已阅读5页,还剩53页未读, 继续免费阅读
(计算机应用技术专业论文)集成学习及其在蛋白质折叠识别中的应用研究.pdf.pdf 免费下载
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
济南人学硕上学位论文 摘要 蛋白质作为由氨基酸组成的链状生物大分子,是生命中最基本的组成部分之一, 它直接参与生物结构的形成,在生物功能的过程中起着重要的作用。蛋白质折叠问题 是生物信息学中的主要问题,其研究焦点是蛋白质的一级结构中的氨基酸序列最终如 何折叠成三维的空间结构,也即通过蛋白质的一级结构预测蛋白质的三级结构。无论 是对基础科学理论的研究,还是对人类生产生活,蛋白质折叠问题的解决都具有极其 重要的意义,是一项极富挑战性的工作。 随着人类基因组计划的完成,人们得到的不同物种的d n a 序列越来越多,但 是蛋白质结构数据库( p r o t e i nd a t ab a n k ,p d b ) 的增长速度却相对缓慢,目前,己知 蛋白质序列数与已知的结构数严重不平衡,蛋白质序列数据库总的数据量大大超过 了结构数据库中的数据量。迄今为止,人们提出了许多蛋白质结构的测定方法,如 x 射线晶体学方法、多维核磁共振( n m r ) 、同源建模法和从头预测法等,虽然这些 方法的使用使得蛋白质结构测定有了显著的进步,但蛋白质结构测定的数目还是远 远不能与所确定的序列数目相比拟。 由于蛋白质折叠识别问题可以表达成标准的预测问题,因此可以用机器学习的 技术进行预测或分类。集成学习作为机器学习的一个重要分支,是通过某种组合方 式把一些学习器组合起来,使得组合后的学习器能够表现出比单个学习器更好的性 能。本文就是在此基础上,将集成学习方法引入到蛋白质折叠识别问题中,以期获 得较好的结果,为生物信息学、医药学等提供更多的技术支持。 本文在系统阐述个体学习器的原理、优化及集成方法的基础上,对蛋白质折叠 识别技术进行了较为深入的研究和探讨。论文的主要工作如下: ( 1 ) 在认真研究概率神经网络结构与特点的基础上,针对概率神经网络分类器 中存在的缺陷和不足,利用粒子群优化算法对概率神经网络的平滑因子进行优化, 解决了所有模式类都采用同一平滑因子而且一般凭经验设定的缺点,使各类模式采 用不同的平滑因子仃,提高了概率神经网络的分类能力。在此基础上对概率神经网 络分类器进行集成,并将其应用于蛋白质折叠问题,提出了基于概率神经网络集成 ( p n n e ) 的蛋白质折叠识别方法。实验表明,利用集成方法对蛋白质折叠子进行识 别的结果优于任何单个概率神经网络的结果。 ( 2 ) 根据选择性集成的思想,即从一组学习器中选择一部分组成集成可望比使 集成学习及其在蛋白质折叠识别中的应用研究 用所有学习器组成集成更好,本文尝试将多种分类器单独训练,然后对每个分类器 赋予一个随机的权值,并利用粒子群优化算法对权值进行优化,选择部分个体分类 器进行集成,提出了基于选择性集成的蛋白质折叠识别方法。大量实验表明了该方 法的实用性和有效性。 关键词:蛋白质折叠;集成学习;选择性集成;概率神经网络;粒子群优化算法 济南大学硕士学位论文 a b s t r a c t p r o t e i n s ,w h i c ha r eb i o l o g i cm a c r o m o l e c u l e sf o r m e db ya m i n oa c i dr e s i d u e s , p e r f o r mn e c e s s a r ya n d b a s i cf u n c t i o ni nl i f e t h e yd i r e c t l yp a r t i c i p a t ei nt h ec o n s t r u c t i n g o fs t r u c t u r ea n dp l a yi m p o r t a n tr o l e si nt h ep r o c e s so fb i o l o g i c a lf u n c t i o n p r o t e i nf o l d r e c o g n i t i o ni sac h i e fp r o b l e mi nt h eb i o i n f o r m a t i c s i t f o c u s e so nh o wt h ea m i n oa c i d s e q u e n c eo fap r o t e i nf o l d sd e d u c e dt ot h r e e - d i m e n s i o n a ls t r u c t u r e t h a ti s ,h o wt o p r e d i c tt h et h r e e d i m e n s i o n a ls t r u c t u r eo fap r o t e i nf r o mi t so n e - d i m e n s i o n a ls e q u e n c e t h es t u d yo fp r o t e i nf o l dr e c o g n i t i o ni so fg r e a ti m p o r t a n tf o rb o t ht h eb a s i cs c i e n t i f i c r e s e a r c ha n dt h el i f eo fh u