（模式识别与智能系统专业论文）基于神经网络的蛋白质二级结构预测问题的研究.pdf

北京工业大学工学硕士学位论文 摘要 蛋白质二级结构预测问题是生物信息学的重要问题之一。本文对蛋白质二级结构 预测问题进行了研究，建立了蛋白质二级结构预测数据库。研究了蛋白质的基本组成 成分氨基酸的编码方式。基于b p 神经网络建立了单神经网路和多神经网络的预测模 型。并利用它们对蛋白质二级结构进行了预测研究。其主要研究内容和成果如下： ( 1 ) 蛋白质二级结构评测数据库的建立 论文首先从同源蛋白质数据库( h o m o l o g yd e n v e ds e c ：d n d a r , s t r u c t u r eo f p r o t e i n s ，简称h s s p ) 中提取出3 6 个蛋白质文件：针对其包含复杂的数据形式，设计 了一个提取数据的方法，对蛋白质数据进行预处理，提取出氨基酸序列。建立了由这 些氨基酸序列构成的数据库。为蛋白质二级结构预测打下了良好的基础。 ( 2 ) 5 种氨基酸编码方式的比较研究 论文针对正交编码、5 位编码、c o d o n ( 基本型) 编码、c o d o n ( 扩展型) 编码及p r o f i l e 编码等5 常用的编码方法。利用b p 神经网络，建立了蛋白质二级结构预测的评测模型。 运用该模型研究分析了这5 种编码方式对蛋白质二级结构预测精度的影响。结果表明， 用富含“生物进化信息”的p r o f i l e 编码方式可以得到较高的预测结果。 ( 3 ) 基于多神经网络的蛋白质二级结构预测模型 论文提出了一个由7 个b p 神经网络组合成的多神经网络的蛋白质二级结构预测模 型，该模型采用“p r o f i l e ”编码方式和氨基酸间的“距离”为激励输入信息，对蛋白质 二级结构进行了预测。论文对从3 6 个蛋白质提取的共4 0 0 0 个氨基酸的进行了预测研 究和分析。结果表明，本文的多神经网络优于z h u 等人提出的多神经预测模型“，它 把蛋白质二级结构预测的平均精度从6 6 1 5 0 2 “”提高副6 8 8 9 0 3 。 本课题得到了国家自然科学基金的支持。 关键词：氨基酸序列编码、蛋白质二级结构、神经网络 北京工业大学工学硕士学位论文 a b s t r a c t p r o t e i ns * - e o n d a r ys t r u c t m ep r e d i c t i o nq n e s t i o ni so n eo f b i o l o g i c a ll “f o n u a f i o ns t u d y i m p o r t a n tq u e s t i o n s ，删sp a p e r h a sr e s e a r c h e dp r o t e i ns e c d 呦s l l u c t u l t p r e d i c t i o nq u e 蛐o n a n de s t a b l i s h e dt h ed a t a b a s eo f p r o t e i ns e e o n d a r ys t r u c t u ”p r e d i c t i o n , a n dh a ss t u d i e dt h e e n c o d i n gm e t h o do f b a s i cc o m p o n e n t a m i n oa c i do f p r o t e i n a tl a s tt h i sp a p e re s t a b l i s h e dt h e s i n g l en e u r a ln e t w o r k a n dt h em u l t i - n e r v en e t w o r kp r e d i c t a b l em o d e lb a s e do nt h eb pn e u r a l n e t w o r k ，u i n gt h e m ，w ec n n d u c t e dt h er e s e a r c ha b o u tp r e d i c to nt h ep r o t e i ns o c o n d a 珂 s t r u c t u r e t 1 1 i sp a p e r sm a i nr e s e a r c hc o n t e n ta n da c l f i e v e m e n ta sf o l l o w s ： ( 1 ) e s t a b l i s h m e n t o f t h e p r o t e i ns e c o n d a r y s t r u c t u r ep r e d i c t i o nd a t a b a s e t 扯s p a p e rf i r s t l y 嘶t h d r e w 3 6 p r o t e m s f r o mt h e h o m o l o g o mp r o t e i n d a t a b a s e ( h o m o l o g yd e r i v e ds e c o n d a r