基于優(yōu)化特征參量的蛋白質(zhì)βαβ模體識別分析

姜雪　于巍

摘要：選取了來自1 423個相似性小于33%的蛋白質(zhì)序列的1 459個βαβ模體和2 419個非βαβ模體，通過分析模體中各二級結(jié)構(gòu)單元的分布情況，確定固定序列模式長?；趦?yōu)化的氨基酸信息，利用離散增量算法識別βαβ模體。運用10-fold交叉檢驗和獨立檢驗方法對算法進行檢驗，識別總精度分別達到79.4%和78.6%。

關(guān)鍵詞：蛋白質(zhì)；βαβ模體；離散增量；優(yōu)化的參量；優(yōu)化位點氨基酸；識別精度

中圖分類號： Q51文獻標(biāo)志碼： A文章編號：1002-1302（2015）02-0020-04

收稿日期：2014-04-09

基金項目：遼寧省教育廳教學(xué)改革立項（編號：2012411）。

作者簡介：姜雪（1978—），女，黑龍江明水人，碩士，講師，主要從事生物信息學(xué)研究。E-mail：shuidi780829@163.com。 模體是具有特定功能或作為一個獨立結(jié)構(gòu)域一部分的相鄰的二級結(jié)構(gòu)的聚合體，是蛋白質(zhì)家族組成結(jié)構(gòu)和執(zhí)行功能的重要部分，介于蛋白質(zhì)二級結(jié)構(gòu)和三級結(jié)構(gòu)之間，充當(dāng)三級結(jié)構(gòu)的構(gòu)件。近20年來，對簡單模體如β-轉(zhuǎn)角、β-發(fā)夾的預(yù)測[1-8]得到了很好的發(fā)展，主要方法集中在人工神經(jīng)網(wǎng)絡(luò)、支持向量機和統(tǒng)計方法上，且都取得了較好的預(yù)測效果。而βαβ是常見的復(fù)雜結(jié)構(gòu)模體之一。如果2組平行的β折疊片通過α螺旋經(jīng)過連接肽（Loop）回折2次，且β折疊之間有氫鍵相連，最終β折疊片的疏水側(cè)鏈面向α螺旋的疏水面，彼此緊密裝配，形成β-Loop-α-Loop-β結(jié)構(gòu)，簡記為βαβ，多傾向于形成右手扭曲的拓?fù)浣Y(jié)構(gòu)[9]。它包含大量的折疊信息，頻繁地出現(xiàn)在每一個具有β折疊片的蛋白質(zhì)結(jié)構(gòu)中，常與形成功能結(jié)構(gòu)位點和活性位點有關(guān)，同時βαβ模體上存在大量的功能位點，能為藥物分子設(shè)計提供信息。因此對蛋白質(zhì)的功能有著重要影響。正確地識別βαβ模體對研究蛋白質(zhì)的空間結(jié)構(gòu)和功能具有重要意義，對分子藥物開發(fā)設(shè)計具有相應(yīng)的理論價值。1983年，Taylor等運用和已知模板進行序列比對的方法對16個α/β類蛋白質(zhì)包含的βαβ模體進行了預(yù)測，預(yù)測率達到70%[10]；1984年，Taylor等在統(tǒng)計βαβ模體的基礎(chǔ)上用同樣的方法對18個α/β類蛋白質(zhì)包含的βαβ模體進行了預(yù)測，預(yù)測率達到75%[11]；1986年Wierenga等運用指紋圖譜方法對PID數(shù)據(jù)集中的2 676條序列中的βαβ模體的ADP結(jié)合位點進行了預(yù)測[12]?？梢?，對復(fù)雜結(jié)構(gòu)模體βαβ的預(yù)測研究工作還很少，但成功的預(yù)測卻說明βαβ存在著功能位點，其理論預(yù)測是可行的。