m a n w i t ht h eh u m a ng e n o m ep r o j e c tc o m p l e t e d ,m o r ea n dm o r ed n as e q u e n c e sa r e o b t a i n e d b u tt h ei n c r e a s eo fp r o t e i nd a t ab a n ki sr e l a t i v e l ys l o w a tp r e s e n t ,t h en u m b e r o fp r o t e i ns e q u e n c e sk n o w ni su n b a l a n c e dw i t ht h a to fp r o t e i ns t r u c t u r e ;t h en u m b e ro f p r o t e i ns e q u e n c e si sm u c hm o r et h a nt h a to ft h es t r u c t u r ei nt h ed a t a b a s e s of a r ,m a n y p r o t e i n s t r u c t u r ed e t e r m i n a t i o nm e t h o d sh a v eb e e n p u tf o r w a r d ,s u c ha s ,x - r a y c r y s t a l l o g r a p h ym e t h o d s ,m u l t i - d i m e n s i o n a l n u c l e a rm a g n e t i cr e s o n a n c e ,h o m o l o g y m o d e l i n gm e t h o da n da bi n i t i op r e d i c t i o nm e t h o de t c ,t h eu s e o ft h e s em e t h o d sm a k e st h e p r o t e i ns t r u c t u r ed e t e r m i n a t i o ng r e a tp r o g r e s s ,b u tt h en u m b e ro fp r o t e i ns t r u c t u r e d e t e r m i n a t i o ni saf a rc r yf r o mt h a to ft h ei d e n t i f i e ds e q u e n c e t h ep r o t e i nf o l d i n gp r o b l e mc a nb ee x p r e s s e da sas t a n d a r df o r e c a s t i n gp r o b l e m , t h e r e f o r ec a l lb es o l v e dw i t hm a c h i n el e a r n i n gt e c h n o l o g y a sa ni m p o r t a n tb r a n c ho f m a c h i n el e a r n i n g ,e n s e m b l el e a r n i n gc o m b i n e ss o m el e a r n e r s ,s ot h a tl e a r n e r sc o m b i n e d c a np e r f o r mb e t t e rt h a n i n d i v i d u a l s b a s e do nt h i s ,e n s e m b l el e a m i n gm e t h o di s i n t r o d u c e di n t op r o t e i nf o l dr e c o g n i t i o ni nt h ep a p e r ,w i t hav i e wt oo b t a i n i n gb e t t e r r e s u l t sa n dp r o v i d i n gm o r et e c h n i c a ls u p p o r tf o rb i o i n f o r m a t i c s ,m e d i c i n e ,e t c t h i sd i s s e r t a t i o ns y s t e m a t i c a l l y , r o u n d l ya n dd e t a i l e d l ys t u d i e st h ep r i n c i p l e ,o p t i m a l a n de n s e m b l em e t h o d so fi n d i v i d u a ll e a r n e r sa n dm a k e sad e e p e rr e s e a r c ho np r o t e i nf o l d r e c o g n i t i o n t h em a i nc o n t e n t so ft h i sd i s s e r t a t i o na r et a k e na sf o l l o w s : ( 1 ) t h