基于优化特征参量的蛋白质βαβ模体识别分析.docxVIP

基于优化特征参量的蛋白质βαβ模体识别分析 本研究构建了2个数据集：一是来自1 423个相似性小于33%的蛋白质的1 459个βαβ模体和2 419个非βαβ模体；二是来自256个相似性小于25%的蛋白质的310个βαβ模体和480个非βαβ模体。通过分析模体中各二级结构单元的分布情况，确定了固定序列模式长为33个氨基酸残基，运用了一种基于优化特征参量的离散信息算法，识别了βαβ模体，取得了良好的效果。 1材料与方法 1.1数据 构建合理的数据集是蛋白质模体预测的关键，本研究中使用DSSP（definition of secondary structure of proteins）数据库和*****F软件来构建βαβ数据集，这是目前广泛应用的获得蛋白质特殊结构模体的方法。数据来自EVA（这是一种连续的、自动化、大规模的工作方式进行蛋白质结构预测算法评估的Web服务器http：//b.uam.es/eva/）。从中选取了1 423个相似性小于33%、分辨率高于2.5的蛋白质作为数据集1（set1）和256个相似性小于25%、分辨率高于3.0的蛋白质作为数据集2（set2）。选取的蛋白质需要满足：（1）每个蛋白质序列中至少包含一个βαβ模体；（2）剔除含有不规则氨基酸的模体。序列及其对应的二级结构信息按DSSP库确定，文中在使用时将二级结构分为3类：H、I、G归为α螺旋，用H表示；E归为β折叠；其他都归为无规卷曲，用C表示。对set1，获得二级结构为ECHCE模式的片断为 3 878个，利用*****F软件分析获得βαβ模体片段为1 622个，其中与ECHCE模式相匹配的1 459个片断确认为βαβ，其余2 419个确认为非βαβ；对set2，获得的二级结构为ECHCE模式的片断为790个，利用*****F获得与ECHCE模式相匹配的310个确认为βαβ，其余480个确认为非βαβ。 1.2序列固定模式长的选取 复杂结构模体是由简单的二级结构连接而成，其二级结构单元的种类、连接肽的长度等信息影响着复杂结构模体的形成及功能。因此有必要对2个数据集的βαβ模体序列片段长、组成单元β折叠长、连接肽loop长和α螺旋长进行统计，结果如表1和表2。 从表1和表2的数据看出，2个数据集中各二级结构单元的分布情况基本一致，2个数据集的模体平均长分别为33、31个氨基酸残基左右，左右两端β折叠长为5个氨基酸左右，α螺旋长为10个氨基酸左右，这也说明了二级结构单元在βαβ模体中分布的特定性。因此，选取适合的序列信息是预测的关键步骤，根据2个数据集中序列的平均长度，为使得表1set1二级结构单元长度统计 预测过程中信息更好的进入序列，确定固定序列长为33个氨基酸残基。参照文献、和识别β发夹的思想，对βαβ模体进行以下3种截取方式，得到B00型、N05型和C29型。其具体截取方法为： （1）以模体对应的二级结构CHC为中央位置对齐（B00型）：当序列对应的二级结构CHC为奇数时，序列对应二级结构CHC的左端和右端取相同个数的残基；当序列对应的二级结构CHC为偶数时，序列对应二级结构CHC的左侧比右侧多取一个氨基酸残基。 （2）以序列左端loop的起始位点作为序列的第5位点，选取序列（N05）。 （3）以序列右端loop的终止位点作为序列的第29位点，选取序列（C29）。 选取过程中，若序列长不足33个氨基酸残基时，添加空位补齐。截取示意图如图1。 同时，为考察模体序列中氨基酸的保守性，计算了位点信息矢量，Ci定义如下： Ci=100lgl（∑lj=1Pijlgpij+lgl）。 如果某一位点是完全保守的，可计算该位点Ci的值为100；如果该位点的氨基酸是随机分布的，同样可计算Ci的值为0。因此Ci取值在[0，100]之间。Ci的值在各自的取值区域内越高表明该位点的保守性越强。对set1的βαβ 3种取法对应序列位点的保守性计算结果如图2、图3、图4。 型左端氨基酸的保守性好于右端，这2种取法综合起来与B00型的保守性结果一致。因此本研究以位点氨基酸为参量来预测βαβ模体。 1.3计算方法 离散量是对离散性的度量，是信息系数之一，生物多样性指标和生物的关联性分析等都需要引入离散量。它是一种较好的模式识别分类器，离散量和离散增量定义如下： 定义1：对于s个信息符号的状态空间X，ni表示第i状态出现的个数，离散源X：[n1，n2，…，ns]的离散量为： D（X）=D（n1，n2，…，ns）=NlogbN-∑si=1nilogbni。（1） 定义2：对于2个离散源X：[n1，n2，…，ns]和Y