蛋白質結構預測模型的研究.pdf

1、目的： 本論文的研究目的是提出和實施了以下兩個思路，提高預測蛋白質結構的準確率和效率： 1.在應用3-狀態(tài)隱馬爾可夫模型(HiddenMarkovModel，HMM)預測蛋白質二級結構的基礎上，提出和建立了7-狀態(tài)和15-狀態(tài)的優(yōu)化HMM；進而提出通過序列譜的HMM(sequence-profile-basedHMM)將優(yōu)化的HMM與BP神經(jīng)網(wǎng)絡(BackPropagationNeuralNetwork，BPNN)相

2、結合的預測方法，提高蛋白質二級結構預測的準確率。 2.綜合蛋白質二級結構信息和蛋白質同源序列信息，進行蛋白質折疊預測中的二硫鍵預測，減少蛋白質三維結構預測中的蛋白質構象的搜索空間，提高預測的效率。 方法： 應用優(yōu)化HMM的預測對象是從Cuff和Barton所建立的CB513數(shù)據(jù)集合中篩選出的492條已知蛋白質二級結構的蛋白質序列，共82272個氨基酸殘基。將其隨機分為7組，每組平均的α螺旋(H)，β折疊(E

3、)，無規(guī)卷曲(C)分布分別為35％，23％和42％。分別應用7-狀態(tài)和15-狀態(tài)HMM以及BPNN-HMM混合模型，對以上的蛋白質序列進行二級結構預測，對預測的準確率進行7-交叉驗證，并將各類方法的預測結果進行分析和比較。 二硫鍵預測研究的對象是從SWISS-PROT數(shù)據(jù)庫中篩選的252條蛋白質序列，選取的每條蛋白質序列鏈內含有的二硫鍵個數(shù)至少為2個，至多為5個。首先對數(shù)據(jù)集中形成二硫鍵的半胱氨酸以及周圍的局部氨基酸殘基，在蛋

4、白質二級結構形成的使用偏性進行統(tǒng)計分析，進而綜合蛋白質二級結構信息和蛋白質序列的位置特異性得分矩陣(Position-SpecificScoringMatrix，PSSM)，共同作為預測模型的輸入編碼進行二硫鍵配對連接的預測，然后對預測準確率進行4-交叉驗證，并將預測結果進行分析和比較。 結果： 應用7-狀態(tài)HMM，在492條蛋白質序列上的7-交叉驗證結果中，預測的整體準確率Q3比應用3-狀態(tài)HMM提高了3.11％，

5、三態(tài)片斷重疊準確率SOV提高了6.15％，三態(tài)各自準確率中的QE提高明顯，為6.49％；應用15-狀態(tài)HMM，整體準確率Q3比應用7-狀態(tài)HMM提高了0.18％，SOV準確率提高了1.8％，三態(tài)各自準確率中的QE提高了5.74％；在15-狀態(tài)HMM基礎上加入序列的同源信息后，Q3準確率比單序列15-狀態(tài)HMM提高了8.36％，SOV準確率提高了8.2％，三態(tài)各自準確率QH，QE，Qc分別提高了10.8％，15.8％，3.9％。

6、 應用15-狀態(tài)HMM與BPNN相結合的混合模型，預測的整體準確率Q3比典型的兩個BPNN的串聯(lián)模型提高了1.11％，SOV準確率提高了1.69％，三態(tài)各自準確率QH，QE，QC分別提高了1.3％，1.02％，4.6％。 二硫鍵配對連接的預測中，在相同BPNN結構下(窗口寬度=15，隱含層個數(shù)=50)，252條蛋白質序列上的4-交叉驗證結果中，加入蛋白質二級結構信息后的預測敏感性Sn比未加入蛋白質二級結構信息前提高了3.06％

7、，特異性Sp提高了0.69％，相關系數(shù)Mcc提高0.041，總體二硫鍵配對預測準確率Qc提高了1.1％，總體蛋白質預測準確率Qp提高了2.78％。 結論： 1.7-狀態(tài)HMM預測蛋白質二級結構的性能優(yōu)于3-狀態(tài)HMM，15-狀態(tài)HMM總體預測性能和7-狀態(tài)HMM相當，但對β折疊預測能力好；在15-狀態(tài)HMM基礎上加入序列同源信息后，預測性能更好。 2.應用BPNN和HMM的混合模型預測蛋白質二級結構，比典型