一種高效的蛋白質(zhì)同源建模缺失值填充方法.pdf

1、蛋白質(zhì)分子通常由幾百、幾千個(gè)氨基酸組成，完全表達(dá)它的結(jié)構(gòu)，需要6N維的空間，其中N是原子數(shù)。這是一個(gè)維數(shù)極其巨大的高維空間，很難利用它來(lái)處理問(wèn)題，對(duì)某些問(wèn)題甚至是不可行。但是由同一個(gè)祖先演化而來(lái)的同一家族中的不同蛋白質(zhì)，由于遺傳信息的保守性，會(huì)在進(jìn)化過(guò)程中保留下來(lái)，在結(jié)構(gòu)上的體現(xiàn)就是，這些蛋白質(zhì)某些部分會(huì)有非常相似的三維結(jié)構(gòu)，我們通常稱(chēng)之為保守區(qū)域。保守區(qū)域的結(jié)構(gòu)可以利用PCA等方法來(lái)處理，根據(jù)研究問(wèn)題需要的精度，降低空間的維數(shù)，從而達(dá)

2、到簡(jiǎn)化研究問(wèn)題的復(fù)雜性。
　　 應(yīng)用PCA方法來(lái)處理蛋白質(zhì)問(wèn)題的時(shí)候，首先是要對(duì)同一個(gè)家族的蛋白質(zhì)分子進(jìn)行多序列比對(duì);然后按照離散程度，來(lái)判斷保守區(qū)域;對(duì)保守區(qū)域的結(jié)構(gòu)進(jìn)行PCA計(jì)算，獲取保守區(qū)域結(jié)構(gòu)，非保守區(qū)域部分需要另外考慮。通常來(lái)說(shuō)，保守區(qū)域可以利用遺傳信息，在處理很多問(wèn)題的時(shí)候，比非保守區(qū)域要容易，所以我們?cè)谶M(jìn)行PCA計(jì)算的時(shí)候，希望包含進(jìn)來(lái)的保守區(qū)域盡可能的大。但是在非保守區(qū)域中還是有些包含少量空位的位置，盡管序列和結(jié)

3、構(gòu)的保守性不如保守區(qū)域的保守性強(qiáng)，但是仍然包含很多的遺傳信息。如果我們能夠把空位的地方填上合適的數(shù)值，就可以像保守區(qū)域一樣利用PCA方法來(lái)處理。對(duì)這些空位數(shù)值的填充，就是所謂的缺失值問(wèn)題。在處理缺失值問(wèn)題的時(shí)候，很多軟件在不影響樣本集的情況下直接刪除或者忽略缺失值、甚至是使用0值來(lái)進(jìn)行填充。一般來(lái)說(shuō)，忽略缺失值對(duì)于樣本數(shù)量很龐大的樣本集影響不大，但是對(duì)于生物學(xué)上的蛋白質(zhì)分子就會(huì)帶來(lái)很大的不足與缺陷，這樣的處理沒(méi)有充分利用生物數(shù)據(jù)集所蘊(yùn)含