ys t r a c r n eo f p r o t e n s i sc a z e dh s s o w i 也a 、i e w t h e c o m p l e x d a t af o r mi nt h e m ，t h i sp a p e rd e s i g n e dam e t h o dt ow i t h d r a wt h ed a 讧a n dc a r r i e do r i t h ep r e t r e a t m e a tt ot h ep r o t e i nd a t a , w i t h d r e wt h ea m i n oa c i ds e q u e n c e s i n c et h i sp a p e r e s t a b l i s h e dt h ep r o t e i ns e c o n d a r ys t r u c t u r ep r e d i c t i o nd a t a b a s et h a tc o n s t i t u t e sb yt h e s ea m i n o a c i ds e q l l g r c e st h i sd a m b a 虻h a sb u i l tt h eg o o df o u n d a 蛄o nf o rp r o t e i ni e c o n d a r ys l t u e l a r e p r e d i c t i o n f 2 15k i n do f a m i n oa c i d se n c o d i n g m e t h o d c o m p a r i s o nr e s e a r c h 1 nv i e wo f t h e o l t h o g o r 面c o d e ，5c o d e 、c o c k ) n ( 洒c ) e o d e ，c o d o n ( e x p a n s i o n ) c o d e a n d t h ep r o f i l el o d ea n ds oo dsc o m m o n l y 啦自dc o d e sm e t h e d t u s i n gt h eb pn e l - v en e t w o r k ，t h i s p a p e r e s t a b l i s h e dt h ee v a l u a t i o nm o d e lo f p r o t e i ns e c o n d a r ys t r u c t u r ep r e d i c t i o n a tt h es a l n e t i m e ，u s i n gt h i sm o d e l ，t h i sp a p e rh a sa n a l y z e dt h ei n f l u e n c eo f t h e s e5e n c o d i n gm e t h o dt o p r e c i s i o no f p r o t e i ns e c o n d a r y s t r u c t u r ep r e d i c t i o n t h er e g u hi n d i c a t e di h a lt h ep r o f i l ee n c o d i n gm e t h o dt h a tbr i c hi n ”t h eb i o l o g i c a l e v o l u t i o ni n f o r m a t i o n ”疗u g 壤o n - a i n 妞l h g h e r p r e d i c t a b l e r e s u l t f 3 11 1 1 em o d e lo f p r o t e i ns e c o n d a r ys t r u c t u r eb a s e do n t h em u l t i - m o d a ln e u r a ln e t w o r k 砸s p a p e r l o r o p o s e d am u l t i - m o d a ln e u r a ln e t w o r k p r e d i c t a b l em o d e l t h a ts y n t h e s i z e sb y 7b pn e u r a ln e t w o r kg r o u pi np r o t e i ns e n d a r ys t r u c t u r ep r e d i c t i o n ，锄塞m o d e lu s e ”p r o f i l e 、 e n c o d i n g m e t h o da n d ”t h e d i s t a n c e ”b e t w e e n t h e a 2 i i n o a c i d f o r t h e e x c i t o r y r m p u 主n 南玎n 绚锄， h a sc a r f i 。