Several mathematical methods for similarity analysis of protein sequences蛋白质序列相似性分析的几种数学方法.pdfVIP

摘 要 近年来，随着新一代高通量测序技术的出现，产生了越来越多的分子序列数据。面对 海量的数据，如何对这些数据进行科学的分类、处理、分析和储存，给数学、计算机科学 提出了严峻的挑战，生物学研究的重点开始由数据积累向数据分析和解释转变，计算生物 学便在这种背景下应运而生。其中，生物大分子序列和结构的比较是最基本、最重要的课 题之一，对生命科学的研究具有深远的影响。近二十多年来，DNA 和蛋白质序列的数学 描述是研究生物序列的一条有效途径，各种与之对应的数值刻画及相似性分析比较模型也 相继提出。总的来说，现有模型仍存在某些缺陷和问题，比如算法复杂度高、具有退化 性、信息单一、知识表达能力较弱等。因此，提出计算上简单可行的、适用于较长序列 的数值刻画量，并将其扩展应用于生物信息学的其他领域，是几何表示模型的一个很有 发展前景的课题；将多个模型有效加权结合起来，开发混合模型，是提高模型提取序 列、结构所携带信息的一条有效途径。论文在蛋白质序列的图形表示、数值刻画、相似性 分析和进化树的构造等方面进行研究，主要研究内容和结果如下： (1) 基于氨基酸的几个重要理化性质，给出了一种蛋白质序列的3-D 图形表示，图形 坐标具有直接的生物学意义，能反映蛋白质的结构和功能信息。然后，引入了一种相适的 物理学概念，转换到一种新的矩阵表示，并运用混合模型的描述子方法对蛋白质序列进行 相似性比较。对9 个物种ND5 蛋白的相似性分析结果展示了方法的有效性。 (2) 提出了序列处理的片段分割法(SSM) 。对于特别长的蛋白质序列，通过给出某种 序列分割规则，将序列分割为若干子段序列，对应于图形中的多个图形片段，通过对分割 后的序列图形片段分析，整合得到原来序列的信息。以12 种杆状病毒的解旋酶蛋白为例， 运用SSM 比较、分析序列的差异性并构建进化树，结果与已知的进化信息一致。这种改 进后的方法计算复杂度仅为   。 O N (3) 依据氨基酸的6 种生物参数，分别将蛋白质序列简化为特征序列。统计序列元素 在特征序列中的分布情况，对应求出子串的‘实际分布’与‘理论分布’。相对熵作为计算理 论分布与实际分布的差异度量，将蛋白质序列转化为理化性质描述子向量。结果显示该方 法可以有效的应用于同源蛋白的聚类分析。 本文利用序列的图形表示给出蛋白质序列信息的一种离散度量方法，提出的模型涉及 了氨基酸的几种重要理化性质，兼顾了蛋白质局部特征与整体特征信息的提取，既考虑了 蛋白序列的氨基酸组成，也考虑了氨基酸的排列顺序。实验结果表明，方法具有数学模型 I 简单，计算复杂度低等优点。这种表示方法及其相似性分析对于蛋白质序列的分析和比较 是一种新的推动力，也可以为蛋白质信息分析和应用算法设计提供新的思路。 关键词：蛋白质序列；图形表示；惯性张量；SSM；相对熵；相似性分析；进化树 II Abstract With the advent of high-throughput sequencing techniques, more and more molecule sequence data have been generated in recent years. In the face of so much data information, computational science, mathematics and other subjects are under severe challengeshow to analyze, process and store them. The focus of biological study also has transitioned from data accumulation to the analysis