本研究構(gòu)建了2個數(shù)據(jù)集：一是來自1 423個相似性小于33%的蛋白質(zhì)的1 459個βαβ模體和2 419個非βαβ模體；二是來自256個相似性小于25%的蛋白質(zhì)的310個βαβ模體和480個非βαβ模體。通過分析模體中各二級結(jié)構(gòu)單元的分布情況，確定了固定序列模式長為33個氨基酸殘基，運用了一種基于優(yōu)化特征參量的離散信息算法，識別了βαβ模體，取得了良好的效果。

1材料與方法

1.1數(shù)據(jù)

構(gòu)建合理的數(shù)據(jù)集是蛋白質(zhì)模體預(yù)測的關(guān)鍵，本研究中使用DSSP[13]（definition of secondary structure of proteins）數(shù)據(jù)庫和PROMOTIF[14]軟件來構(gòu)建βαβ數(shù)據(jù)集，這是目前廣泛應(yīng)用的獲得蛋白質(zhì)特殊結(jié)構(gòu)模體的方法。數(shù)據(jù)來自EVA（這是一種連續(xù)的、自動化、大規(guī)模的工作方式進行蛋白質(zhì)結(jié)構(gòu)預(yù)測算法評估的Web服務(wù)器http：//pdg.cnb.uam.es/eva/）。從中選取了1 423個相似性小于33%、分辨率高于2.5的蛋白質(zhì)作為數(shù)據(jù)集1（set1）和256個相似性小于25%、分辨率高于3.0的蛋白質(zhì)作為數(shù)據(jù)集2（set2）。選取的蛋白質(zhì)需要滿足：（1）每個蛋白質(zhì)序列中至少包含一個βαβ模體；（2）剔除含有不規(guī)則氨基酸的模體。序列及其對應(yīng)的二級結(jié)構(gòu)信息按DSSP庫確定，文中在使用時將二級結(jié)構(gòu)分為3類：H、I、G歸為α螺旋，用H表示；E歸為β折疊；其他都?xì)w為無規(guī)卷曲，用C表示。對set1，獲得二級結(jié)構(gòu)為ECHCE模式的片斷為 3 878個，利用PROMOTIF軟件分析獲得βαβ模體片段為1 622個，其中與ECHCE模式相匹配的1 459個片斷確認(rèn)為βαβ，其余2 419個確認(rèn)為非βαβ；對set2，獲得的二級結(jié)構(gòu)為ECHCE模式的片斷為790個，利用PROMOTIF獲得與ECHCE模式相匹配的310個確認(rèn)為βαβ，其余480個確認(rèn)為非βαβ。

1.2序列固定模式長的選取

復(fù)雜結(jié)構(gòu)模體是由簡單的二級結(jié)構(gòu)連接而成，其二級結(jié)構(gòu)單元的種類、連接肽的長度等信息影響著復(fù)雜結(jié)構(gòu)模體的形成及功能。因此有必要對2個數(shù)據(jù)集的βαβ模體序列片段長、組成單元β折疊長、連接肽loop長和α螺旋長進行統(tǒng)計，結(jié)果如表1和表2。

從表1和表2的數(shù)據(jù)看出，2個數(shù)據(jù)集中各二級結(jié)構(gòu)單元的分布情況基本一致，2個數(shù)據(jù)集的模體平均長分別為33、31個氨基酸殘基左右，左右兩端β折疊長為5個氨基酸左右，α螺旋長為10個氨基酸左右，這也說明了二級結(jié)構(gòu)單元在βαβ模體中分布的特定性。因此，選取適合的序列信息是預(yù)測的關(guān)鍵步驟，根據(jù)2個數(shù)據(jù)集中序列的平均長度，為使得表1set1二級結(jié)構(gòu)單元長度統(tǒng)計

預(yù)測過程中信息更好的進入序列，確定固定序列長為33個氨基酸殘基。參照文獻[3]、[6]和[7]識別β發(fā)夾的思想，對βαβ模體進行以下3種截取方式，得到B00型、N05型和C29型。其具體截取方法為：