do f tt h ep r e d i c t i o nt ot h ep r o t e i ns e c o n d a r ys t r u c t u r ep r e d i c t i o n ，m sp a p e rh a s c o n d u c t e dt h ep r e d i c t i o nr e s e a r c ha n dt h ea n a l y s i so i lt h ea l t o g e t h e r4 0 0 0f l m i n o i d st h a t w e r ew i t h d r e wf r o m3 6 p r o t e i n s n 】er e s u l ti n d i c a t e dt h a t , t h em u l t i m o d a ln e u r a ln e t w o r kt h a lt h i s p a p e rp r o p o s e d s u r p a s s e s t h em u l t i - m o d a ln e u r a ln e t w o r kw h i c hz h ua n ds 0o n p r o p o s e d ( t 9 i ，矗苦l ea v e r a g e o r e c i s i o nw h i c hp r e d i c tp r o t e i ns e c o n a a t , y s t r u c t u r ef r o m6 6 1 5 0 2 【1 9 】e n h a n c e st o 6 8 8 9 0 3 t h i s t o p i ch a d t h e 蝴vn a t u r a ls c i e n c e sf u n ds u p p o r t k e yw o r d ：a i 曲l oa c i ds e q u e n c ec o d e ，p r o t e i ns e c o n d a r yz l r u c t a r ep r e d i c t i o n ，t h en e n r a n e t w o r k 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取 得的研究成果。尽我所知，除了文中特别加以标注和致i 身 的地方外，论文 中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京工业 大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志 对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谓 意。 签名避 关于论文使用授权的说明 日期：之坐丝厶至形 本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学 校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论 文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 躲避翩繇罂! 塑 日期：沙枞6 - 够 第1 章绪论 第1 章绪论 1 1 课题的研究背景及意义 本课题是国家自然科学基金资助项目“复杂系统意义下的生物信 息学中若干问题研究“的一部分。 过去十年，d n a 测序技术( s e q u e n c i n g ) 的飞速发展使分子生物 学经历了信息革命时代。这一革命，得益于计算机技术在过去十多 年来突飞猛进的高速发展。只有使用计算机技术，我们才有可能应 付日益快速增长的生物信息。2 0 世纪8 0 年代中期以来，计算机在生 物学中的广泛应用孕育了生物信息学这一新兴学科。生物信息学 这一术语在不同的场合下被赋予了不同的含义。从广义上说，生物 信息学可指利用信息技术管理和分析生物学数据。这就意味着生物 信息学所涉及的范围相当广泛，从人工智能、机器人一直到基因组 ( g e n o m e ) 分析。就基因组分析这一角度来看，生物信息学主要是 指核酸和蛋白质序列数据的计算机处理和分析。近年来，蛋白质结 构数据的快速增长，使蛋白质三维结构的处理分析也归入到生物信 息学的范畴。蛋白质折叠问题是分子生物学研究的中心课题。它所 要解决的是蛋白质一级结构中的氨基酸序列最终怎样折叠成三维空 间结构的问题。蛋白质的结构级别见表1 。 表1 蛋白质结构级别分类 结构层次特点 北京工业大学工学硕士学位论文 三级结构由二级结构和超二级结构组成，是蛋白质的基本功能单位 2 0 世纪6 0 年代，a n f i n s e n ”3 通过实验发现，变性的核糖核酸酶 ( r i b o n u c l e a s e ) 可以重新折叠并恢复生物活性。这说明蛋白质一级 结构中隐含了编码蛋白质三级结构的所有信息。“。这一发现，为蛋白 质结构预测提供了理论依据。也就是说，在完全掌握了蛋白质序列 和结构之间的关系后，就可以通过分析一级结构序列特性，预测其 三维空间结构。然而，从一级结构直接预测三级结构至今仍无高精 度的方法。蛋白质的二级结构又在蛋白质肽链快速折叠成具有特定 功能的构象方面扮演着极其重要的角色。