i sd i s s e r t a t i o ns e r i o u s l ys t u d i e da n da n a l y z e dt h es t r u c t u r ea n dc h a r a c t e r i s t i c o fp r o b a b i l i s t i cn e u r a ln e t w o r k ( p 田i no r d e rt os o l v et h ep r o b l e mt h a ta l lp a t t e r n t t t 集成学习及其在蛋白质折叠识别中的应用研究 c l a s s e sa d o p tt h es a m es m o o t h n e s sf a c t o ra n ds m o o t h n e s sf a c t o rc a l ln o tb es e te x a c t l y , p s oa l g o r i t h mi su s e dt oo p t i m i z et h es m o o t h n e s sf a c t o ro fp n n ,w h i c hi m p r o v e dt h e c l a s s i f i c a t i o na b i l i t yo fp n n a n dt h e na na p p r o a c hf o rp r o t e i nf o l dr e c o g n i t i o nb a s e do n p r o b a b i l i s t i cn e u r a ln e t w o r ke n s e m b l ew a sp u tf o r w a r d e x p e r i m e n t ss h o wt h a t ,u s i n g e n s e m b l em e t h o dt oi d e n t i f yt h ep r o t e i nf o l d i n gi ss u p e r i o rt oa n yi n d i v i d u a lp r o b a b i l i s t i c n e u r a ln e t w o r kc l a s s i f i e r s ( 2 ) s e l e c t i v ee n s e m b l er e v e a l st h a ti tm a y b eb e t t e rt oe n s e m b l em a n yi n s t e a do fa l l o ft h ec l a s s i f i e ra th a n d ,t h i sd i s s e r t a t i o nt r i e dt ot r a i nan u m b e ro fc l a s s i f i e r sa tf i r s t ,a n d t h e nc h o s es o m eo p t i m a lc l a s s i f i e r su s i n gp s oa l g o r i t h mt oc o m b i n e ,p r o p o s e da s e l e c t i v ee n s e m b l eb a s e dp r o t e i nf o l dr e c o g n i t i o na p p r o a c h e x p e r i m e n t a lr e s u l t ss h o w t h a tt h ep r o p o s e dm e t h o dc a ni m p r o v et h ep r e d i c t i o na c c u r a c ya n do u t p e f f o r mo t h e r r e l a t e da p p r o a c h e s k e y w o r d s :p r o t e i nf o l dr e c o g n i t i o n ;e n s e m b l el e a r n i n g ;s e l e c t i v ee n s e m b l e ; p r o b a b i l i s t i cn e u r a ln e t w o r k ;p a r t i c l es w a r mo p t i m i z a t i o na l g o r i t h m i v 原创性声明 本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独立 进行研究所取得的成果。除文中已经注明引用的内容外,本论文不包含 任何其他个人或集体己经发表或撰写过的科研成果。对本文的研究做出 重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到 本声明的法律责任由本人承担。 论文作者签名:酞重耋 e t 期:巡:笸:丝 关于学位论文使用授权的声明 本人完全了解济南大学有关保留、使用学位论文的规定,同意学校 保留或向国家有关部门或机构送交论文的复印件和电子版,允许论文被 查阅和借鉴;本人授权济南大学可以将学位论文的全部或部分内容编入 有关数据库进行检索,可以采用影印、缩印或其他复制手段保存论文和 汇编本学位论文。 ( 保密论文在解密后应遵守此规定) 论文作者签名:益哑导师签名:谶日期:垫业 济南大学硕士学位论文 第一章绪论 本章对论文涉及的研究领域进行了较为详细的综述。简要介绍了蛋白质折 叠问题的研究背景和意义,以及常用的蛋白质序列和结构数据库。在对研究现 状进行简要综述的基础上,分析了该领域存在的主要问题,进而引出了论文的 主要研究内容,最后对论文的章节安排作了介绍。 1 1 研究背景与意义 生物信息学( b i o i n f o r m a t i c s ) 1 - 3 】是在数学、计算机科学和生命科学的基础上形成 的一门新型交叉学科,是指为理解各种数据的生物学意义,运用数学、计算机科学与 生物手段进行生物信息的收集、加工、储存、传播、分析的科学。近年来,随着快速 序列测定、基因重组、基因芯片、多维核磁共振等技术的应用,生物学实验数据呈爆 炸趋势增长,同时计算机和国际互联网络的发展使对大规模数据的贮存、处理和传输 成为可能。作为- - 1 7 新的学科领域,它以基因组d n a 序列信息分析作为出发点,破 译遗传语言,认识遗传信息的组织规律,辨别隐藏在d n a 序列中的基因,掌握基因 调控信息,对蛋白质空间结构进行模拟和预测,依据蛋白质结构和功能的关系进行药 物分子设计。 蛋白质是生命活动的主要承担者,对其结构及其功能进行研究对揭开生命的秘 密有着很重要的意义。蛋白质工程是现代生物技术发展的前沿领域,其根本目的是 要将天然存在的蛋白质按照人们的设想进行改造,或者根据需要设计出具有某种特 殊功能的非天然的新的蛋白质,而这种改造和设计的重要基础之一就是蛋白质折叠 结构的预测。也就是说,蛋白质的结构与功能之间具有一致性,有什么样的结构必 定有什么样的功能,反之亦然。因此,对蛋白质折叠结构的预测和研究在蛋白质工 程中有着极其重要的地位。 所谓蛋白质折叠问题【4 8 】,就是研究蛋白质的天然结构的形成机理,即具有一定 氨基酸顺序的多肽链是如何逐步折叠到蛋白质特定的空间结构构象的。对这一问题的 研究,除了具有学术上的意义外,还有重要的应用价值。目前高速发展的生物工程产 业中最具有希望的产品多数是新蛋白质,生物技术的发展使得设计可以产生这类蛋白 质的基因成为可能,但普遍遇到的一个问题是基因表达出来的蛋白质常常不能正确折 叠,因而急待解决如何使错误折叠的蛋白质恢复活性的问题。而近年来引起世界广泛 集成学习及其在蛋白质折叠识别中的应用研究 关注的“构象”病,如绵羊疯痒症,疯牛病,以及人类的新型克雅氏症,阿尔茨海默 型痴呆症等等,其原因大都是因为有关的蛋白质结构中部分区域发生了错误折叠,这 给蛋白质折叠的研究又赋予了一层新的意义。 1 2 国内外研究现状 1 9 6 1 年,a n f i n s e n 纠2 】在实验的基础上提出某些蛋白质在体外的一定条件下解聚 失活后可以自动折叠而恢复其原有高级结构与活性的著名论断,这也就意味着蛋白质 的氨基酸序列及环境决定其三维构象,这就是蛋白质结构预测的理论基础。截至2 0 0 4 年2 月1 5 日,s w i s s p r o t4 2 1 1 版公布的已知氨基酸序列的蛋白质分子为1 4 47 3 1 个( 共由 5 36 8 32 3 9 个氨基酸残基组成,平均每条序列约由3 7 0 氨基酸残基组成) ,但是同年2 月2 4 日蛋白质结构数据库( p r o t e i nd a t ab a n k ,p d b ) 中收录的己知空间结构的蛋白质 只有2 4 4 4 4 个,结构和序列的比例大约是1 :6 。显然蛋白质分子三维结构测定的速度 仍远远落后于其氨基酸序列测定的速度。所以根据蛋白质的氨基酸序列预测其相应的 空间结构就成为生物信息学研究中一个最重要的、迄今仍未解决的问题。 目前,蛋白质结构预测的方法主要有x 射线晶体学方法、多维核磁共振( n m r ) 等方法【9 1 。x 射线晶体学方法是迄今为止研究蛋白质结构最有效的方法,但是所需 的蛋白质晶体难以培养,且晶体结构测定的周期较长。多维核磁共振方法可以直接 测定蛋白质在溶液中的构想,但由于对样品的需要量大、纯度高,被测定的蛋白质 的分子量一般不超过2 万等,因而也受到很大限制。虽然x 射线晶体学和n m r 技 术大规模的应用,使得蛋白质结构测定方面有了显著的进步,但蛋白质结构测定的 数目还是远远不能与所确定的序列数目相比拟。与此相似的是,由于缺乏高度自动 化地确定蛋白质功能的技术,蛋白质功能所能确定的数目与序列之间的差距亦越来 越大。所有蛋白质的空间结构和功能都通过实验测定是不现实的,因而有必要发展 一种可靠的理论预测方法,借助于计算的手段来得到某种程度的解决。 近年来人们尝试利用机器学习的方法去对蛋白质结构进行预测。j i a of 和x u j b 等【1 0 】提出一种把折叠识别问题看作一个回归任务的机器学习的方法,并采用 l sb o o s t 算法来解决。d i n g 等人【儿】应用支持向量机和神经网络等方法对多类蛋白 质折叠进行了较成功的预测( 测试蛋白质序列与训练蛋白质序列的相似性小于 3 5 ) 。b o l o g n a 和a p p e l 1 2 】使用一个1 3 1 维的特征向量和一个4 层感知器集成的方 法( d i m p l p ) ,在此方法中,每个网络同时训练所有的蛋白质折叠样本,输出则采用 了b a g g i n g 和a r c i n g 的结合。张绍武和潘泉等人【1 3 】提出了基于支持向量机的多类蛋 2 济南人学硕上学位论文 白质折叠子预测方法,该方法基于支持向量机,以氨基酸组成成分与氨基酸残基指 数自相关函数组合两种特征提取方法构成的特征向量表示蛋白质序列。 