基于機器學習法的酶耐熱性影響因素的研究.pdf

1、耐熱酶之所以較常溫酶受到更多的關(guān)注，是因為它在高溫下比常溫酶有更多的功能，而且具有反應速度快、不易被雜菌污染等特點，不過它的難以培養(yǎng)、不易獲得恐怕是引起更多人興趣的原因。目前，它主要通過篩選耐熱微生物獲得，不過產(chǎn)酶量很低。盡管如此，耐熱酶仍然在食品釀造、醫(yī)藥、環(huán)境保護和金屬冶煉等領(lǐng)域得到了廣泛的應用。所以本文的出發(fā)點就是想通過機器學習的方法來研究耐熱酶耐熱的分子機制，了解蛋白質(zhì)的折疊過程，尋求通過蛋白質(zhì)工程手段提高常溫酶耐熱性的途徑。<

2、br>　　 本實驗首先比較了支持向量機(SVM)和人工神經(jīng)網(wǎng)絡(ANN)的優(yōu)缺點，而后決定使用SVM進行酶耐熱性的研究。因為氨基酸的組成是影響酶耐熱性的主要因素之一，所以以20種氨基酸所占比例作為特征向量，利用SVM預測酶的耐熱性。在比較了SVM中核函數(shù)的分類能力之后，最終選擇了分類能力最好的徑向基核函數(shù)(RBF)進行分類，其預測率為85.4%。隨后分別使用幾何方法、SVM-KNN和重復訓練三種參數(shù)優(yōu)化方法優(yōu)化SVM，得出的預測率分別

3、是88.2%、86.1%和86.1%，從預測率中可以看出幾何方法提升的幅度最大為2.8%。所以按預測率的高低選擇了幾何方法來優(yōu)化SVM分類器的參數(shù)。隨后以氨基酸極性的不同將氨基酸含量數(shù)據(jù)分為4類，并以其作為特征向量分別用原始的SVM和參數(shù)優(yōu)化過的SVM進行預測，分別得到的預測率為72.2%和76.4%，可以看出優(yōu)化過的SVM得出的預測率相比原始的提高4.2%。在基于二肽的酶耐熱性預測實驗中，以二肽為特征向量進行SVM的預測，預測率為71

4、.9%。在高級結(jié)構(gòu)的實驗中，分別以氫鍵、鹽橋、體積和溫度因素(b-factor)為特征向量進行SVM的預測，而得到了預測率分別是81.3%、88.9%、55.8%和59.0%。最后對環(huán)糊精葡萄糖基轉(zhuǎn)移酶(CGTase)進行突變，其目的是在保持其原有功能不變化的前提下，提高它在高溫環(huán)境下耐熱性。首先是統(tǒng)計出突變前后CGTase的鹽橋數(shù)目，而后利用在高級結(jié)構(gòu)中的鹽橋數(shù)據(jù)作為訓練集，突變前后CGTase的鹽橋數(shù)據(jù)和隨機抽取的部分鹽橋數(shù)據(jù)作為測