隱馬爾可夫模型用于變長序列的G蛋白偶聯(lián)受體超家族的識別研究.pdf

1、自人類基因組計劃(HGP)開展以來,人們已經(jīng)獲取了大量的DNA、RNA及蛋白質(zhì)序列的數(shù)據(jù).有人說,基于序列的生物學(xué)時代已經(jīng)到來,盡管對"序列生物學(xué)"這一提法可能有所爭議,但是今日像潮水般涌現(xiàn)的序列信息卻是無可爭辯的事實.截至目前,登錄在GeneBank數(shù)據(jù)庫中的DNA序列總量已經(jīng)超過73億堿基.生物學(xué)數(shù)據(jù)的積累并不僅僅表現(xiàn)在DNA序列方面,與其同步的還有蛋白質(zhì)一級結(jié)構(gòu),即氨基酸序列的增長.目前已有18個生物體的完整基因組被破譯,已有89

2、00多種蛋白質(zhì)和其他生物分子的空間結(jié)構(gòu)被闡明,這些都構(gòu)成了生物信息的重要組成部分.數(shù)據(jù)并不等于信息和知識,但卻是信息利知識的源泉,關(guān)鍵在于如何從中挖掘它們.與正在以指數(shù)方式增長的生物學(xué)數(shù)據(jù)相比,人類相關(guān)知識的增長(粗略地用每年發(fā)表的生物、醫(yī)學(xué)論文數(shù)來代表)卻十分緩慢.一方面是巨量的數(shù)據(jù);另一方面是我們在醫(yī)學(xué)、藥物、農(nóng)業(yè)和環(huán)保等方面對新知識的渴求,這些新知識將幫助人們改善其生存環(huán)境和提高生活質(zhì)量.這就構(gòu)成了一個極大的矛盾.這個矛盾就催生了

3、一門新興的交叉科學(xué),這就是生物信息學(xué).生物信息學(xué)是一門新興的邊緣交叉學(xué)科,是近年來國際上的研究熱點.生物信息學(xué)是利用信息技術(shù)來理解生物問題的一種手段,是探索生命奧妙,擴展生物醫(yī)學(xué)行為數(shù)據(jù)使用的一種方法,是通過計算方法將生物信息轉(zhuǎn)化為知識的工具.它是一門利用信息來理解生命活動的科學(xué),它綜合利用了生物學(xué)、計算機科學(xué)與技術(shù)、數(shù)學(xué)等學(xué)科的優(yōu)勢,借以探索現(xiàn)有的海量生物學(xué)數(shù)據(jù)中蘊含的生物學(xué)意義.人們獲得各種核酸和蛋白質(zhì)序列的目的是了解這個序列在生物

4、體中充當(dāng)了怎樣的角色.該文的工作主要分為針對核酸序列的預(yù)測和針對氨基酸序列的預(yù)測兩部分.剪切點和啟動區(qū)域的預(yù)測主要是基于基因序列的預(yù)測.GPCRs超家族的識別和蛋白質(zhì)二級結(jié)構(gòu)含量的分類預(yù)測則以氨基酸序列作為研究的數(shù)據(jù)來源.G蛋白偶聯(lián)受體(G Protein Coupled Receptors,GPCRs)是體內(nèi)最大的蛋白質(zhì)超家族,許多疾病與之密切相關(guān),GPCRs因此成為藥物治療的重要靶標(biāo).然而,大多數(shù)GPCRs三級結(jié)構(gòu)仍然是未知的.隨著

5、人類基因組以及其它種類生物基因組的開展,大量的GPCRs的一級結(jié)構(gòu)信息即氨基酸序列的數(shù)據(jù)已經(jīng)獲得.在缺乏實驗數(shù)據(jù)的情況下,通?？梢岳糜嬎惴椒▽π掳l(fā)現(xiàn)的受體進行識別,給出它們可能隸屬的類別,從而發(fā)現(xiàn)其潛在的功能.比如:如果發(fā)現(xiàn)一個新的受體序列與現(xiàn)有的某蛋白質(zhì)家族有很大的相似性,我們就可以在一定程度上推測該受體可能具有該類蛋白質(zhì)家族的一些特征和功能.針對這個問題,該文采用了一種隱馬爾可夫模型的方法,利用GPCRs一級結(jié)構(gòu)信息和數(shù)據(jù)自身特性

6、,在GPCRs超家族層次各類別之間進行識別,具體考慮了ACDE與B類超家族,以及BCDE與A類超家族的分辨,取得了不錯的效果,類之間的識別準(zhǔn)確率可以達到100％.研究過程中,我們考慮了生物統(tǒng)計過程中常見的不等長變量問題.通過與常規(guī)的等變量截取效果的對比,我們也證明了HMM用于不等長的同源蛋白序列分類的預(yù)測是非常合適的.除了對GPCRS超家族的分類研究之外,我們還嘗試將HMM用于真核生物的剪切點和初始轉(zhuǎn)錄位點(TSS)的識別.用HMM對真