转录因子结合位点和动物毒素的分析与预测.pdfVIP

转录因子结合位点和动物毒素的分析与预测 摘要 转录因子结合位点的识别是阐明基因转录调控机制的重要环节，准确的转 录因子结合位点的预测算法将有助于人们识别转录因子的目标基因，进而研究 其在上游调控区中的位置对转录调控的影响。然而，目前存在的预测转录因子 结合位点的算法所得结果的特异性普遍较低，因此有必要提出一种新的有效的 理论预测算法。动物毒素能直接作用于药物作用靶点，这使得动物毒素成为研 究药物靶点的重要工具。动物毒素还在离子通道的研究、药物发现和杀虫剂的 合成方面有广泛的应用。因此，预测动物毒素就变得非常重要，有必要提出一 种能准确鉴别动物毒素的理论算法。 本文以转录因子结合位点、动物毒素、神经毒素、细胞毒素、突触前神经 correlation of scoringfunction，PCSF)、离散增量(increment Vector Classifier， 量机(SupportMachine，SVM)和朴素贝叶斯分类器(NaiveBayes NB)四类算法对它们进行了预测研究。本文的研究工作如下： 首先，从转录因子结合位点数据库JASPAR选出8种实验上证实的没有冗 余的转录因子结合位点数据，结合位置保守性和伪计数，构建了位置关联方程， 通过定义位置关联性打分方程的最佳阈值，使得打分方程在此最佳阈值下所得 结果的假阳率较低。同时为了比较打分方程在转录因子结合位点方面的预测能 力，本文将打分方程与MATCHTM中所使用的位置权重矩阵进行了比较，结果显 示打分方程的预测能力优于位置权重矩阵的预测能力。 的数据集合。分别选取20种氨基酸组分、400种二肽组分、6种亲疏水组分、 36种二肽亲疏水组分作为离散增量算法的参数，对不同序列相似性的动物毒素 数据集进行了预测。结果表明：离散增量算法在以二肽组分作为参数时预测结 果最好；5种不同序列相似性的动物毒素数据集的预测结果随序列相似性变化较 小。为了进一步提高动物毒素的预测精度，本文对4种不同的离散增量值进行 组合并作为支持向量机的输入参数，对动物毒素进行了预测，结果显示：支持 向量机的预测结果优于离散增量算法的预测结果。同时本文还对神经毒素和细 胞毒素进行了预测。此外，为了将支持向量机和其它的预测算法进行比较，这 取得的预测结果。 序列，参照数据库给出的注释信息，统计了突触前和突触后神经毒素的二硫键 突触后神经毒素的蛋白质序列，分别构建了序列相似性小于80％的数据集1和 数据集2。本文采用了5种方法选取参数：(1)：蛋白质序列的二肽参数；(2)： 了组合，一共得到了12类参数，并将这12类参数作为离散增量和朴素贝叶斯 (1)：增加模体参数的预测结果好于二肽参数时的预测结果；(2)：使用模体参数 和50个二肽参数时，突触前神经毒素和突触后神经毒素的预测结果最好。 关键词：转录因子结合位点；动物毒素；模体特征；离散增量；朴素贝叶斯分 类器 11／ and of factor sitesand Analysispredictiontranscriptionbinding animaltoxins Abstract Theidentificationof factor sitesisan transcriptionbinding importantstep towardsthe ofthe of understandingtranscriptionregulation．Reliableprediction can to the of fact