蛋白质结构数据已经成为 生物信息学的主要研究对象之。生物信息学关于生物序列研究的 工作主要集中在氨基酸序列的研究上，这是因为氨基酸序列决定了 蛋白质的空间结构，而蛋白质的空间结构决定了蛋白质生理功能的 多样性。可以说序列、结构和功能之间的关系密不可分，所以从理 论上说它们之间的关系应该能够通过某种数学的方法表示出来。一 旦确定了这种关系，我们就有可能预测新基因的功能。同时也可以 反过来，根据所要达到的功能，来设计我们所需要的蛋白质。因此， 蛋白质二级结构的预测不仅有助于了解蛋白质的功能及其作用机 制，对于正确预测蛋白质的空间结构更具有非常重要的意义。因此， 如何提高蛋白质二级结构预测的精度是当务之急。 第1 章绪论 1 2 课题相关领域的研究和发展 蛋白质是由2 0 种氨基酸组成的多聚体，氨基酸之问由肽键相连， 出多肽键折叠形成的蛋白质三维结构远比d n a 双螺旋结构复杂。蛋 白质二级结构预测问题自1 9 5 7 年首次被提出迄今已有4 0 多年了。 一般认为蛋白质二级结构预测准确率达到8 0 我们就可以基本准确 地预测一个蛋白质分子的三维空间结构了。 1 2 1 蛋白质二级结构预测的发展 l9 5 3 年，f r e d e r i c k s a n g e r 第一次测定了胰岛素的氨基酸序列。 氨基酸序列又称为蛋白质的一级结构。蛋白质的三维结构又称为三 级结构；19 6 0 年，j o h nk e n d r e w 用蛋白质晶体x - r a y 衍射方法，第 一次测定了肌血球素的三维结构。传统的生物学认为，蛋白质的序 列决定了它的三维结构，也就决定了它的功能。由于用x 光晶体衍 射和n m r 核磁共振技术测定蛋白质的三维结构，以及用生化方法研 究蛋白质的功能效率不高，无法适应蛋白质序列数量飞速增长的需 要，因此近几十年来许多科学家致力于研究用理论计算的方法预测 蛋白质的三维结构和功能，经过多年努力已经取得了定的成果， 尤其是蛋白质二级结构预测的研究。从细胞分子水平来说，蛋白质 是携带大多生命数基本功能的多肽链。现在人们至少能够合成几十 万不同类型的蛋白质。这些蛋白质实质上是大量的、复杂的生物分 子，而这些生物分子又是由首尾相连的氨基酸序列组成的。蛋白质 的氨基酸序列是蛋白质的一级结构，而不同区域的氨基酸序列所形 成局部规范的结构，我们称其为蛋白质二级结构。例如，螺旋 ( h e l i c es ) 结构、薄片( s h e e t s ) 结构和薄片( l o o p ) 结构，蛋白质 北京工业大学工学硕士学位论文 的三级结构是通过把若干个二级结构堆积( p a c k i n g ) 在一个或几个 区域所形成的结构。二级结构是指a 螺旋和e 折叠等规则的蛋白质 局部结构元件。不同的氨基酸残基对于形成不同的二级结构元件具 有不同的倾向性。按蛋白质中二级结构的成分可以把球形蛋白分为 全。蛋白、全b 蛋白、q + b 蛋白和q b 蛋白等四个折叠类型。由 于蛋白质的功能是由它的三级结构决定的，因此，预测蛋白质二级 结构是非常有意义的，它已经成为解决由蛋白质的一级结构( 序列) 预测其空白j 结构这一问题的最关键的步骡；同时，对理解二级结构 在细胞中的作用也是非常有帮助的。 7 0 年代分别由c h o u 和f a s m a n 、g a s r n i e l 等人( g o r 法) 以及l i r a 提出的方法是最常用的方法，根据k a b s c h 和s e n d e r 对6 2 个蛋白质分 子检验的结果，上述3 个方法的预测成功率分别为5 0 、5 6 和5 9 。c h o u 和f a s m a n 法被公认为是经典的二级结构预测方法，这个 方法是蛋白质二级结构预测的第一个经验方法。从它们的预测结果 来看，这三神预测方法所取得的预测准确率是很低的。 自从1 9 8 8 年l h o w a r dh o l l e y 和m a r t i nk a r p l u s 提出用人工神经 网络来预测蛋白质二级结构以来”1 ，人工神经网络一直是蛋白质二级 结构预测的研究领域中的一个非常重要的工具”、”。最早使用a n n 在 二级结构预测方面取得成功的是q i a n 和s e j n o w s k i 在1 9 8 8 年所做的 工作沁1 。他 f j 的网络结构为一个完全连通的单隐层网络。而且，与其 它各种方法相比来说，应用神经网络已经取得了比较高的预测结果。 这个时期的代表方法有著名的p h d ( p r e d i c t p r o t e i n ) 方法和 s a l a m o v ”3 方法等。 由于蛋白质二级结构预测方法中第一类方法在数学上遇到难咀 解决的多重极4 、值问题1 ，而第二类方法又受到预测精度的限制。 近年来一些科学家提出了一种预测蛋白质三维结构的新策略，这类 4 第1 章绪论 方法被称为t h r e a d i n g 方法或折叠类型识别方法，这一方法的基本思 想是假定被预测蛋白质的折叠类型与某一已知结构的蛋白质的折叠 类型相同这样，蛋白质结构预测的问题就转变为在已知空间结构 的蛋白质中，选取一种被预测序列最可能采取的折叠类型，从而大 大减少了预测蛋白质结构的难度，这一方法已经成功地预测了一些 蛋白质的空间结构。