一種高效的蛋白質(zhì)同源建模缺失值填充方法.pdf

1、蛋白質(zhì)分子通常由幾百、幾千個氨基酸組成，完全表達它的結(jié)構(gòu)，需要6N維的空間，其中N是原子數(shù)。這是一個維數(shù)極其巨大的高維空間，很難利用它來處理問題，對某些問題甚至是不可行。但是由同一個祖先演化而來的同一家族中的不同蛋白質(zhì)，由于遺傳信息的保守性，會在進化過程中保留下來，在結(jié)構(gòu)上的體現(xiàn)就是，這些蛋白質(zhì)某些部分會有非常相似的三維結(jié)構(gòu)，我們通常稱之為保守區(qū)域。保守區(qū)域的結(jié)構(gòu)可以利用PCA等方法來處理，根據(jù)研究問題需要的精度，降低空間的維數(shù)，從而達

2、到簡化研究問題的復雜性。
　　 應用PCA方法來處理蛋白質(zhì)問題的時候，首先是要對同一個家族的蛋白質(zhì)分子進行多序列比對;然后按照離散程度，來判斷保守區(qū)域;對保守區(qū)域的結(jié)構(gòu)進行PCA計算，獲取保守區(qū)域結(jié)構(gòu)，非保守區(qū)域部分需要另外考慮。通常來說，保守區(qū)域可以利用遺傳信息，在處理很多問題的時候，比非保守區(qū)域要容易，所以我們在進行PCA計算的時候，希望包含進來的保守區(qū)域盡可能的大。但是在非保守區(qū)域中還是有些包含少量空位的位置，盡管序列和結(jié)

3、構(gòu)的保守性不如保守區(qū)域的保守性強，但是仍然包含很多的遺傳信息。如果我們能夠把空位的地方填上合適的數(shù)值，就可以像保守區(qū)域一樣利用PCA方法來處理。對這些空位數(shù)值的填充，就是所謂的缺失值問題。在處理缺失值問題的時候，很多軟件在不影響樣本集的情況下直接刪除或者忽略缺失值、甚至是使用0值來進行填充。一般來說，忽略缺失值對于樣本數(shù)量很龐大的樣本集影響不大，但是對于生物學上的蛋白質(zhì)分子就會帶來很大的不足與缺陷，這樣的處理沒有充分利用生物數(shù)據(jù)集所蘊含