基于徑向基函數神經網絡的蛋白質微構象預測分析研究.pdf

1、徑向基函數神經網絡(RadialBasisFunctionNeuralNetworks，RBFNN)是一種模擬人腦局部調整、相互覆蓋接收的典型前饋神經網絡模型，與傳統(tǒng)神經網絡模型相比，具有更強的非線性映射和邊界區(qū)分能力，并且以其簡單的拓樸結構、快速的訓練算法和較好的推廣能力被廣泛應用于模式識別和函數逼近等領域。特別是在近二十年來，在解決諸如蛋白質結構預測(ProteinStructurePrediction)、殘基作用關系圖譜(Inte

2、r-residueContactMap)研究，以及殘基構象分布研究等領域發(fā)揮了重要的作用。本文主要針對徑向基函數神經網絡模型在蛋白質微構象(Micro-ConformationalStructure)預測與分析中的應用開展了較為系統(tǒng)和全面的研究，在介紹徑向基神經網絡的分類機理、結構優(yōu)化、參數選取等基本問題的基礎上，重點對徑向基函數神經網絡的蛋白質二級結構預測(SecondaryStructurePrediction)、殘基空間距離(In

3、ter-residueSpatialDistance)研究、殘基作用關系譜研究等蛋白質微構象分析方面進行了深入的探討。全文的要點為： 1、基于氨基酸構象信息和徑向基函數神經網絡的蛋白質二級結構預測：文中詳細介紹了蛋白質結構預測，特別是二級結構預測的現狀及各種方法的比較，然后重點研究了基于氨基酸構象偏性(ConformationProspensity)和徑向基函數神經網絡模型的蛋白質二級結構預測。在充分考慮各構象特征對蛋白質二級結

4、構貢獻程度的基礎上，利用蛋白質數據庫(ProteinDataBank，PDB)中已知結構蛋白的結構數據，對20種不同氨基酸殘基對不同類型二級結構的構象偏性進行了統(tǒng)計分析，并將其分別歸類為相應二級結構的支持子(Former)、中性子(Neutral)和斷裂子(Breaker)，同時還利用這些構象信息來重構氨基酸殘基的主特征向量，將原有的特征向量維數由22位增加到25位，然后再把該特征向量耦合到徑向基函數神經網絡的輸入編碼中去，較好地提高了

5、RBFNN模型在蛋白質二級結構中的預測精度。 2、蛋白質殘基空間距離預測研究：殘基空間距離作為蛋白質二級結構預測的一個重要模式特征，對有效提高RBFNN預測蛋白質結構的精度有著非常重要的作用。目前蛋白質結構預測的瓶頸在于：我們對蛋白質一級序列中的殘基間遠程(Long-Range)作用(或長程作用)的作用機理還不很清楚，對蛋白質折疊過程中的構象規(guī)律還沒有完全掌握。如在蛋白質折疊過程中，序列距離(SequenceSeparation

6、)相隔較遠的殘基對(ResiduePairwise)在三維空間中卻有可能相距較近，這說明該基對中的兩個殘基在蛋白質折疊過程中，可能存在著某種相互作用，從而影響著蛋白質結構的生成。為此我們利用徑向基函數神經網絡模型，來對蛋白質殘基空間距離進行預測，取得了較好的結果，為進一步把這些信息耦合到蛋白質結構預測的主特征向量中打下了基礎。 3、基于二進制編碼策略和RBFNN的殘基作用圖譜研究：殘基作用圖譜(ContactMap)實質上是殘基

7、空間距離研究的一個深化，也是蛋白質微構象研究的另一個重要內容，在蛋白質結構預測分析中具有重要的作用。如在RBFNN模型的輸入編碼中耦合上述構象信息，就有可能較好地提高蛋白質結構預測精度。本文重點研究了RBFNN在殘基作用譜預測中的應用研究，提出一個新的二進制編碼策略，分別用一個8位二進制串編碼可能的殘基對(PossiblePairwise)、4位二進制串來編碼殘基分類信息(ResidueClassication)、3位二進制串來編碼殘基

8、相應的二級結構信息(SecondaryStructure)、3位二進制串來編碼蛋白質序列長度(SequenceLength)、以及用一個2位二進制串來編碼殘基對的序列距離(SequenceSeparation)，同時還把上述的編碼信息耦合到徑向基神經網絡的輸入編碼中，并結合遺傳算法優(yōu)化RBFNN模型進行殘基作用圖譜預測研究。 4、深入研究了徑向基函數神經網絡的結構優(yōu)化和參數選取問題，在傳統(tǒng)的K-均值和最小二乘算法的結構優(yōu)化基礎上