1 3 常用的蛋白质序列与结构数据库简介 由于生物分子数据的高速增长,同时也是为了满足分子生物学及相关领域研究 人员迅速获得最新实验数据的要求,国际上已建立起许多生物分子公共数据库1 2 , 1 4 l , 包括基因组图谱数据库、核酸序列数据库、蛋白质序列数据库及生物大分子结构数 据库等。这些数据库由专门的机构建立和维护,他们负责收集、组织、管理和发布 生物分子数据,并提供数据检索和分析工具,向生物学研究人员提供大量有用的信 息,最大限度地满足他们研究和应用的需要。 一般而言,生物分子数据库可以分为一级数据库和二级数据库。一级数据库中 的数据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,例如d n a 序列、蛋白质序列和蛋白质结构等信息;二级数据库是对原始生物分子数据进行整 理、分类的结果,是在一级数据库、实验数据和理论分析的基础上针对特定的应用 目标而建立的。 本节对常用的蛋白质序列和结构数据库做一简单介绍。 ( 1 ) p i r ( h t t p :p i r g e o r g e t o w n e d u ) 蛋白质信。躲( p r o t e i ni n f o r m a t i o nr e s o u r c e ,p r o ) 数据库是由美国生物医学研究 基金会n b r f ( n a t i o n a lb i o m e d i c a lr e s e a r c hf o u n d a t i o n ) 于1 9 8 4 年建立的,其目的是 帮助研究者鉴别和解释蛋白质序列信息,研究分子进化、功能基因组,进行生物信 息学分析。它是一个全面的、经过注释的、非冗余的蛋白质序列数据库。所有序列 数据都经过整理,超过9 9 的序列已按蛋白质家族分类,一半以上还按蛋白质超家 族进行了分类。目前,p i r 已经成为一个集成的生物信息数据源,支持基因组研究 和蛋白质组研究。它包括3 个子数据库,分别是蛋白质序列数据库p i r p s d 、蛋白 质分类数据库i p r o c l a s s 以及非冗余的蛋白质参考资料数据库p i r n r e f 。 ( 2 ) s w i s s p r o t ( h t t p :w w w e x p a s y o r g s p r o t s p r o t - t o p h t m l ) s w i s s p r o t 数据库由瑞士日内瓦大学( g e n e v e s eu n i v e r s i t y ) 和欧洲分子生物 学实验室( e u r o p e a nm o l e c u l a rb i o l o g yl a b o r a t o r y , e m b l ) 合作创建,目前由瑞士生物 信息学研究所( s w i s sb i o i n f o r m a t i c si n s t i t u t e ,s b i ) 和欧洲生物信息学研究所 ( e u r o p e a nb i o i n f o r m a t i c si n s t i t u t e ,e b i ) 共同维护。s w i s s p r o t 数据库的特点是给 蛋白质序列以详细的数据注释信息,包括基因名称、物种来源、分类学位置、蛋白 3 集成学习及其在蛋白质折叠识别中的应用研究 质功能说明、结构域、翻译后修饰、突变体、与其他数据库的链接、关键词、特征 表等信息。s w i s s p r o t 所收录的序列较p i r 为少,但它是注释最为详尽的数据库。 ( 3 ) p d b ( h t t p :w w w r c s b o r g p d b ) 蛋白质结构数据库( t h ep r o t e i nd a t ab a n k ,p d b ) 由美国新泽西州立大学、加州 大学圣迭戈超级计算中心和国家标准技术研究所三家单位合作建立的结构生物信 息学联合研究实验室( t h er e s e a r c hc o l l a b o r a t o r yf o rs t r u c t u r a lb i o i n f o r m a t i c s ,r c s b ) 维护,是收集蛋白质3 d 结构最为著名的数据库。它提供蛋白质除氢原子之外的所 有原子的坐标,此外还给出蛋白质的结构注释、图像、氨基酸序列、二级结构等信 息。许多蛋白质结构数据库都是依据p d b 的数据来构建的。 ( 4 ) s c o p ( h t t p :s c o p m r c - l m b c a m a c u k s c o p 0 蛋白结构分类数据库( s t r u c t u r a lc l a s s i f i c a t i o no fp r o t e i n s ,s c o p ) 是英国医学研 究委员会( m e d i c a lr e s e a r c hc o u n c i l ,m r c ) 属下的m r c 分子生物学实验室和蛋白质 工程研究中心( m r cl a b o r a t o r yo fm o l e c u l a rb i o l o g ya n dc e n t r e f o rp r o t e i n e n g i n e e r i n g ) 开发维护的,它是通过手工比较辅以自动计算方法,对已知结构的蛋白 质进行相似性分析和进化同源性分析而建立的蛋白质结构分类数据库。 