轉(zhuǎn)錄因子結(jié)合位點和動物毒素的分析與預測.pdf

1、轉(zhuǎn)錄因子結(jié)合位點的識別是闡明基因轉(zhuǎn)錄調(diào)控機制的重要環(huán)節(jié)，準確的轉(zhuǎn)錄因子結(jié)合位點的預測算法將有助于人們識別轉(zhuǎn)錄因子的目標基因，進而研究其在上游調(diào)控區(qū)中的位置對轉(zhuǎn)錄調(diào)控的影響。然而，目前存在的預測轉(zhuǎn)錄因子結(jié)合位點的算法所得結(jié)果的特異性普遍較低，因此有必要提出一種新的有效的理論預測算法。動物毒素能直接作用于藥物作用靶點，這使得動物毒素成為研究藥物靶點的重要工具。動物毒素還在離子通道的研究、藥物發(fā)現(xiàn)和殺蟲劑的合成方面有廣泛的應用。因此，預測動物

2、毒素就變得非常重要，有必要提出一種能準確鑒別動物毒素的理論算法。
　　 本文以轉(zhuǎn)錄因子結(jié)合位點、動物毒素、神經(jīng)毒素、細胞毒素、突觸前神經(jīng)毒素和突觸后神經(jīng)毒素作為研究對象，利用位置關(guān)聯(lián)性打分方程（positioncorrelationscoringfunction，PCSF）、離散增量（incrementofdiversity，ID）、支持向量機（SupportVectorMachine，SVM）和樸素貝葉斯分類器（NaiveBa

3、yesClassifier，NB）四類算法對它們進行了預測研究。本文的研究工作如下：
　　 首先，從轉(zhuǎn)錄因子結(jié)合位點數(shù)據(jù)庫JASPAR選出8種實驗上證實的沒有冗余的轉(zhuǎn)錄因子結(jié)合位點數(shù)據(jù)，結(jié)合位置保守性和偽計數(shù)，構(gòu)建了位置關(guān)聯(lián)方程，通過定義位置關(guān)聯(lián)性打分方程的最佳閾值，使得打分方程在此最佳閾值下所得結(jié)果的假陽率較低。同時為了比較打分方程在轉(zhuǎn)錄因子結(jié)合位點方面的預測能力，本文將打分方程與MATCHTM中所使用的位置權(quán)重矩陣進行了比較

4、，結(jié)果顯示打分方程的預測能力優(yōu)于位置權(quán)重矩陣的預測能力。
　　 其次，從動物毒素數(shù)據(jù)庫ATDB下載了全部的動物毒素，用Saha和Raghava工作中提供的非毒素的蛋白質(zhì)序列作為負集，利用PISCES軟件對動物毒素和非毒素進行序列相似性比對，構(gòu)建了序列相似小于25％、40％、60％、80％和90％的數(shù)據(jù)集合。分別選取20種氨基酸組分、400種二肽組分、6種親疏水組分、36種二肽親疏水組分作為離散增量算法的參數(shù)，對不同序列相似性的動

5、物毒素數(shù)據(jù)集進行了預測。結(jié)果表明：離散增量算法在以二肽組分作為參數(shù)時預測結(jié)果最好；5種不同序列相似性的動物毒素數(shù)據(jù)集的預測結(jié)果隨序列相似性變化較小。為了進一步提高動物毒素的預測精度，本文對4種不同的離散增量值進行組合并作為支持向量機的輸入?yún)?shù)，對動物毒素進行了預測，結(jié)果顯示：支持向量機的預測結(jié)果優(yōu)于離散增量算法的預測結(jié)果。同時本文還對神經(jīng)毒素和細胞毒素進行了預測。此外，為了將支持向量機和其它的預測算法進行比較，這里將支持向量機應用到Sa

6、ha和Raghava構(gòu)建的神經(jīng)毒素的數(shù)據(jù)庫上，預測結(jié)果顯示：本文所使用的支持向量機的預測結(jié)果優(yōu)于Saha和Raghava所提出的算法取得的預測結(jié)果。
　　 最后，本文從Swiss-Prot數(shù)據(jù)庫上下載了突觸前和突觸后神經(jīng)毒素的蛋白質(zhì)序列，參照數(shù)據(jù)庫給出的注釋信息，統(tǒng)計了突觸前和突觸后神經(jīng)毒素的二硫鍵類型及其二硫鍵數(shù)目的分布。從ATDB和Swiss-Prot數(shù)據(jù)庫上下載了突觸前和突觸后神經(jīng)毒素的蛋白質(zhì)序列，分別構(gòu)建了序列相似性小于

7、80％的數(shù)據(jù)集1和數(shù)據(jù)集2。本文采用了5種方法選取參數(shù)：（1）：蛋白質(zhì)序列的二肽參數(shù)；（2）：MRMR軟件提取的50個二肽參數(shù)；（3）：MEME搜索到的模體特征；（4）：Prosite搜索到的模體特征；（5）：Interpro搜索到的模體特征。本文還對這5種參數(shù)進行了組合，一共得到了12類參數(shù)，并將這12類參數(shù)作為離散增量和樸素貝葉斯分類器的參數(shù)，在Jackknife檢驗下，對數(shù)據(jù)集1和2進行預測。預測結(jié)果表明：（1）：增加模體參數(shù)的預