除了t h r e a d i n g 方法外，近年来，国际上一些研 究组织还发展了一些从蛋白质的级结构直接预测蛋白质空间结构 的新方法。这些方法的基本思想是将基于知识的方法与计算化学以 及统计物理学的方法相结合，采用简化的蛋白质模型和根据已知结 构的蛋白质所导出的平均势场。从理论上计算蛋白质的空间结构。 这些方法不仅可以从蛋白质的一级结构直接预测蛋白质的三维结 构，而且可以在计算机上模拟蛋白质分子折叠的全过程。目前，还 有一些新方法如遗传算法、模拟退火、多维统计、模糊集合论方法 等在蛋白质结构预测中的应用也正在研究中。通过对一些简单蛋白 质分子的模拟研究，这些新方法已经显示出很强有力的生命力，许 多权威人士推测，随着这些新方法的进一步改进和完善，在今后1 0 年内，蛋白质折叠这一分子生物学中的难题将有望得到解决。 1 2 2 蛋白质二级结构预测的预测方法 在过去的2 0 几年中，科学家已经提出了几十种预测蛋白质二级 结构的方法。所有这些方法都可归类为基于知识的预测方法。预测 蛋白质二级结构的算法大多以已知三维结构和二级结构的蛋白质为 依据，用入工神经网络、遗传算法等技术构建预测方法。还有将多 种预测方法结合起来，获得“一致序列”。总的来说，二级结构预 测仍是未能完全解决的问题，一般对于。螺旋预测精度较好，对b 北豪工业大学工学硕士学位论文 折叠差些，而对除a 螺旋和$ 折叠等之辨的无规则二级结构则效 果校差。蛋白质二级结构预测曲方法有三类。一是由已知结构统计 各种氮基酸残基形成= 级结构的构象趋势，其中避常用的是c h o u f a s m a n 法：二是基于氨基酸的物理化学性质，包括堆积性、疏水性、 电荷性、氢键形成能力等；三楚通过序列比对，由已稚二维结构的 同源蛋白推断束知蛋自的二缓结掏。该方洼基于对当日寸仅有的l5 个 已知三维结聿句的蛋白质的统计分析。他们统计了2 0 种氯基酸处于螺 旋、片层和卷曲的出现概率，并定义了构象参数表示对这热状态的 相对倾向性。但其准确性其能达到6 5 。究其原因，是因为用作统计 二级结构构象趋势的蛋白质空蝇结构数据障中非同源蛋白的数量还 不够多。基于多序列比对的二级结构预测方法其精度可提高几个百 分点。鹑一个相对成功的自动化方法称为g o r ( g a r n i e r os g u t h or p e r o b s o n ) 方法，该方法基于精确的统计分析，考虑了氨基酸序列链的 每一边一直到8 个残疾的相关性。 其中，第二种属于分子动力学方法，这类方法采用分子力学、分了 动力学的方法，根据物理化学的基本原理，从理论卜计算蛋白质分 子的空间结构，这类理论计算方法依据一个基本热力学假定：一个 蛋白质分子的溶液中的天然构蒙相应于热力学上最稳定、自由能最 低的构象，但这一方法目前存在着三个主要问题，首先，硐戮描述 蛋自质一溶栽系统工程力场和能量醺数还和于半定量阶段；其次， 数学上还没有有效方法解决能量极小化问题；第三，目前并没有证 据证明蛋白质的天然构象就是垒同自由能最小的构象。而其它的两 种方法属丁基于知识的模式识别顸测方法，模式识别技术。颇名愚 义，模式识别的基本思想是利j j 存在于蛋自震序列或结构中的菜些 特征模式识别相关蛋白厦的性质。如果菜一蛋白质序列或结构中的 一一瓤分具有保守性，这种保守性或者与蛋白质的生物活性有关，或 6 第l 章绪论 者与蛋白质的折叠方式有关；那么，这种特征模式可以用来识别该 蛋白质家族中的新成员。换句话说，如果将已知蛋白质的特征序列 模式和特征结构模式搜集起来，构建成数据库，则可以用来确定新 测定的蛋白质序列中是否具有某种特征模式，从而确定该未知蛋白 属于哪个蛋白质家族。根据与当前蛋白质结构库中的蛋白质的相似 性或者同源性来进行结构的预测，要依赖与蛋白质结构库中的数据 的多少。从代数上讲，就是蛋白质库中的数据是否包含了蛋白质结 构空问的所有的基向量，而且这些基向量具体是哪些，一个新的蛋 白质和这些基向量之间的关系系数是怎么确定的，以及是怎么由基 向量来得到结构。而从概率上讲则是蛋白质库中的数据是否己经达 到了足够大的样本量，能够对未知序列进行概率估计。如果确实是 存在了足够的样本，则最后预测就变成了模式识别。c h o u 法之所以 现在准确性不高，也是因为用作统计二级结构构象趋势的蛋白质空 间结构数据库中非同源蛋白的数量还不够多。而且由于结构测定速 度的制约，这一数据库容量不足的问题将长期存在。这类方法通过 对已知空间结构的蛋白质进行研究和分析，找出蛋白质一级结构和 空间之问的联系，总结出一定的规律并建立一些经验规则。这类方 法已经被成功地应用于同源蛋白质空间结构预测的研究。然而对于 同源性低的和非同源蛋白质分子来说，由于受二级结构预测精度的 限制，这种方法只取得了非常有限的成功。 1 2 3 人工神经网路在蛋白质二级预测中的应用 自从1 9 4 3 年心理学家w m c c u l l o c h 和数理逻辑学家w p i t t s 提出 第一个简单的神经网络模型( 即m p 模型) 以后的5 0 多年罩，人工 神经网络模型( a r t i f i c i a ln e u r a ln e t w o r k ，以下简称a n n ) 一直是数学 7 北京工业大学工学硕士学位论文 家重要研究的对象之一。