1 4 本文的主要内容 集成学习作为机器学习的一个重要分支,是通过某种组合方式把一些学习器组 合起来,使得组合后的学习器能够表现出比单个学习器更好的性能。本文就是在此 基础上,将集成学习方法引入到蛋白质折叠识别问题中,对蛋白质折叠识别技术进 行了较为深入的研究和探讨,提出了基于概率神经网络集成的蛋白质折叠识别法, 然后进一步研究了基于选择性集成的蛋白质折叠识别方法。主要研究内容如下: ( 1 ) 提出了基于概率神经网络集成( p n n e ) i 拘蛋白质折叠识别方法。在认真研究 概率神经网络结构与特点的基础上,利用粒子群优化算法对普通概率神经网络进行 改进,使各类模式采用不同的平滑因子,提高了概率神经网络的分类能力。在此 基础上对概率神经网络分类器进行集成,并将其应用于蛋白质折叠识别问题。实验 表明,利用集成方法对蛋白质折叠子进行识别的结果优于任何单个概率神经网络的 结果。 ( 2 ) 根据选择性集成的思想,即从一组学习器中选择一部分组成集成可望比使 用所有学习器组成集成更好,本文尝试将多种分类器单独训练,然后对每个分类器 赋予一个随机的权值,并利用粒子群优化算法对权值进行优化,选择部分个体分类 4 济南大学硕十学位论文 器进行集成,提出了基于选择性集成的蛋白质折叠识别方法。大量实验表明了该方 法的实用性和有效性。 1 5 本文的组织结构 本文的内容分为六章,具体的章节安排如下: 第一章绪论,介绍了课题的研究背景与意义、当前国内外研究现状,以及常 用的蛋白质序列和结构数据库,概括介绍了论文的组织结构。 第二章蛋白质折叠理论,主要介绍了蛋白质的组成、蛋白质的结构及其预测 方法概述、蛋白质折叠子,以及蛋白质折叠预测的方法,从试验测定法和理论预测 法两个方面阐述了现有的蛋白质折叠的研究方法与特点。 第三章集成学习理论与方法,系统地介绍了集成学习的基本理论基础以及集 成学习的实现方法,包括个体生成法、结论合成法,以及选择性集成方法。 第四章基于概率神经网络集成的蛋白质折叠识别研究,简单介绍了概率神经 网络的原理与结构,主要阐述了对普通概率神经网络的改进,并将改进的概率神经 网络分类器运用到蛋白质折叠问题中,提出了基于概率神经网络集成( p n n e ) 的蛋 白质折叠识别方法,提高了预测精度。 第五章基于选择性集成的蛋白质折叠识别研究,即根据选择性集成的思想, 尝试将多种分类器单独训练,然后选择部分个体分类器进行集成,提出了用选择性 集成结合多数投票进行蛋白质折叠识别的方法。最后介绍了几组仿真实验,并且对 实验结果进行了比较分析,做出了相应的结论。 第六章总结和展望,对集成学习及其在蛋白质折叠识别中的研究和应用做出 了总结,对存在的问题和未来的研究和发展做出了展望。 5 集成学习及其在蛋白质折叠识别中的应用研究 第二章蛋白质折叠理论 2 1 蛋白质的基本组成 蛋白质是生物体内占有特殊地位的生物大分子,它是生物体的基本构件,也是 生命活动的重要物质基础,几乎一切生命现象都要通过蛋白质的结构与功能而体现 出来。 蛋白质【2 】是一种由2 0 种l 型口一氨基酸通过口一碳原子上的取代基间形成的酰胺 键连成的具有特定空间构象和生物功能的肽链构成的生物大分子。一种典型的蛋白 质包含的氨基酸残基从2 0 个到2 0 0 0 个不等。氨基酸是蛋白质的基本结构单位,是 带有氨基的有机酸,由一个氨基、一个羧基、一个氢原子和一个r 基团所组成,如 图2 1 所示。r 基团通常是氨基酸的侧链。构成蛋白质的2 0 种氨基酸其侧链在大小、 形状、电荷、形成氢键的能力和化学活性方面都存在差异,蛋白质实现的功能范围 之所以如此之广,就是由于这2 0 种氨基酸的差异以及它们的各种组合的变化的结 果。 h r l 1 0 0 h k 2 图2 1 氨基酸的化学结构式 蛋白质分子中氨基酸连接的基本方式是肽键( p e p t i d eb o n d ) 【1 】o 肽键是由一个氨 基酸的氨基和一个氨基酸的羧基脱水形成的酰胺键( _ o _ 】叫。如图2 2 所示为 两个氨基酸缩去一个水分子后生成一个二肽( d i p e p t i d e ) 的情况。 n h 2 一c h i r l n h 2 一c h i r 2c i h r 1 图2 2 两个氨基酸脱水的过程 d 矿 c h c : i r 2 o h 各氨基酸由肽键连接而成的产物称为肽( p e p t i d e ) ,两个氨基酸组成的肽称为二 6 一 一 一 济南大学硕士学位论文 肽,三个、四个氨基酸相继连接形成三肽、四肽,以此类推。一条较长的氨基酸链通 常称为多肽( p o l y p e p t i d e ) 或者蛋白质。由于最初的氨基酸中一些原子在肽键的成键过 程中形成水而丢失了,因此氨基酸在多肽中通常被称为氨基酸残基( r e s i d u e ) 。这条 多肽链是蛋白质的基本组成,是蛋白质的一级结构。 2 2 蛋白质结构及其预测方法概述 为了表示蛋白质结构的不同组织层次,通常把蛋白质的结构【2 ,1 5 】分成四个层次: 一级结构、二级结构、三级结构和四级结构,在此基础上人们又提出了超二级结构 和结构域的概念。 一级结构是指多肽链中氨基酸残基的排列顺序,靠共价键维持多肽链的连接,而 不涉及其空间排列,是一个无空间概念的一维结构。对于多肽链,习惯上把含有口一 氨基的一端称为n 端,而把含有a 一羧基的一端称为c 端。