离散量方法应用于蛋白质β发夹模体识别研究.docVIP

离散量方法应用于蛋白质β发夹模体识别研究 　　摘要：基于氨基酸一级序列，应用离散增量的方法识别ArchDB数据库中的6 100个β发夹模体和2 701个非β发夹模体。模体按照二级结构中无规卷曲的长进行分类得到“07232”、“07322”、“09432”、“09522”、“13643”、“13733”、“13832”、“13922”型。以氨基酸和氨基酸紧邻关联为参量，利用10-fold交叉检验的方法进行检验，平均识别精度均达到75.0%和83.0%以上。以氨基酸亲疏水性和亲疏水紧邻关联为参量进行检验，平均识别精度有所降低。 　　关键词：β发夹模体；离散增量；离散量 　　中图分类号：Q51 文献标识码：A 文章编号：0439-8114（2013）23-5898-04 　　目前测定蛋白质空间结构不但需要较多的经费，而且周期较长，使得已知结构的蛋白质数量难以适应急剧增加的蛋白质序列数量。如何从这些已有的蛋白质序列的数据出发，用理论的方法预测蛋白质的结构和功能，已成为生物学领域的一个重要目标。超二级结构预测是三级结构预测的关键一步，近年来，对这方面的研究进一步深入。Sun等[1]利用统计的方法对240个蛋白质进行了研究，得到了常见的11种蛋白质超二级结构形式。研究者利用人工神经网络法、得分法、支持向量机法、矩阵打分法对β发夹进行了研究[2-6]。一系列的研究表明，超二级结构预测主要针对全部超二级结构类型和特殊结构模体β发夹的预测。β发夹是1个简单的超二级结构类型，广泛存在于球蛋白结构中。若1个连接多肽（loop）连接2个折叠（Strand），而且2个折叠之间有一个或多个氢键，称此模体为β发夹。 　　本研究选取序列相似性低于40%的3 088个蛋白质，应用无需记忆的统计方法——离散增量法对β发夹模体和非β发夹模体进行了识别，以期为蛋白质结构预测提供参考。 　　1 数据和方法 　　1.1 数据 　　本研究使用的数据来自ArchDB（http：//sbi.imim.es/cgi-bin/archdb/loops.pl）数据库中ArchDB40子库，包含序列相似性低于40%的3 088个蛋白质，按照二级结构中无规卷曲（Coil）的长进行统计，得到β发夹模体6 100个，非β发夹模体2 701个。由于每个模体序列的长度有所差别，为保证计算过程中氨基酸结构信息更好的进入序列，对每个模体按照不同的???规卷曲长分别选取了不同的固定序列模式长来进行计算。选取了“07232”、“07322”、“09432”、“09522”、“13643”、“13733”、“13832”、“13922”型序列模式。每种序列模式的前两位数代表所选取的模体的固定序列长，第三个数字代表模体与二级结构无规卷曲相对应选取的连续氨基酸残基数，第四、五个数字代表模体与无规卷曲相对应的N、C端所选取的连续氨基酸残基数。如“07232”型中的“07”代表序列固定模式长为7，数字“2”代表模体对应的无规卷曲长为2，数字“3、2”代表模体与无规卷曲相对应的N端、C端相连接部分所选取的连续氨基酸残基数。序列模式的选取分以下3步（计每种序列模式为“XYZMN”）： 　　1）无规卷曲长Z为奇数时，则无规卷曲N端、C端各取连续的氨基酸残基数均为（XY-Z）/2。 　　2）无规卷曲长Z为偶数时，则无规卷曲N端、C端各取连续的氨基酸残基数分别为（XY-Z+1）/2和（XY-Z-1）/2。 　　3）无规卷曲N端、C端连续的氨基酸残基数若不足时，以空位（*）代替缺少的残基（每个空位代替1个氨基酸残基）。 　　1.2 方法 　　2 结果与分析 　　2.1 以氨基酸和氨基酸紧邻关联为参量的预测结果 　　以氨基酸和氨基酸紧邻关联为参量，应用离散增量的方法进行计算，不同固定序列模式长的识别结果见表1和表2。 　　从表1和表2可知，以氨基酸为参量时，“07322”型的平均识别精度（Acc）比“07232”型低0.2个百分点；“09522”型的平均识别精度比“09432”型高6.3个百分点；“13922”型的平均识别精度比“13643”型高16.0个百分点。以氨基酸紧邻关联为参量时，“07322”型的平均识别精度比“07232”型高14.0个百分点；“09522”型的平均识别精度比“09432”型高2.2个百分点；“13922”型的平均识别精度比“13643”型高6.4个百分点。这说明与无规卷曲的N端和C端相连接的2个氨基酸残基具有重要的结构信息和较好的保守性，能准确提供结构预测所需信息，同时反映出固定序列模式长的选择与识别精度密切相关。比较表1和表2的识别结果，以氨基酸为参量的识别结果达到75.0%以上，相关系数达到0.40以上；以氨基酸紧邻关联为参量的识别结果达到83.0%以上，相