若干蛋白質(zhì)種類鑒別的多標記預測問題研究.pdf

1、蛋白質(zhì)是一切生命運動的物質(zhì)基礎,針對蛋白質(zhì)的研究不僅是傳統(tǒng)生物學重要內(nèi)容,而且也是生物信息學的核心研究內(nèi)容。由于蛋白質(zhì)的種類多種多樣,其執(zhí)行的任務復雜而繁多,因此針對蛋白質(zhì)的功能研究是一項十分困難卻意義重大的任務。本文在系統(tǒng)的研究了前人的工作基礎之上,對幾類重要蛋白質(zhì)的分類問題做了進一步的拓展和深化。
　　蛋白質(zhì)亞細胞定位的預測是近年來備受關注、意義重大的研究方向。本文第二章的研究圍繞這一領域展開。文獻中大部分蛋白質(zhì)亞細胞定位預測

2、算法只能處理一個蛋白僅屬于一個亞細胞位置的情況。但是,一些蛋白可能屬于兩個甚至更多的亞細胞位置。開發(fā)能夠預測多標記蛋白的計算工具非常重要,因為這些蛋白往往擁有特殊的生物學意義,在基礎生物學研究和藥物發(fā)現(xiàn)方面尤為如此?？紤]到目前的情況下,針對多標記蛋白預測的研究還非常有限,研究使用一些新的方法,用以研究蛋白的多標記問題是非常有價值的。鑒于不同的特征提取方法、不同的預測算法應用到不同的基準數(shù)據(jù)集會產(chǎn)生結果迥異的預測效果。本章使用了兩個不同的

3、特征提取方法和兩個不同的神經(jīng)網(wǎng)絡搭配組合成多種預測模型,并將它們應用到革蘭氏陽性細菌蛋白質(zhì),植物蛋白質(zhì)和病毒蛋白這三個不同種類的基準數(shù)據(jù)集。這些基準數(shù)據(jù)集具有不同數(shù)量的蛋白質(zhì)樣本以及蛋白質(zhì)亞細胞位置且規(guī)模較小。測試結果表明,無論選擇哪種類型的特征提取方法,在這些基準數(shù)據(jù)集上,RBF神經(jīng)網(wǎng)絡較之BP神經(jīng)網(wǎng)絡都表現(xiàn)出了明顯的優(yōu)勢。針對數(shù)據(jù)規(guī)模較大的多標記數(shù)據(jù)集的預測問題。本章節(jié)進一步使用多標記KNN(K-Nearest Neighbors)

4、算法取代BP神經(jīng)網(wǎng)絡作為預測算法,與RBF神經(jīng)網(wǎng)絡一起參與預測。本章同樣將這兩個預測算法與兩種不同的特征提取方法組合成多個預測模型,并將它們應用到人類蛋白質(zhì),真核蛋白質(zhì)和革蘭陰性細菌蛋白質(zhì)這三個不同種類的基準數(shù)據(jù)集上。這些基準數(shù)據(jù)集規(guī)模較大,包含的子類更多且所含的數(shù)據(jù)量各不相同。應用結果表明,總體來說,多標記KNN算法和RBF算法取得了較為接近的預測結果,有些組合在某個數(shù)據(jù)集上有自己的優(yōu)勢。總的來說,預測組合(PSSM+RBF)表現(xiàn)出了

5、最佳的預測效果。
　　膜蛋白的類型預測同樣是一個有意義的研究課題,因為這種信息能夠非常有效的解釋膜蛋白的功能和作用。近年來,膜蛋白質(zhì)序列的生成數(shù)量呈現(xiàn)爆炸式增長的趨勢,急需發(fā)展有效的計算工具,以快速、準確地預測給定的蛋白質(zhì)序列的膜類型。目前已經(jīng)開發(fā)出幾種針對膜蛋白的預測器,但是這些預測器只能處理一個蛋白對應單個膜類型的情況。而事實是,存在有屬于兩個或多于兩種類型的膜蛋白。為了解決這個問題,本文第三章提出了能夠處理一個蛋白同時對應多