人工神经网络是由大量的神经元广泛互连 而形成的网络，它是层次的网络结构，从本质上来说，人工神经网 络的学习是一种归纳学习方式，它通过大量实例的反复学习，由内 部自适应过程不断修改各个神经元之间的连接权值，最终使神经网 络的权值分布收敛于一个稳定的区域。它有许多好的性质：对不完 全信息和带有噪音的信息具有良好的自适应性；尤其是对复杂非线 性问题更具有很强的优越性。而在蛋白质二级结构研究领域里，b p 神经网络一直是被广泛应用的一种学习算法。这种网络分为输入层、 隐含层和输出层。隐含层可以由一层或多层组成。在过去的十几年 罩，随着人类基因组计划的实施和生物信息学研究的兴起，a n n 模 型已广泛地应用于核酸和蛋白质序列的预测和分析中。例如，在核 酸序列研究中，a n n 模型在原核生物的转录终端的预测，以及大肠 杆菌核糖体结合靶址的识别中都有很好的表现。a n n 也应用在确定 d n a 序列与其性质之间的映射关系的过程中，例如转录控制信号的 分析和d n a 曲率的分析等。蛋白质分子折叠成天然三维结构的全部 信息通常被认为蕴藏在蛋白质的一级结构中1 ，低级结构对于高级结 构起着决定性的作用。但是，除基于知识的蛋白质三维结构预测外， 从一级结构直接预测三级结构至今仍无高精度的方法。蛋白质的二 级结构又在蛋白质肽链快速折叠成具有特定功能的构象方面扮演着 极其重要的角色。蛋白质二级结构预测一直受到重视，是生物信息 学研究的重要组成部分。蛋白质二级结构预测从方法的角度上大致 可分为四大类；统计学方法、多重序列联配法、二级结构模体( m o t i f ) 法、a n n 方法。前三种方法由于在预测精度上不够理想，近几年几 乎没有大的发展。而a n n 方法，由于它的方法多样、适于计算机计 算以及精度较好而受到广大研究者的重视。若从方法所涉及的信息 挖掘的层次来看，a n n 方法大致可被划分为三代；第一代的信息来 8 第1 章绪论 源仅限于序列中的单个残基：第二代的预测算法加入了局部残基间 相互作用的信息：第三代则在第二代的基础上加入了同源序列的信 息，所以预测精度更高。现在人们研究的大都属于第三代，它的主 要标志是引入了序列联配过程。 在生物信息学研究中，应用得最多的a n n 模型是多层前馈网络 模型，这种模型使用最广泛的算法是b p 算法，即反向传播算法。它 属于有导师学习的算法。这种模型也叫b p 神经网络。它也是在其它 领域里使用得最广泛的a n n 模型之一。 机器学习算法在蛋白质二级结构预测方面非常成功”23 ( b a l d i 等 19 9 8 ) ，这其中又数a n n 模型最为重要。利用人工神经网络模型预 测蛋白质二级结构的基本原理是利用蛋白质数据库( 如p r o t e i n d a t a b a n k 即p d b 数据库“”等) 提供足够的已知氨基酸维序列作为 种经网络的训练集样本，( j ，y 9 ) ( p = i ，2 ，n ) ，对其进行有效 编码，输入网络，训练网络各权值参数和阈值参数( 。，。h ，h 。) ， 使得学习耳标e 最小，即网络达到基本稳定。然后取未知蛋白质序 列进行预测，若使用已知蛋白质序列作为测试集，则可以将计算输 出与实际观测结果作比较，从而测算该网络的预测精度。预测精度 是衡量算法预测准确度的唯一办法。目前，国际上流行的预测精度 计算方法主要是q ，法，其计算公式为 q 3 = t p a + p p + 儿。1 o o 其中只，名，分别为正确预测了三种二级结构的残基数，n 为蛋白 质所有残基的数量。本文下面所提到的预测精度就是指q 3 精度。 最早使用a n n 在二级结构预测方面取得成功的是q i a n 和 s e j n o w s k i 在1 9 8 8 年所做的工作哺1 。他们的网络结构为一个完全连 通的单隐层网络。输入层使用一个长度为2 m + 1 个氨基酸的局部输 9 北京工业大学工学硕士学位论文 入窗口( 编码序列是围绕中心残基周围各m 个共2 m + 1 个残基) 。输 出层由三个单元组成，通过s i g m o i d 型函数进行放大输出，三个输出 分别表示中心残基的h ( a 一螺旋) 、e ( 1 3 一折叠) 和c ( 无规卷曲) 状态。其编码方式称为正交编码( o t h o g o n a i e n c o d i n g ) ，即每个残基 由2 1 个神经元编码( 2 0 种氮基酸残基及代表n 、c 端的空输入) 。 输入层中编码一个残基的2 1 个神经元只有一个处于激发状态，即编 码该残基的神经元输出为1 ，其他输出为0 。类似地，代表中心残基 二级结构状态的输出单元的期望值为1 ，其他的为o 。0 i a n 等用一 个包含10 6 个蛋白质结构的学习集训练神经网络，并预测与学习集 里蛋白质无明显同源性的序列的二级结构。使用这种方法，可以达 到的准确度为6 4 3 ，明显高于传统的统计方法。由于使用了局部输 入窗口，但没有加入联配信息，所以q i a n 的方法属于第二代的预测 算法。 在q i a n 和s e j n o w s k i 后的很长的一段时间里，著名的 p h d ( p r e d i c t i c t p r o t e i n ) 阳1 方法在二级结构预测方面起了主导作用，这 是由德国的r o s t 和s a n d e r 在1 9 9 3 年提出来的。