基于序列顺序信息的DNA结合蛋白识别与远程同源性检测-计算机科学与技术专业论文.docxVIP

Classified Index: TP391.4 U.D.C: 621.3 Dissertation for the Master Degree in Engineering DNA-BINDING PROTEIN IDENTIFICATION AND REMOTE HOMOLOGY DETECTION BASED ON SEQUENCE-ORDER INFORMATION Candidate： Jinghao Xu Supervisor： Assistant Prof. Bin Liu Academic Degree Applied for： Master Degree in Engineering Speciality： Computer Technology Affiliation： Shenzhen Graduate School Date of Defence： Dec, 2014 Degree-Conferring-Institution： Harbin Institute of Technology 哈尔滨工业大学工学硕士学位论文 哈尔滨工业大学工学硕士学位论文 摘 要 随着生物测序技术的研究不断深入，蛋白质序列数据呈爆炸性的增长，然 而与之相比，蛋白质功能和结构数据增长缓慢。因此有必要利用蛋白质的一级 结构预测蛋白质的功能和结构。本文对蛋白质功能和结构预测领域中的两个重 要问题进行了深入的研究，包括 DNA 结合蛋白识别和蛋白质远程同源性检测。 本文研究的切入点为探索提取和利用蛋白质序列信息，并将这些信息用于构建 预测模型。本文通过结合机器学习方法、自然语言处理技术和蛋白质序列特征 提取策略对上述两个问题进行了深入的研究，具体研究内容如下： 第一，DNA 结合蛋白识别是蛋白质功能预测领域中的一个重要问题。针对 这个问题，本文提出两种预测方法 PseDNA-Pro 和 iDNA-Prot|dis。本文首次把 伪氨基酸组成（Pseudo Amino Acid Composition，PseAAC）应用到这个领域， 并针对伪氨基酸组成的不足，提出改进的方案，进而提出了一种新的预测方法 PseDNA-Pro。此外，该方法使用了另外两种蛋白质序列特征：全局氨基酸组成 和氨基酸物理化学距离转换。通过采用这三种特征提取方法，将蛋白质转化为 特征向量，之后采用支持向量机（Support Vector Machine，SVM）构建分类器 识别 DNA 结合蛋白。在两个数据集上的结果显示，PseDNA-Pro 预测准确率分 别为 80.05%和 83.33%，优于其他对比实验方法。虽然 PseDNA-Pro 方法取得了 一定的成功，然而由于伪氨基酸组成忽略了不同氨基酸对的特性，导致该方法 对蛋白质序列信息表达不足。针对这个问题，本文提出一种基于氨基酸距离对 的预测方法 iDNA-Prot|dis。为了进一步提高其预测精度与运行效率，本文采用 缩减字母表策略将具有相似性质的氨基酸合并为一类，进而显著降低了特征空 间的维数。实验结果显示，iDNA-Prot|dis 在预测精度与计算代价方面都优于其 他对比实验方法。此外，通过分析 SVM 训练模型中不同特征的权重，表明本 文提出的方法可以有效提取蛋白质序列特征。 第二，蛋白质远程同源性检测是蛋白质结构和功能研究的基础。本文提出 了两种可以有效包含蛋白质序列顺序信息的蛋白质远程同源性检测方法： SVM-DR(DT)和 disPseAAC。iDNA-Prot|dis 方法表明氨基酸距离对可以有效包 含序列的位置信息，本文尝试将该策略用于蛋白质远程同源性检测中，并提出 了 SVM-DR(DT)方法。该方法通过距离对将蛋白质转化为固定长度的向量。然 后结合 SVM 用于预测蛋白质，采用包含进化信息的蛋白质组份 Top-n-gram 替 换氨基酸使该方法的预测效果得到进一步的提高，实验结果表明该方法的 ROC - I - - - II - 指标为 0.948 和 0.919，优于其他对比实验方法。通过分析 SVM 训练模型，本 文发现距离对的权重与其长度呈反比，因此说明距离较近的氨基酸对对于蛋白 质远程同源性检测更加重要，这与蛋白质家族的二级结构特征相吻合。伪氨基 酸组成利用了氨基酸理化属性，距离对则包含了远距离氨基酸对的位置信息。 为了结合两者的优点，本文提出一种改进的伪氨基酸组成：距离对伪氨基酸组 成（distance-pair Pseudo Amino Acid Composition，disPseAAC），并将该特征用 于蛋白质远程同源性检测。距离对伪氨基酸组成既包含氨基酸的位置信息，还 利用了氨基酸的物理化学属性。disPseAAC 通过采用主成分分析（Principal Comp