氨基酸从多肽链一端到 另一端的出现顺序就叫做蛋白质的一级结构。蛋白质一级结构测定的方法基本上分成 两类:一是直接测定法,即用蛋白质化学测序法进行肽链断裂、肽段分析;二是间接 测定法,即通过测定编码蛋白质的核苷酸序列分析氨基酸的排列顺序。 二级结构是指多肽链骨架的局部空间结构,不考虑侧链的构象及整个肽链的空间 排列,有时也可以认为,蛋白质的二级结构是构成蛋白质三级结构的部件。主要的二 级结构包括a 螺旋、卢折叠片( 包括平行和反平行两种) 、声回折、夕突起等。二级结构 预测被认为是预测三级结构的先行步骤,人们往往先从一级序列预测二级结构,再把 二级结构折叠成三级结构。比较常用的蛋白质二级结构预测的方法是立体化学方法、 c h o u f a s m a n 方法、g o r 方法、l i m 方法、c o h e n 方法以及其他的预测方法,包括模式 识别、神经网络等。尽管人们设计了各种方案,但是总的来说蛋白质二级结构预测的 准确率依然不高。 三级结构是指多肽链上相距较远的侧链借助各种非共价键( 或非共价力) 弯曲,折 叠成具有特定走向的紧密球状构象。三级结构是多肽链在三维排列中的另一个高级组 织层次,部分蛋白质只有三级结构,而无四级结构。目前,蛋白质三级结构的预测主 要是通过实验测定和理论预测两种方法。实验测定方面,x 射线晶体学和多维核磁共 振方法是目前最有效的;理论预测总体上可分为三大类,即同源建模法、折叠识别法、 从头预测法。 四级结构定义为一些特定三级结构的肽链通过非共价键而形成的大分子体系时 的组合方法。作为蛋白质四级结构组成部分的三级结构称为亚基,亚基间通过非共价 7 集成学习及其在蛋白质折叠识别中的应用研究 键相互作用。 在二级结构和三级结构之间存在着过渡结构,即超二级结构和结构域。当然并 不是所有的蛋白质中都存在着这些过渡结构,一般分子量较大的蛋白质易出现过渡 结构。超二级结构是指两个或两个以上的二级结构单元进一步组合、折叠成有特殊 几何排列的局部空间结构。结构域的概念是指蛋白质中构象单元组成的一些实体, 它们有一定的三级结构概念,而且往往还具有特定的但还不是很完全的生物活性。 目前的蛋白质结构域可以分为6 种类型,a 型蛋白、卢型蛋白、a 与声分离型( 简称 a + f 1 ) 蛋白质、a 与夕相间型( 简称a i j ) 蛋白质、“无规”卷曲型蛋白质以及其他的一 些类型的蛋白质。 对于蛋白质结构预测的流程,一般来说,在给定蛋白质序列后,首先是进行蛋 白质序列分析,在已知蛋白质序列库中寻找同源蛋白质。如果找到同源蛋白质、并 且该蛋白质的空间结构已经确定,那么就可以利用同源信息建立目标蛋白质的三级 结构模型。如果没有同源蛋白质的三级结构资料,一般的做法是先从二级结构预测 入手,在搞清二级结构的基础上再进行三级结构的预测。由于目前仍然没有很精确 的二级结构的预测方法,所以这样的预测往往很难得到令人满意的结果。现在比较 多的做法是不依赖二级结构的预测,直接从蛋白质序列预测三级结构。最经典的方 法就是分子动力学方法,在蛋白质整个构象空间上进行搜索,然后找出能量最低的 构象作为目标蛋白质的预测构象。这样做的依据是热力学假说,即对于一个蛋白质 分子:( 1 ) 氨基酸序列所提供的全部信息可以完全且唯一地决定分子的天然结构,即 一级结构决定三级结构;( 2 ) 天然结构下的蛋白质的自由能是全局的最小值( g l o b a l m i n i m u m ) 。 2 3 蛋白质折叠子 蛋白质折叠子【排1 8 】反映了一个蛋白质核心结构的拓扑结构模式,是从蛋白质结 构基础层次一二级结构单元出发进行的一种描述。它包含了蛋白质分子空间结构组 成的三个主要方面,即二级结构单元,二级结构单元的相对排布位置关系,以及蛋 白质多肽链的整个路由关系( 即肽链走向) 。 在蛋白质结构数据库的研究分类中,一般地讲,折叠子包含一个或多个蛋白质 超家族( s u p e f f a m i l y ) ,这些蛋白质超家族中的蛋白质核心结构相同。每一个折叠子 的结构内核有确定的结构特征,具有相同折叠子的不同蛋白具有相同的内核结构特 征。具有相同折叠子的蛋白,在结构上的相似性可能与蛋白肽链拓扑学,以及肽链 r 济南大学硕上学位论文 空间排布与侧链堆积的物理化学因素有关。蛋白质折叠子在蛋白质多层次结构中所 处的位置1 1 9 ,刎如图2 3 所示。 i 蛋白质:二级结构 j r i 蛋白矗折叠子 上 蛋白质超家族 上 蛋白质家族 上 蛋白质结构域 图2 3 蛋白质多层结构图( 含折叠子) 蛋白质折叠子的识别研究主要基于如下两种需求【2 1 】: ( 1 ) n i r e n b e r g ,h o l l e y 和k h o r a n a 因发现了遗传密码而获得了1 9 6 8 年诺贝尔生 理医学奖。于是,后继的研究者自然联想到在蛋白质一级序列上的几个连续的氨基 酸模体也有可能作为某种功能模块。沿着这一思路,研究者将一些序列上有较大差 异但功能上近似的蛋白质的超家族进行多序列比对,然后找出序列之间的保守区 域,并认为这些保守区域是这一超家族行使功能所必需的序列模体。但他们所得到 的结果并不像遗传密码那样的可靠,以氨基酸序列预测蛋白质的功能遇到了巨大的 困难。故此,蛋白质结构的比较和分类就显得十分重要。 ( 2 ) 蛋白质序列数据的增长高于蛋白质结构数据的增长。加之蛋白质的结构与 生物功能的关系比序列更加密切,故对蛋白质折叠结构的研究就愈加重要了。 