该方法在q i a n 和 s e j n o w s k i 方法的基础上引入了其他机器学习技术，包括早停 ( e a r l ys t o p p i n g ) 、不同网络的整体平均以及为补偿大型低相似性数据 偏差而使用的权重法。他们用一个三层前馈神经网络作为模型的主 要框架，训练集采用r s l 2 6 蛋白质集合，这其中包括1 2 6 条长度大 于8 0 b p ，并且成对联配的相似性低于2 5 的球蛋白以及4 条膜蛋白。 低相似性使得预测网络能够适合更多的蛋白质家族，而膜蛋白的加 入，使网络的鲁棒性得到提高。在预测前，他们用多重序列联配获 得了更多的进化信息和蛋白质家族信息，这使得整个系统的预测精 度提高了6 8 1 。这是p h d 预测系统中最为关键的地方。运用 这套系统对蛋白质三种类型的二级结构( a 一螺旋、b 一折叠和无规 l n 第1 章绪论 卷曲) 的预测精度达到了7 0 8 。 p h d 的优点在于，利用输入的信息在数据库中进行多序列联配， 从而可以得到进化信息。该方法较其他单个序列信息估算的方法准 确度要高出1 0 ，比序列的统计分析法准确度要高出6 。由于引入了 序列联配的过程，显然p h d 方法属于第三代的预测算法。虽然p h d 方法在一些问题上已经能够达到较好的效果，但是也有许多人用神 经网络与其他算法结合使用，推出新的算法，以求达到更高的精度。 1 9 9 4 年，a a s a l a m o v 和v s o l o v y e v “”利用改进的人工神经网络和 最近相邻法并且将a 一螺旋、b 一折叠和无规卷曲对应的n 端和c 端的不同位置引入罚分系统中，同时还减小了训练基的限制数量， 从而减少了计算的时间。尽管在蛋白质二级结构预测方面并没有超 越p h d 方法，但是在序列联配方面所得到的计算精度，确实超过了 当时计算精度最高的多层神经网络方法。到了1 9 9 9 年，他们将最近 相邻法作了进一步改进1 4 1 o 用一种可变的最近相邻法与神经网络结 合，此方法的关键在于使用了一条单序列作为询问输入，然后针对 二级结构的三种状态，对序列上的每一个位置都在序列数据库进行 联配搜索，预测该位置的二级结构的类型的过程也就是选择得分最 大的联配位置的二级结构类型的过程。通过对含有12 4 个非同源蛋 白质数据集的试验表明，精度可以与p h d 方法相当，达到7 1 2 。 这个方法的最大优点在于不需要知道是否同源，若使用多序列联配 作为输入，预测精度可达7 3 5 。s a l a m o v 方法也属于第三代的预测 算法。 19 9 6 年，r i i s 和k r o g h ”“优化了a n n 学习算法。他们使用权重 共享技术对输入的氨基酸进行重新编码，以降低自由参数的数量。 他们还根据一些生物学含义，为每一种二级结构类型分别设计了不 同的网络，例如，对于周期性的a 一螺旋使用输出过滤和整体平均。 1 1 北京工业大学工学硕士学位论文 最后，对于整个单条序列的预测结果在输出层用多重序列联配和最 大熵权重法进行组合。在实际使用中，这种方法与r o s t 和s a n d e r 的 p h d 方法得到的精度几乎是一致的，达到7 1 3 。r i i s 和k r o g h 方法 也属于第三代的预测算法。 在最近的几年里，蛋白质二级结构预测的方法可说是层出不穷。 其中比较具有代表性的是d t j o n e s 的p s i p r e d “”方法。他用了一个 基于精确位置得分矩阵的三层b p 网络来预测蛋白质的二级结构，该 得分矩阵是由p s ib l a s t “”产生的。尽管所用的方法非常简单，但 是通过c a s p 3 “叫的评估，他所得到的计算结果要优于现在最为流行 的p h d 方法。通过1 8 7 条互不相似的蛋白质的测试，平均q 。得分介 于7 6 5 7 8 5 之间。p s i p r e d 方法是第三代蛋白质二级结构预测 方法的佼佼者。 很明显，第三代的预测方法，即在神经网络训练中加入联配信息， 是近几年来蛋白质二级结构预测方法研究的主要方向，这是因为神 经网络的模式识别能力在预测领域中有很好的表现，并且联配信息 体现了网络信息元素的相关性 1 3 本课题的主要工作 本文首先对氨基酸编码方式进行了比较研究，由于用人工神经网 络对蛋白质二级结构进行预测所用的氨基酸编码方式不尽相同，例 如l a m o n t 用的是c o d o n ( 密码子) 和正交编码( 标准编码) ，z h u 用 的p r o f i le 编码”，王龙会用的是5 位编码”等。但是对这几种编 码方式少有人来做比较分析它们的优缺点。在体现“公平”的原则 下，我们选用b p 神经网络来做预测模型。 本文利用前向型b p 网络( 图2 ) ，对这5 种氨基酸编码方式的进 第1 章绪论 行研究，并分析氨基酸序列编码方式对蛋白质二级结构预测精度的 影响。实验结果表明：用富含“生物进化信息”的p r o f i l e 编码方式 可以得到较高的预测结果，这也说明了充分利用生物本身所具有的 生物信息，对提高蛋白质二级结构预测精度是非常重要的。 之后，本文针对已经建立起来的预测数据库，运用多神经网络对 蛋白质二级结构进行了预测研究。