基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)微構(gòu)象預(yù)測分析研究.pdf

1、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RadialBasisFunctionNeuralNetworks，RBFNN)是一種模擬人腦局部調(diào)整、相互覆蓋接收的典型前饋神經(jīng)網(wǎng)絡(luò)模型，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型相比，具有更強(qiáng)的非線性映射和邊界區(qū)分能力，并且以其簡單的拓樸結(jié)構(gòu)、快速的訓(xùn)練算法和較好的推廣能力被廣泛應(yīng)用于模式識別和函數(shù)逼近等領(lǐng)域。特別是在近二十年來，在解決諸如蛋白質(zhì)結(jié)構(gòu)預(yù)測(ProteinStructurePrediction)、殘基作用關(guān)系圖譜(Inte

2、r-residueContactMap)研究，以及殘基構(gòu)象分布研究等領(lǐng)域發(fā)揮了重要的作用。本文主要針對徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型在蛋白質(zhì)微構(gòu)象(Micro-ConformationalStructure)預(yù)測與分析中的應(yīng)用開展了較為系統(tǒng)和全面的研究，在介紹徑向基神經(jīng)網(wǎng)絡(luò)的分類機(jī)理、結(jié)構(gòu)優(yōu)化、參數(shù)選取等基本問題的基礎(chǔ)上，重點(diǎn)對徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)二級結(jié)構(gòu)預(yù)測(SecondaryStructurePrediction)、殘基空間距離(In

3、ter-residueSpatialDistance)研究、殘基作用關(guān)系譜研究等蛋白質(zhì)微構(gòu)象分析方面進(jìn)行了深入的探討。全文的要點(diǎn)為： 1、基于氨基酸構(gòu)象信息和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)二級結(jié)構(gòu)預(yù)測：文中詳細(xì)介紹了蛋白質(zhì)結(jié)構(gòu)預(yù)測，特別是二級結(jié)構(gòu)預(yù)測的現(xiàn)狀及各種方法的比較，然后重點(diǎn)研究了基于氨基酸構(gòu)象偏性(ConformationProspensity)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的蛋白質(zhì)二級結(jié)構(gòu)預(yù)測。在充分考慮各構(gòu)象特征對蛋白質(zhì)二級結(jié)

4、構(gòu)貢獻(xiàn)程度的基礎(chǔ)上，利用蛋白質(zhì)數(shù)據(jù)庫(ProteinDataBank，PDB)中已知結(jié)構(gòu)蛋白的結(jié)構(gòu)數(shù)據(jù)，對20種不同氨基酸殘基對不同類型二級結(jié)構(gòu)的構(gòu)象偏性進(jìn)行了統(tǒng)計(jì)分析，并將其分別歸類為相應(yīng)二級結(jié)構(gòu)的支持子(Former)、中性子(Neutral)和斷裂子(Breaker)，同時還利用這些構(gòu)象信息來重構(gòu)氨基酸殘基的主特征向量，將原有的特征向量維數(shù)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(shù)神經(jīng)網(wǎng)絡(luò)的輸入編碼中去，較好地提高了

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

6、)相隔較遠(yuǎn)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(zhì)折疊過程中，可能存在著某種相互作用，從而影響著蛋白質(zhì)結(jié)構(gòu)的生成。為此我們利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，來對蛋白質(zhì)殘基空間距離進(jìn)行預(yù)測，取得了較好的結(jié)果，為進(jìn)一步把這些信息耦合到蛋白質(zhì)結(jié)構(gòu)預(yù)測的主特征向量中打下了基礎(chǔ)。 3、基于二進(jìn)制編碼策略和RBFNN的殘基作用圖譜研究：殘基作用圖譜(ContactMap)實(shí)質(zhì)上是殘基

7、空間距離研究的一個深化，也是蛋白質(zhì)微構(gòu)象研究的另一個重要內(nèi)容，在蛋白質(zhì)結(jié)構(gòu)預(yù)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(gòu)象信息，就有可能較好地提高蛋白質(zhì)結(jié)構(gòu)預(yù)測精度。本文重點(diǎn)研究了RBFNN在殘基作用譜預(yù)測中的應(yīng)用研究，提出一個新的二進(jìn)制編碼策略，分別用一個8位二進(jìn)制串編碼可能的殘基對(PossiblePairwise)、4位二進(jìn)制串來編碼殘基分類信息(ResidueClassication)、3位二進(jìn)制串來編碼殘基

8、相應(yīng)的二級結(jié)構(gòu)信息(SecondaryStructure)、3位二進(jìn)制串來編碼蛋白質(zhì)序列長度(SequenceLength)、以及用一個2位二進(jìn)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(jīng)網(wǎng)絡(luò)的輸入編碼中，并結(jié)合遺傳算法優(yōu)化RBFNN模型進(jìn)行殘基作用圖譜預(yù)測研究。 4、深入研究了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化和參數(shù)選取問題，在傳統(tǒng)的K-均值和最小二乘算法的結(jié)構(gòu)優(yōu)化基礎(chǔ)上