6、個膜蛋白類型的預測模型并取得了較為理想的初步預測結果。
　　給定一個特定的蛋白,了解其屬于哪一種四級結構類型非常重要,因為此類信息與它的功能是高度相關的。現(xiàn)有蛋白質(zhì)四級結構類型一系列預測方法已被提出,這些方法均只專注于一個蛋白對應與單個四級結構的情況。但根據(jù)國際標準蛋白質(zhì)數(shù)據(jù)庫的注釋,一個蛋白對應于多個四級結構類型的現(xiàn)象廣泛存在。因此,開發(fā)新的計算工具可以處理蛋白四級結構中存在的多標記樣本一個有意義的任務。有鑒于此,本文第四章提出

7、一個新的基于多標記預測的計算模型用以處理此類問題,它采用偽氨基酸成分和ET-KNN算法相結合的方法構建而成。本文的研究結果表明,這個模型是預測此類問題的有力工具。
　　本文第五章則主要嘗試解決蛋白質(zhì)亞-亞細胞層面上的多標記問題。蛋白質(zhì)亞-亞細胞功能定位是研究蛋白質(zhì)功能的進一步細化。其著眼點是,在蛋白質(zhì)亞細胞功能定位的基礎之上,研究這些細胞器繼續(xù)被細分為若干個功能區(qū)的問題,這一領域的研究對象目前主要集中在線粒體、葉綠體以及細胞核上。

8、盡管針對每一個種類的細胞器數(shù)據(jù)集,已經(jīng)有好幾種方法來預測亞細胞器功能區(qū)位置(蛋白質(zhì)亞-亞細胞功能定位),但它們只能處理一個蛋白屬于單個亞細胞器功能區(qū)的情況。但是,本文研究表明,上述任意一個細胞器數(shù)據(jù)集中,存在一個蛋白同時處于一個以上亞細胞器功能區(qū)的情況.遺憾的是,該現(xiàn)象尚未得到足夠的重視,目前尚未見有致力于研究亞細胞器功能區(qū)多標記預測問題的報道,而研究此類現(xiàn)象對于進一步深化蛋白質(zhì)功能的認識,具有重要的意義。因此,考慮如何將處理蛋白質(zhì)對應

9、于多個亞細胞功能區(qū)的預測問題包含進來而不是將擁有多標記屬性的蛋白質(zhì)剔除出數(shù)據(jù)集是一項有意義并且富有挑戰(zhàn)性任務。本文基于此,針對每一個細胞器,建立了若干個同源性程度不同的數(shù)據(jù)集,并根據(jù)這些數(shù)據(jù)集的規(guī)模和復雜程度,選定幾種多標記系統(tǒng)預測數(shù)據(jù)集中各個蛋白所屬的功能區(qū)位置,這些預測系統(tǒng)基于幾種不同的特征提取方式和預測算法組合構建而成。這是在該領域內(nèi),研究處理蛋白質(zhì)的多標記歸屬的初步嘗試,并取得了一系列有價值的結果。如在三個同源性程度不同的葉綠體

10、數(shù)據(jù)集上,最佳預測組合(功能分類)所得到的整體杰克刀成功率分別為89.08％、81.29%和71.11%。預測模型的結果表明,本文所建立的預測模型能夠有效的處理蛋白質(zhì)亞-亞細胞功能定位中存在的多標記問題,可以作為輔助工具用于亞細胞器功能區(qū)多標記定位預測。
　　大多數(shù)針對蛋白質(zhì)的預測研究一般總是基于單個特定的數(shù)據(jù)集使用一定的模型或算法?？紤]到后基因組時代的數(shù)據(jù)規(guī)模以及生成的數(shù)據(jù)的速度,這種類型的研究顯示出一定的低效性,因為它們無法針