（1）以模體對應(yīng)的二級結(jié)構(gòu)CHC為中央位置對齊（B00型）：當(dāng)序列對應(yīng)的二級結(jié)構(gòu)CHC為奇數(shù)時，序列對應(yīng)二級結(jié)構(gòu)CHC的左端和右端取相同個數(shù)的殘基；當(dāng)序列對應(yīng)的二級結(jié)構(gòu)CHC為偶數(shù)時，序列對應(yīng)二級結(jié)構(gòu)CHC的左側(cè)比右側(cè)多取一個氨基酸殘基。

（2）以序列左端loop的起始位點作為序列的第5位點，選取序列（N05）。

（3）以序列右端loop的終止位點作為序列的第29位點，選取序列（C29）。

選取過程中，若序列長不足33個氨基酸殘基時，添加空位補齊。截取示意圖如圖1。

同時，為考察模體序列中氨基酸的保守性，計算了位點信息矢量，Ci[15]定義如下：

Ci=100lgl（∑lj=1Pijlgpij+lgl）。

如果某一位點是完全保守的，可計算該位點Ci的值為100；如果該位點的氨基酸是隨機分布的，同樣可計算Ci的值為0。因此Ci取值在[0，100]之間。Ci的值在各自的取值區(qū)域內(nèi)越高表明該位點的保守性越強。對set1的βαβ 3種取法對應(yīng)序列位點的保守性計算結(jié)果如圖2、圖3、圖4。

型左端氨基酸的保守性好于右端，這2種取法綜合起來與B00型的保守性結(jié)果一致。因此本研究以位點氨基酸為參量來預(yù)測βαβ模體。

1.3計算方法

離散量是對離散性的度量，是信息系數(shù)之一，生物多樣性指標(biāo)和生物的關(guān)聯(lián)性分析等都需要引入離散量。它是一種較好的模式識別分類器，離散量和離散增量定義如下：

定義1：對于s個信息符號的狀態(tài)空間X，ni表示第i狀態(tài)出現(xiàn)的個數(shù)，離散源X：[n1，n2，…，ns]的離散量為：

D（X）=D（n1，n2，…，ns）=NlogbN-∑si=1nilogbni。（1）

定義2：對于2個離散源X：[n1，n2，…，ns]和Y：[m1，m2，…，ms]，它們的離散增量為

Δ（X，Y）=D（X，Y）-D（X）-D（Y）=（M+N）lg（M+N）-∑si=1（mi+ni）lg（mi+ni）-MlgM-NlgN+∑si=1milgmi+∑si=1nilgni。（2）

其中D（X，Y）是混合離散源X+Y：[n1+m1，n2+m2，…，ns+ms]的離散量，N=∑si=1ni，M=∑si=1mi?？梢宰C明，離散增量的取值范圍是0≤Δ（X，Y）≤D（M，N）。

2個離散源之間的離散增量Δ（X，Y）值越小，說明這2個離散源的相似程度越大，而Δ（X，Y）值越大，說明這2個離散源的相似性越差。

本研究中選取位點氨基酸作為參量，對于βαβ和非βαβ模體的3種選取模式的任何一種，其位點氨基酸維數(shù)分別為（21×33）（21表示20種氨基酸和一個空位，33表示固定序列長），共得到2 079（21×33×3）維向量。任一待測序列應(yīng)用公式（2）得到2個離散增量值，哪一個值小，則被判斷為哪一類模體。

1.4檢驗方法

檢驗方法使用目前廣泛應(yīng)用的k-fold交叉檢驗和獨立檢驗。k-fold交叉檢驗即隨機、均勻地將數(shù)據(jù)集分為k個子集，依次取出一個子集作為測試集，其余k-1個子集作為訓(xùn)練集，此過程循環(huán)k次，識別的結(jié)果取k次的平均，本研究中k取10。獨立檢驗是指訓(xùn)練集和檢驗集相互獨立，即訓(xùn)練集中的數(shù)據(jù)不會出現(xiàn)在檢驗集中，更加客觀地反應(yīng)實際問題和預(yù)測之間的差別。