2 4 蛋白质折叠预测的基本方法 蛋白质结构预测【3 】是基因组功能研究中的重要内容,是目前生物信息学中有待 解决的问题。首先,蛋白质的功能和结构具有密切的关系,只有处在一定的空间结 构中蛋白质分子才能够发挥其特定的功能,蛋白质结构与功能的研究一直是分子生 物学的核心问题之一;其次,测序速度与结构测定速度的悬殊使预测蛋白质结构成 为必要。2 0 世纪5 0 6 0 年代,a n f i n s e n 提出蛋白质分子的一级序列完全决定其空间 结构的著名论断,这使得根据蛋白质的一级序列预测相应空间结构成为可能。 9 集成学习及j e 在蛋白质折叠识别中的应用研究 由于人们越来越认识到研究蛋白质结构的重要性,越来越多的方法被用来研究 蛋白质结构,主要包括实验测定法和理论预测法两种【2 1 。 2 4 1 实验测定法 在各种实验方法之中,x 射线晶体学和多维核磁共振方法是目前比较有效的蛋 白质结构预测方法。 利用x 射线晶体学方法测定蛋白质分子的构象,结果比较可靠,它可以达到其 他方法达不到的精度。但是,与溶液中的构象相比,蛋白质分子在晶体中的构象是 静态的,所以,利用蛋白质晶体不能测定不稳定的过渡态的构象。而且,很多蛋白 质很难结晶,或者很难得到用于结构分析的足够大的单晶。另外,该方法的工作流 程很长。 核磁共振是指核磁矩不为零的核,在外磁场的作用下,核自旋能级发生塞曼分 裂( z e e m a ns p l i t t i n g ) ,共振吸收某一特定频率的射频辐射的物理过程。近年来,多 维核磁共振方法测定小蛋白的三维结构得到了成功的应用。该方法不需要制备蛋白 质晶体,但这种方法仅限于分析长度不超过1 5 0 个氨基酸残基的小分子量蛋白质, 并且对样品的需要量大、纯度要求高,且蛋白质结构中不能有很多重复单元。随着 已知结构的蛋白质数量和己知序列的蛋白质数量的差距越来越大,如何利用理论的 方法来进行蛋白质的结构预测已经成了生物信息学研究中的一尊圣杯。 2 4 2 理论预测法 蛋白质结构预测的理论方法【2 】总体上可以分为三大类:同源建模法、从头预测 法和折叠识别法。近年来,同源建模法和折叠识别法的研究都已经取得重要进展, 一些商品化计算机应用软件已投入使用,并不断改进,如c o m p o s e r 和t h r e a d i n g 等。 同源建模法是基于知识的蛋白质结构预测方法,它是在目标蛋白质有同源结构 可以参考的情况下应用的一种技术,是目前最为成熟的预测方法。按照目前的定义, 若目标蛋白质序列与模板序列经比对达到序列同源性在4 0 ( 也有人认为在3 5 ) 以上,则它们可能是同源蛋白,从而可以用同源蛋白模型构建的方法预测其三维结 构。因为它们可能是由同一种蛋白质分化而来,它们具有相似的空间结构、相同或 相近的功能。因此,若知道了同源蛋白家族中某些蛋白质的结构,就可以预测其他 一些序列已知而结构未知的同源蛋白的结构,可以用同源模型构建的方法预测目标 蛋白质的三维结构。同源建模法共分6 个主要步骤:目标蛋白序列与模板序列的匹 1 0 济南大学硕上学位论文 配、确定蛋白质的结构保守区、保守区的主链模建、结构变异区的主链模建、侧链 的安装和优化以及对模建结构的优化和评估。 从头预测法仅利用氨基酸序列所具有的信息来预测目标蛋白质的空间结构,它 不需要序列以外的其它信息,其核心内容是恰当地建立并求解一个复杂的全局优化 问题。故如何找到势能函数的全局极小点是从头预测法的一个关键。从头预测法又 可以细分为预n - 级结构、预测超二级结构、预测结构类型、预测折叠模式以及预 测三级结构。分子动力学( m d ) 方法是从头预测方法中被深入研究过的方法之一。 用该方法来解决蛋白质构象的搜索问题可以看作是试图再现蛋白质折叠这一真实 的物理化学过程。在笛卡尔空间中使用全原子力场和外部溶剂描述的分子动力学方 法所建立的时间函数,被认为能够可靠再现多肽链的运动。如果上述理论成立,那 么从一个随机结构出发,只要产生一条足够长的轨道,就可以找到功能构象。 折叠识别法【3 】假设有n 种已知的折叠子
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 高一政治必修一“原始社会的解体和阶级社会的演进”教学设计
- 高中信息技术选修算法与程序设计双重循环教学设计
- 初中数学九年级下册反比例函数图象与性质复习教学设计
- 八年级物理 熔化与凝固 教学设计
- 初中物理八年级上册 1.1 声音是什么 教学设计
- 小学五年级班队活动教学设计《做自己的舵手-从被管教到自觉的成长》
- 初中八年级信息技术《改变图像大小和方向》教学设计
- 学期教学工作总结
- CN119538297A 一种基于客户端分组的联邦学习隐私保护方法 (安徽工业大学)
- CN119537506A 一种异步式服务化信息检索和索引管理方法及系统 (中国石油天然气股份有限公司)
- 东营港东营港区环抱港池内航道维护性疏浚工程环境影响报告书
- 熔化焊接与热切割培训课件
- 12J9-1 室外工程图集
- ReFi动态养老财务模型目标基准点及养老财务相关知识测试题附答案
- GB/T 29911-2025汽车租赁服务规范
- 河大版小学信息技术课件教学
- 贝壳租房合同协议
- T-CALC 007-2025 重症监护病房成人患者人文关怀规范
- 《农村既有居住建筑抗震鉴定与加固技术标准》
- ABBdcs组态课件CONDUCTORVMS操作
- DB43T 833-2016 前(后)置微耕机
评论
0/150
提交评论