若干蛋白質(zhì)種類鑒別的多標記預(yù)測問題研究.pdf

1、蛋白質(zhì)是一切生命運動的物質(zhì)基礎(chǔ),針對蛋白質(zhì)的研究不僅是傳統(tǒng)生物學(xué)重要內(nèi)容,而且也是生物信息學(xué)的核心研究內(nèi)容。由于蛋白質(zhì)的種類多種多樣,其執(zhí)行的任務(wù)復(fù)雜而繁多,因此針對蛋白質(zhì)的功能研究是一項十分困難卻意義重大的任務(wù)。本文在系統(tǒng)的研究了前人的工作基礎(chǔ)之上,對幾類重要蛋白質(zhì)的分類問題做了進一步的拓展和深化。
　　蛋白質(zhì)亞細胞定位的預(yù)測是近年來備受關(guān)注、意義重大的研究方向。本文第二章的研究圍繞這一領(lǐng)域展開。文獻中大部分蛋白質(zhì)亞細胞定位預(yù)測

2、算法只能處理一個蛋白僅屬于一個亞細胞位置的情況。但是,一些蛋白可能屬于兩個甚至更多的亞細胞位置。開發(fā)能夠預(yù)測多標記蛋白的計算工具非常重要,因為這些蛋白往往擁有特殊的生物學(xué)意義,在基礎(chǔ)生物學(xué)研究和藥物發(fā)現(xiàn)方面尤為如此?？紤]到目前的情況下,針對多標記蛋白預(yù)測的研究還非常有限,研究使用一些新的方法,用以研究蛋白的多標記問題是非常有價值的。鑒于不同的特征提取方法、不同的預(yù)測算法應(yīng)用到不同的基準數(shù)據(jù)集會產(chǎn)生結(jié)果迥異的預(yù)測效果。本章使用了兩個不同的

3、特征提取方法和兩個不同的神經(jīng)網(wǎng)絡(luò)搭配組合成多種預(yù)測模型,并將它們應(yīng)用到革蘭氏陽性細菌蛋白質(zhì),植物蛋白質(zhì)和病毒蛋白這三個不同種類的基準數(shù)據(jù)集。這些基準數(shù)據(jù)集具有不同數(shù)量的蛋白質(zhì)樣本以及蛋白質(zhì)亞細胞位置且規(guī)模較小。測試結(jié)果表明,無論選擇哪種類型的特征提取方法,在這些基準數(shù)據(jù)集上,RBF神經(jīng)網(wǎng)絡(luò)較之BP神經(jīng)網(wǎng)絡(luò)都表現(xiàn)出了明顯的優(yōu)勢。針對數(shù)據(jù)規(guī)模較大的多標記數(shù)據(jù)集的預(yù)測問題。本章節(jié)進一步使用多標記KNN(K-Nearest Neighbors)

4、算法取代BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測算法,與RBF神經(jīng)網(wǎng)絡(luò)一起參與預(yù)測。本章同樣將這兩個預(yù)測算法與兩種不同的特征提取方法組合成多個預(yù)測模型,并將它們應(yīng)用到人類蛋白質(zhì),真核蛋白質(zhì)和革蘭陰性細菌蛋白質(zhì)這三個不同種類的基準數(shù)據(jù)集上。這些基準數(shù)據(jù)集規(guī)模較大,包含的子類更多且所含的數(shù)據(jù)量各不相同。應(yīng)用結(jié)果表明,總體來說,多標記KNN算法和RBF算法取得了較為接近的預(yù)測結(jié)果,有些組合在某個數(shù)據(jù)集上有自己的優(yōu)勢?？偟膩碚f,預(yù)測組合(PSSM+RBF)表現(xiàn)出了

5、最佳的預(yù)測效果。
　　膜蛋白的類型預(yù)測同樣是一個有意義的研究課題,因為這種信息能夠非常有效的解釋膜蛋白的功能和作用。近年來,膜蛋白質(zhì)序列的生成數(shù)量呈現(xiàn)爆炸式增長的趨勢,急需發(fā)展有效的計算工具,以快速、準確地預(yù)測給定的蛋白質(zhì)序列的膜類型。目前已經(jīng)開發(fā)出幾種針對膜蛋白的預(yù)測器,但是這些預(yù)測器只能處理一個蛋白對應(yīng)單個膜類型的情況。而事實是,存在有屬于兩個或多于兩種類型的膜蛋白。為了解決這個問題,本文第三章提出了能夠處理一個蛋白同時對應(yīng)多

