實(shí)是,存在有屬于兩個(gè)或多于兩種類型的膜蛋白。為了解決這個(gè)問(wèn)題,本文第三章提出了能夠處理一個(gè)蛋白同時(shí)對(duì)應(yīng)多

6、個(gè)膜蛋白類型的預(yù)測(cè)模型并取得了較為理想的初步預(yù)測(cè)結(jié)果。
　　給定一個(gè)特定的蛋白,了解其屬于哪一種四級(jí)結(jié)構(gòu)類型非常重要,因?yàn)榇祟愋畔⑴c它的功能是高度相關(guān)的?，F(xiàn)有蛋白質(zhì)四級(jí)結(jié)構(gòu)類型一系列預(yù)測(cè)方法已被提出,這些方法均只專注于一個(gè)蛋白對(duì)應(yīng)與單個(gè)四級(jí)結(jié)構(gòu)的情況。但根據(jù)國(guó)際標(biāo)準(zhǔn)蛋白質(zhì)數(shù)據(jù)庫(kù)的注釋,一個(gè)蛋白對(duì)應(yīng)于多個(gè)四級(jí)結(jié)構(gòu)類型的現(xiàn)象廣泛存在。因此,開(kāi)發(fā)新的計(jì)算工具可以處理蛋白四級(jí)結(jié)構(gòu)中存在的多標(biāo)記樣本一個(gè)有意義的任務(wù)。有鑒于此,本文第四章提出

7、一個(gè)新的基于多標(biāo)記預(yù)測(cè)的計(jì)算模型用以處理此類問(wèn)題,它采用偽氨基酸成分和ET-KNN算法相結(jié)合的方法構(gòu)建而成。本文的研究結(jié)果表明,這個(gè)模型是預(yù)測(cè)此類問(wèn)題的有力工具。
　　本文第五章則主要嘗試解決蛋白質(zhì)亞-亞細(xì)胞層面上的多標(biāo)記問(wèn)題。蛋白質(zhì)亞-亞細(xì)胞功能定位是研究蛋白質(zhì)功能的進(jìn)一步細(xì)化。其著眼點(diǎn)是,在蛋白質(zhì)亞細(xì)胞功能定位的基礎(chǔ)之上,研究這些細(xì)胞器繼續(xù)被細(xì)分為若干個(gè)功能區(qū)的問(wèn)題,這一領(lǐng)域的研究對(duì)象目前主要集中在線粒體、葉綠體以及細(xì)胞核上。

8、盡管針對(duì)每一個(gè)種類的細(xì)胞器數(shù)據(jù)集,已經(jīng)有好幾種方法來(lái)預(yù)測(cè)亞細(xì)胞器功能區(qū)位置(蛋白質(zhì)亞-亞細(xì)胞功能定位),但它們只能處理一個(gè)蛋白屬于單個(gè)亞細(xì)胞器功能區(qū)的情況。但是,本文研究表明,上述任意一個(gè)細(xì)胞器數(shù)據(jù)集中,存在一個(gè)蛋白同時(shí)處于一個(gè)以上亞細(xì)胞器功能區(qū)的情況.遺憾的是,該現(xiàn)象尚未得到足夠的重視,目前尚未見(jiàn)有致力于研究亞細(xì)胞器功能區(qū)多標(biāo)記預(yù)測(cè)問(wèn)題的報(bào)道,而研究此類現(xiàn)象對(duì)于進(jìn)一步深化蛋白質(zhì)功能的認(rèn)識(shí),具有重要的意義。因此,考慮如何將處理蛋白質(zhì)對(duì)應(yīng)

9、于多個(gè)亞細(xì)胞功能區(qū)的預(yù)測(cè)問(wèn)題包含進(jìn)來(lái)而不是將擁有多標(biāo)記屬性的蛋白質(zhì)剔除出數(shù)據(jù)集是一項(xiàng)有意義并且富有挑戰(zhàn)性任務(wù)。本文基于此,針對(duì)每一個(gè)細(xì)胞器,建立了若干個(gè)同源性程度不同的數(shù)據(jù)集,并根據(jù)這些數(shù)據(jù)集的規(guī)模和復(fù)雜程度,選定幾種多標(biāo)記系統(tǒng)預(yù)測(cè)數(shù)據(jù)集中各個(gè)蛋白所屬的功能區(qū)位置,這些預(yù)測(cè)系統(tǒng)基于幾種不同的特征提取方式和預(yù)測(cè)算法組合構(gòu)建而成。這是在該領(lǐng)域內(nèi),研究處理蛋白質(zhì)的多標(biāo)記歸屬的初步嘗試,并取得了一系列有價(jià)值的結(jié)果。如在三個(gè)同源性程度不同的葉綠體

10、數(shù)據(jù)集上,最佳預(yù)測(cè)組合(功能分類)所得到的整體杰克刀成功率分別為89.08％、81.29%和71.11%。預(yù)測(cè)模型的結(jié)果表明,本文所建立的預(yù)測(cè)模型能夠有效的處理蛋白質(zhì)亞-亞細(xì)胞功能定位中存在的多標(biāo)記問(wèn)題,可以作為輔助工具用于亞細(xì)胞器功能區(qū)多標(biāo)記定位預(yù)測(cè)。
　　大多數(shù)針對(duì)蛋白質(zhì)的預(yù)測(cè)研究一般總是基于單個(gè)特定的數(shù)據(jù)集使用一定的模型或算法?？紤]到后基因組時(shí)代的數(shù)據(jù)規(guī)模以及生成的數(shù)據(jù)的速度,這種類型的研究顯示出一定的低效性,因?yàn)樗鼈儫o(wú)法針