基于序列順序信息的DNA結合蛋白識別與遠程同源性檢測.pdf

1、隨著生物測序技術的研究不斷深入，蛋白質序列數(shù)據(jù)呈爆炸性的增長，然而與之相比，蛋白質功能和結構數(shù)據(jù)增長緩慢。因此有必要利用蛋白質的一級結構預測蛋白質的功能和結構。本文對蛋白質功能和結構預測領域中的兩個重要問題進行了深入的研究，包括DNA結合蛋白識別和蛋白質遠程同源性檢測。本文研究的切入點為探索提取和利用蛋白質序列信息，并將這些信息用于構建預測模型。本文通過結合機器學習方法、自然語言處理技術和蛋白質序列特征提取策略對上述兩個問題進行了深入的

2、研究，具體研究內容如下：
　　第一，DNA結合蛋白識別是蛋白質功能預測領域中的一個重要問題。針對這個問題，本文提出兩種預測方法PseDNA-Pro和iDNA-Prot|dis。本文首次把偽氨基酸組成（Pseudo Amino Acid Composition，PseAAC）應用到這個領域，并針對偽氨基酸組成的不足，提出改進的方案，進而提出了一種新的預測方法PseDNA-Pro。此外，該方法使用了另外兩種蛋白質序列特征：全局氨基酸組

3、成和氨基酸物理化學距離轉換。通過采用這三種特征提取方法，將蛋白質轉化為特征向量，之后采用支持向量機（Support Vector Machine，SVM）構建分類器識別DNA結合蛋白。在兩個數(shù)據(jù)集上的結果顯示，PseDNA-Pro預測準確率分別為80.05％和83.33%，優(yōu)于其他對比實驗方法。雖然PseDNA-Pro方法取得了一定的成功，然而由于偽氨基酸組成忽略了不同氨基酸對的特性，導致該方法對蛋白質序列信息表達不足。針對這個問題，本

4、文提出一種基于氨基酸距離對的預測方法iDNA-Prot|dis。為了進一步提高其預測精度與運行效率，本文采用縮減字母表策略將具有相似性質的氨基酸合并為一類，進而顯著降低了特征空間的維數(shù)。實驗結果顯示，iDNA-Prot|dis在預測精度與計算代價方面都優(yōu)于其他對比實驗方法。此外，通過分析 SVM訓練模型中不同特征的權重，表明本文提出的方法可以有效提取蛋白質序列特征。
　　第二，蛋白質遠程同源性檢測是蛋白質結構和功能研究的基礎。本文

5、提出了兩種可以有效包含蛋白質序列順序信息的蛋白質遠程同源性檢測方法：SVM-DR(DT)和disPseAAC。iDNA-Prot|dis方法表明氨基酸距離對可以有效包含序列的位置信息，本文嘗試將該策略用于蛋白質遠程同源性檢測中，并提出了SVM-DR(DT)方法。該方法通過距離對將蛋白質轉化為固定長度的向量。然后結合SVM用于預測蛋白質，采用包含進化信息的蛋白質組份Top-n-gram替換氨基酸使該方法的預測效果得到進一步的提高，實驗結果

6、表明該方法的ROC指標為0.948和0.919，優(yōu)于其他對比實驗方法。通過分析SVM訓練模型，本文發(fā)現(xiàn)距離對的權重與其長度呈反比，因此說明距離較近的氨基酸對對于蛋白質遠程同源性檢測更加重要，這與蛋白質家族的二級結構特征相吻合。偽氨基酸組成利用了氨基酸理化屬性，距離對則包含了遠距離氨基酸對的位置信息。為了結合兩者的優(yōu)點，本文提出一種改進的偽氨基酸組成：距離對偽氨基酸組成（distance-pair Pseudo Amino Acid Co