6、個膜蛋白類型的預(yù)測模型并取得了較為理想的初步預(yù)測結(jié)果。
　　給定一個特定的蛋白,了解其屬于哪一種四級結(jié)構(gòu)類型非常重要,因為此類信息與它的功能是高度相關(guān)的?，F(xiàn)有蛋白質(zhì)四級結(jié)構(gòu)類型一系列預(yù)測方法已被提出,這些方法均只專注于一個蛋白對應(yīng)與單個四級結(jié)構(gòu)的情況。但根據(jù)國際標準蛋白質(zhì)數(shù)據(jù)庫的注釋,一個蛋白對應(yīng)于多個四級結(jié)構(gòu)類型的現(xiàn)象廣泛存在。因此,開發(fā)新的計算工具可以處理蛋白四級結(jié)構(gòu)中存在的多標記樣本一個有意義的任務(wù)。有鑒于此,本文第四章提出

7、一個新的基于多標記預(yù)測的計算模型用以處理此類問題,它采用偽氨基酸成分和ET-KNN算法相結(jié)合的方法構(gòu)建而成。本文的研究結(jié)果表明,這個模型是預(yù)測此類問題的有力工具。
　　本文第五章則主要嘗試解決蛋白質(zhì)亞-亞細胞層面上的多標記問題。蛋白質(zhì)亞-亞細胞功能定位是研究蛋白質(zhì)功能的進一步細化。其著眼點是,在蛋白質(zhì)亞細胞功能定位的基礎(chǔ)之上,研究這些細胞器繼續(xù)被細分為若干個功能區(qū)的問題,這一領(lǐng)域的研究對象目前主要集中在線粒體、葉綠體以及細胞核上。

8、盡管針對每一個種類的細胞器數(shù)據(jù)集,已經(jīng)有好幾種方法來預(yù)測亞細胞器功能區(qū)位置(蛋白質(zhì)亞-亞細胞功能定位),但它們只能處理一個蛋白屬于單個亞細胞器功能區(qū)的情況。但是,本文研究表明,上述任意一個細胞器數(shù)據(jù)集中,存在一個蛋白同時處于一個以上亞細胞器功能區(qū)的情況.遺憾的是,該現(xiàn)象尚未得到足夠的重視,目前尚未見有致力于研究亞細胞器功能區(qū)多標記預(yù)測問題的報道,而研究此類現(xiàn)象對于進一步深化蛋白質(zhì)功能的認識,具有重要的意義。因此,考慮如何將處理蛋白質(zhì)對應(yīng)

9、于多個亞細胞功能區(qū)的預(yù)測問題包含進來而不是將擁有多標記屬性的蛋白質(zhì)剔除出數(shù)據(jù)集是一項有意義并且富有挑戰(zhàn)性任務(wù)。本文基于此,針對每一個細胞器,建立了若干個同源性程度不同的數(shù)據(jù)集,并根據(jù)這些數(shù)據(jù)集的規(guī)模和復(fù)雜程度,選定幾種多標記系統(tǒng)預(yù)測數(shù)據(jù)集中各個蛋白所屬的功能區(qū)位置,這些預(yù)測系統(tǒng)基于幾種不同的特征提取方式和預(yù)測算法組合構(gòu)建而成。這是在該領(lǐng)域內(nèi),研究處理蛋白質(zhì)的多標記歸屬的初步嘗試,并取得了一系列有價值的結(jié)果。如在三個同源性程度不同的葉綠體

10、數(shù)據(jù)集上,最佳預(yù)測組合(功能分類)所得到的整體杰克刀成功率分別為89.08％、81.29%和71.11%。預(yù)測模型的結(jié)果表明,本文所建立的預(yù)測模型能夠有效的處理蛋白質(zhì)亞-亞細胞功能定位中存在的多標記問題,可以作為輔助工具用于亞細胞器功能區(qū)多標記定位預(yù)測。
　　大多數(shù)針對蛋白質(zhì)的預(yù)測研究一般總是基于單個特定的數(shù)據(jù)集使用一定的模型或算法。考慮到后基因組時代的數(shù)據(jù)規(guī)模以及生成的數(shù)據(jù)的速度,這種類型的研究顯示出一定的低效性,因為它們無法針