蛋白質(zhì)結(jié)構(gòu)預(yù)測模型的研究.pdf

1、目的： 本論文的研究目的是提出和實施了以下兩個思路，提高預(yù)測蛋白質(zhì)結(jié)構(gòu)的準(zhǔn)確率和效率： 1.在應(yīng)用3-狀態(tài)隱馬爾可夫模型(HiddenMarkovModel，HMM)預(yù)測蛋白質(zhì)二級結(jié)構(gòu)的基礎(chǔ)上，提出和建立了7-狀態(tài)和15-狀態(tài)的優(yōu)化HMM；進(jìn)而提出通過序列譜的HMM(sequence-profile-basedHMM)將優(yōu)化的HMM與BP神經(jīng)網(wǎng)絡(luò)(BackPropagationNeuralNetwork，BPNN)相

2、結(jié)合的預(yù)測方法，提高蛋白質(zhì)二級結(jié)構(gòu)預(yù)測的準(zhǔn)確率。 2.綜合蛋白質(zhì)二級結(jié)構(gòu)信息和蛋白質(zhì)同源序列信息，進(jìn)行蛋白質(zhì)折疊預(yù)測中的二硫鍵預(yù)測，減少蛋白質(zhì)三維結(jié)構(gòu)預(yù)測中的蛋白質(zhì)構(gòu)象的搜索空間，提高預(yù)測的效率。 方法： 應(yīng)用優(yōu)化HMM的預(yù)測對象是從Cuff和Barton所建立的CB513數(shù)據(jù)集合中篩選出的492條已知蛋白質(zhì)二級結(jié)構(gòu)的蛋白質(zhì)序列，共82272個氨基酸殘基。將其隨機分為7組，每組平均的α螺旋(H)，β折疊(E

3、)，無規(guī)卷曲(C)分布分別為35％，23％和42％。分別應(yīng)用7-狀態(tài)和15-狀態(tài)HMM以及BPNN-HMM混合模型，對以上的蛋白質(zhì)序列進(jìn)行二級結(jié)構(gòu)預(yù)測，對預(yù)測的準(zhǔn)確率進(jìn)行7-交叉驗證，并將各類方法的預(yù)測結(jié)果進(jìn)行分析和比較。 二硫鍵預(yù)測研究的對象是從SWISS-PROT數(shù)據(jù)庫中篩選的252條蛋白質(zhì)序列，選取的每條蛋白質(zhì)序列鏈內(nèi)含有的二硫鍵個數(shù)至少為2個，至多為5個。首先對數(shù)據(jù)集中形成二硫鍵的半胱氨酸以及周圍的局部氨基酸殘基，在蛋

4、白質(zhì)二級結(jié)構(gòu)形成的使用偏性進(jìn)行統(tǒng)計分析，進(jìn)而綜合蛋白質(zhì)二級結(jié)構(gòu)信息和蛋白質(zhì)序列的位置特異性得分矩陣(Position-SpecificScoringMatrix，PSSM)，共同作為預(yù)測模型的輸入編碼進(jìn)行二硫鍵配對連接的預(yù)測，然后對預(yù)測準(zhǔn)確率進(jìn)行4-交叉驗證，并將預(yù)測結(jié)果進(jìn)行分析和比較。 結(jié)果： 應(yīng)用7-狀態(tài)HMM，在492條蛋白質(zhì)序列上的7-交叉驗證結(jié)果中，預(yù)測的整體準(zhǔn)確率Q3比應(yīng)用3-狀態(tài)HMM提高了3.11％，

5、三態(tài)片斷重疊準(zhǔn)確率SOV提高了6.15％，三態(tài)各自準(zhǔn)確率中的QE提高明顯，為6.49％；應(yīng)用15-狀態(tài)HMM，整體準(zhǔn)確率Q3比應(yīng)用7-狀態(tài)HMM提高了0.18％，SOV準(zhǔn)確率提高了1.8％，三態(tài)各自準(zhǔn)確率中的QE提高了5.74％；在15-狀態(tài)HMM基礎(chǔ)上加入序列的同源信息后，Q3準(zhǔn)確率比單序列15-狀態(tài)HMM提高了8.36％，SOV準(zhǔn)確率提高了8.2％，三態(tài)各自準(zhǔn)確率QH，QE，Qc分別提高了10.8％，15.8％，3.9％。

6、 應(yīng)用15-狀態(tài)HMM與BPNN相結(jié)合的混合模型，預(yù)測的整體準(zhǔn)確率Q3比典型的兩個BPNN的串聯(lián)模型提高了1.11％，SOV準(zhǔn)確率提高了1.69％，三態(tài)各自準(zhǔn)確率QH，QE，QC分別提高了1.3％，1.02％，4.6％。 二硫鍵配對連接的預(yù)測中，在相同BPNN結(jié)構(gòu)下(窗口寬度=15，隱含層個數(shù)=50)，252條蛋白質(zhì)序列上的4-交叉驗證結(jié)果中，加入蛋白質(zhì)二級結(jié)構(gòu)信息后的預(yù)測敏感性Sn比未加入蛋白質(zhì)二級結(jié)構(gòu)信息前提高了3.06％

7、，特異性Sp提高了0.69％，相關(guān)系數(shù)Mcc提高0.041，總體二硫鍵配對預(yù)測準(zhǔn)確率Qc提高了1.1％，總體蛋白質(zhì)預(yù)測準(zhǔn)確率Qp提高了2.78％。 結(jié)論： 1.7-狀態(tài)HMM預(yù)測蛋白質(zhì)二級結(jié)構(gòu)的性能優(yōu)于3-狀態(tài)HMM，15-狀態(tài)HMM總體預(yù)測性能和7-狀態(tài)HMM相當(dāng)，但對β折疊預(yù)測能力好；在15-狀態(tài)HMM基礎(chǔ)上加入序列同源信息后，預(yù)測性能更好。 2.應(yīng)用BPNN和HMM的混合模型預(yù)測蛋白質(zhì)二級結(jié)構(gòu)，比典型