1.5精度評價指標(biāo)

本研究中計算了βαβ的正確識別率（即識真的能力）Q（βαβ）、非βαβ發(fā)夾正確識別率Q（nβαβ）、βαβ發(fā)夾識別的預(yù)測率[即辨假的能力S（βαβ）]、非βαβ發(fā)夾識別的預(yù)測率S（nβαβ），識別總精度（Acc）和相關(guān)系數(shù)（MCC），定義如下：

Q（βαβ）=PP+U×100，Q（nβαβ）=NN+O×100，

S（βαβ）=PP+O×100，

S（nβαβ）=NN+U×100，Acc=P+NO+N+U+O×100，

MCC=（P×N）-（O×U）（P+O）×（P+U）×（N+U）×（N+O）。

這里P、U、N、O分別表示βαβ被正確識別出來的序列數(shù)目、βαβ沒有被正確識別出來的數(shù)目、非βαβ被正確識別出來的序列數(shù)目、非βαβ沒有被正確識別出來的數(shù)目。

2結(jié)果與分析

2.1以位點氨基酸為參量的預(yù)測結(jié)果

由于氨基酸在蛋白質(zhì)序列中具有很強的保守性，以位點氨基酸出現(xiàn)的頻率為參量，輸入到離散增量的算法中，得出每條序列的離散量值，用上文中的識別方法作判斷，對set1和set2 3種截取模式的10-fold交叉檢驗結(jié)果如表3和表4。表3set1的10-fold交叉檢驗預(yù)測結(jié)果

截取模式Q（βαβ）Q（nβαβ）S（βαβ）S（nβαβ）Acc（%）MCCB0082.255.652.484.065.50.371N0580.862.556.185.669.30.419C2983.153.751.582.464.60.362

表4set2的10-fold交叉檢驗預(yù)測結(jié)果

截取模式Q（βαβ）Q（nβαβ）S（βαβ）S（nβαβ）Acc（%）MCCB0083.958.754.786.068.10.417N0583.959.855.386.368.80.426C2984.856.153.486.266.80.402

從表3和表4的數(shù)據(jù)可看出，兩數(shù)據(jù)集中βαβ的識真能力均達到80%以上，好于辯假能力，但非βαβ的識真能力低于辯假能力，說明可以很好地識別出βαβ，排除非βαβ。數(shù)據(jù)顯示，3種截取模式中N05型的識別總精度好于B00型和C29型，set1的識別精度達到69.3%，相關(guān)系數(shù)達到0.419。

2.2優(yōu)化的位點氨基酸（A）的預(yù)測結(jié)果

上述計算中選取參量的維數(shù)較高，計算中常會由于高維參量引起維數(shù)災(zāi)難問題，因此有必要將位點氨基酸通過降維來避免過訓(xùn)練發(fā)生，從而提高識別的效果。下面選取mRMR（maximum relevance mimimum redundancy）方法來進行降維。mRMR方法是一種基于互信息的特征篩選方法：利用互信息計算特征參量與分析目標(biāo)間的相關(guān)性和特征之間的冗余性，根據(jù)最大依賴性來優(yōu)先選取具有最小冗余性的n個特征，本研究中用已編譯成程序[16]的mRMR軟件包實現(xiàn)。2個數(shù)據(jù)集的序列模式長為33個氨基酸殘基的序列中提取的2 079維位點氨基酸通過篩選，累積貢獻率達到90%以上的前100維作為優(yōu)化的位點氨基酸（A）。運用上述算法2個數(shù)據(jù)集的10-fold交叉檢驗結(jié)果如表5和表6。