一种RNA-蛋白质结合区域预测方法.docVIP

精品论文 参考文献 一种RNA-蛋白质结合区域预测方法 1哈尔滨医科大学 生物信息科学与技术学院 黑龙江哈尔滨 150081；2哈尔滨工程大学 自动化学院 黑龙江哈尔滨 150080 【摘 要】为提高RNA-蛋白质结合区域预测的准确率，提出一种基于HMM的预测方法。在方法中主要考虑将结构因素考虑进来。应用RNA二级结构的信息与序列特征一起确定RNA-蛋白质结合区域，与现有的经典算法相比，取得了很好的预测效果。 【关键词】RNA-蛋白质 二级结构 隐马尔可夫模型 【中图分类号】Q752 【文献标识码】A 【文章编号】2096-0867（2016）13-232-01 RNA-蛋白质调控基因后转录过程中的多个关键过程。为研究RNA-蛋白质的调控功能，首要的是找出RNA-蛋白质结合区域的特征，确定它们在整个转录组范围内的结合模式。目前，生物信息学上研究RNA-蛋白质结合区域特性常用的方法主要有：或者基于搜索共有序列来确定某蛋白质对特定序列的偏好性，或者基于单个模体的位置权重矩阵的方法[1]。虽然这些方法也基于一系列的启发算法，但是通常是针对某些小数据集，而非全基因组优化预测，并且缺少对RNA结合蛋白质二级结构信息的考虑。大量的生物信息学研究表明，RNA的二级结构对于其与蛋白质的结合会有重要的影响。因此，在预测RNA-蛋白质结合区域时，有必要将RNA-蛋白质结合区域的结构特征考虑进来。Michael Miller等人于2006年首次提出将RNA的二级结构信息引入到RNA结合位点的预测中，但是他们的方法只能用于预测结合到单链RNA的蛋白质[2]。现有的生物信息学方法还不能很好的解决RNA二级结构对蛋白质结合模体预测的影响。因此，急需开发一个可以利用RNA-蛋白质序列和结构双重特性的预测方法。 1材料与方法 为提高预测的准确率，我们提出一种基于HMM的预测方法，对RNA-蛋白质的结合区域进行预测。在我们的方法中主要考虑将结构因素考虑进来。RNA二级结构的信息与序列特征一起确定RNA-蛋白质结合区域。主要分为以下几个步骤： 利用Mfold预测出RNA-蛋白质结合序列中每个碱基的最稳定的RNA折叠。 将结合了二级结构特征的RNA-蛋白质结合序列作为HMM的输入序列，预测效果最好(ROC曲线下面积AUC最大)的模体即为所求的结合区域。 1.1 RNA二级结构的预测 我们应用Vienna软件中基于最小自由能开发的Mfold包来预测每个结合位点附近序列最稳定的RNA折叠。对于序列中的每个核苷酸根据碱基配对原则，确定其位于二级结构的环内还是茎内，用含有结构信息的8字符核酸序列{（AS）,（AL），（GS），（GL），（CS），（CL），（US），（UL）}替换传统的4字符核酸序列{A,G,C,U}。然后利用它来对HMM模型进行训练。 1.2 基于HMM的RNA-蛋白质结合区域的预测 在本文所讨论的RNA-蛋白质结合区域预测的问题中，HMM各参数限定如下： 2 数据集 CLIP-seq实验所测SFRS1蛋白质的结合序列一般为50个碱基，但是RNA-蛋白质一般结合到2-10个碱基长的RNA序列上。这使得仅仅通过序列比对在基因组中找到的SFRS1位置，不能得到较为全面的结合区域的信息与特征的。通过CLIP-seq实验得到的SFRS1蛋白质在整个转录组中的结合序列，我们称作候选结合序列。我们根据这些候选结合序列所在基因组中的位置，从基因组中随机取相同长度的序列，并且确保这些序列中不含有SFRS1蛋白质结合的位置，我们称其为测试序列。我们应用由阳性序列和阴性序列构成的数据集来测试方法的效果。 3 结果与讨论 3.1SFRS1蛋白质结合模体预测的结果 应用HMM算法对SFRS1结合的模体进行预测，结果发现4096个源模体有99.6%为AGAAGA、AAGAAG和GAAGAA三个模体 (如表1所示)，而这三个模体中任何一个模体的序列向左或右移动一个碱基都转换成其它两个模体。这说明它们具有相同的核心序列。为进一步确定SFRS1结合的源模体，把增加模体的长度，取为7个碱基，这时得到两个模体AGAAGAA和GAAGAAG。我们继续增加模体长度至8个碱基，此时得到AGAAGAAG一个模体。对6个碱基的模体、7个碱基的模体和8个碱基的模体进行分析发现，这三个长度的模体之间具有高度的相似性，具有相同的核心序列AAGA，并且任意一个向两方移动都会转变成其他两个模体，这表明它