通过用由7 个前项型的b p 神经网 络组合成的“多神经网络( 复合神经网络) ”对蛋白质二级结构进行 了预测研究，同时给多神经网络引进了较多的生物进化信息 ( e v o l u t i o n a r yi n f o r m a t i o n ) ，即一方面引入了“p r o f i l e ”编码，这种 编码被认为携带了较多的生物信息；另一方面引入了氨基酸之间的 “距离”概念。它体现了输入层临近氨基酸的相互联系和影响。本 文通过对从3 6 个蛋白质提取的共4 0 0 0 个氨基酸的进行了预测研究。 结果表明，与经典的m u l t i n o d a l “”网络相比，本文提出的多神经网 络预测模型把蛋白质二级结构预测的平均精度提高了2 7 4 。 1 ，4 论文的组织 论文共分为四章，具体编排如下： 第一章对课题的背景和意义、课题相关领域的研究、以及课 题的具体内容作了介绍。 第二章首先介绍了一下与课题相关的生物学数据库，同时具 体介绍了课题所需要的数据库，之后建立起了本文所需要的数据库。 第三章对蛋白质二级结构预测研究中所用的5 种氨基酸编码 方式进行了具体的描述和分析，通过建立5 个b p 神经网络对这5 种 编码方式进行试验比较研究。并具体分析了每一种氨基酸编码方式 的优缺点。 北京工业大学工学硕士学位论文 第四章利用第三章的分析结果，选出最好的编码方式 一p r o f i le 编码，构造了一个由7 个b p 神经网络并行组成的多模神经 网络，对蛋白质二级结构进行预测和分析。 1 4 第2 章评测数据库的建立 2 1 引言 第2 章评测数据库的建立 本章首先介绍了几个主要的生物信息数据库和若干个在蛋白质 二级结构预测领域中占有重要地位的蛋白质数据库，之后从同源蛋 白质数据库( h o m o l o g yd e r i v e ds e c o n d a r ys t r u c t u r eo fpr o t e i n s ， 简称h s s p ) 中提取出3 6 个蛋白质文件；针对其包含复杂的数据形式， 设计了一个提取数据的方法，对蛋白质数据进行预处理，提取出氨 基酸序列。建立了由这些氨基酸序列构成的数据库。为蛋白质二级 结构预测打下了良好的基础。 2 2 生物信息数据库 据保守估计，目前世界上平均每一分钟就有一个序列增加到核 酸序列数据库中，能够从飞速增长的序列数据更高效的提取信息， 建立生物信息中心，通过互联网实现全球范围内的信息共享成为必 然。欧美各国及日本等西方国家相继成立了生物信息资源和研究中 心，如美国国家生物技术信息中心( n a t i o n a lc e n t e rf o rb i o t e c h n o l o g y i n f o r m a t i o n ，n c b i ) 、位于英国的欧洲生物信息研究所( e u r o p e a n b i o i n f o r m a t i c si n s t i t u t e ，e b l ) 、位于瑞士日内瓦的蛋白质专家分析系 统( t h ee x p e r tp r o t e i na n a l y s i ss y s t e m ，e x p a s y ) 、日本国立遗传学研 究院f n a t i o n a li n s t i t u t e g e n e t i c s ，简称n i g ) 等。以西欧各国为主的欧 洲分子生物学网络组织e u r o p e a n m o l e c u l a r b i o l o g y n e t w o r k f e m b n e t ) ，成立于1 9 8 8 年，是目前国际上最大的分子生物信息研究、 北京工业大学工学硕士学位论文 开发和服务机构。它把欧洲乃至世界各国的生物信息中心联系在一 起，实现信息共享，并合作进行开发、研究、培训l 。 当前数以百计的生物信息数据库。它们各自按一定的目标收集 和整理生物学实验数据，并提供相关的数据查询、数据处理的服务。 随着因特网的普及，这些数据库大多可以通过网络来访问，或者通 过网络下载。 一般而言，这些生物信息数据库可以分为一级数据库和二级数 据库。一级数据库的数据都直接来源于实验获得的原始数据，只经 过简单的归类整理和注释：二级数据库是在一级数据库、实验数据 和理论分析的基础上针对特定目标衍生而来，是对生物学知识和信 息的进一步整理。国际上著名的一级核酸数据库有g e n b a n k 数据库 ”“、e m b l 核酸库”和d d b j 数据库”“等；蛋白质序列数据库有 s w i s s p r o t ”“、p i r ”等；蛋白质结构库有p d b 等。国际上二级 生物学数据库非常多，它们因针对不同的研究内容和需要而各具特 色，如人类基因组图谱库g d b 、转录因子和结合位点库t r a n s f a c 、 蛋白质结构家族分类库s c o p 等等 2 3 蛋白质数据库 2 3 1pir 和p s d p l r 国际蛋白质序列数据库( p s d ) 是由蛋白质信息资源( p l r ) 、慕 尼黑蛋白质序列信息中心( m i p s ) 和日本国际蛋白质序列数据库 ( j i p i d ) 共同维护的国际上最大的公共