| 查看: 2012 | 回复: 19 | ||||
| 当前主题已经存档。 | ||||
longtian1755银虫 (初入文坛)
|
[交流]
蛋白质结构预测及方法介绍 一搜索无重复
|
|||
| 若大家感兴趣的话 请留下邮箱 发给大家共同学习 |
回复此楼» 收录本帖的淘帖专辑推荐
 生物信息学 |
» 猜你喜欢
考研化学308分求调剂
已经有11人回复
-
294求调剂材料与化工专硕
已经有16人回复
-
299求调剂
已经有8人回复
-
一志愿 西北大学 ，070300化学学硕，总分287，双非一本，求调剂。
已经有4人回复
-
298求调剂
已经有3人回复
-
289求调剂
已经有10人回复
-
286求调剂
已经有11人回复
-
303求调剂
已经有3人回复
-
0703化学求调剂
已经有7人回复
-
295求调剂
已经有7人回复
2楼2009-05-04 13:47:29
math2000
铁杆木虫 (职业作家)
- 应助: 239 (大学生)
- 金币: 5846.2
- 红花: 18
- 帖子: 4810
- 在线: 458.7小时
- 虫号: 235375
- 注册: 2006-04-01
- 专业: 概率论与随机分析
3楼2009-05-04 18:58:32
doctorzhjw
木虫 (文坛精英)
小木虫灌水博士
- 应助: 0 (幼儿园)
- 金币: 4853.5
- 沙发: 1
- 帖子: 11660
- 在线: 5.5小时
- 虫号: 655540
- 注册: 2008-11-16
- 性别: GG
- 专业: 微生物遗传育种学
4楼2009-05-04 19:07:15
5楼2009-05-04 19:25:05
kunzheng15
至尊木虫 (正式写手)
- 应助: 0 (幼儿园)
- 金币: 13270.3
- 帖子: 806
- 在线: 775小时
- 虫号: 512610
- 注册: 2008-02-26
- 性别: GG
- 专业: 生物大分子结构与功能
|
第七章 蛋白质结构预测 一种生物体的基因组规定了所有构成该生物体的蛋白质，基因规定了组成蛋白质的氨基酸序列。虽然蛋白质由氨基酸的线性序列组成，但是，它们只有折叠成特定的空间构象才能具有相应的活性和相应的生物学功能。了解蛋白质的空间结构不仅有利于认识蛋白质的功能，也有利于认识蛋白质是如何执行其功能的。确定蛋白质的结构对于生物学研究是非常重要的。目前，蛋白质序列数据库的数据积累的速度非常快，但是，已知结构的蛋白质相对比较少。尽管蛋白质结构测定技术有了较为显著的进展，但是，通过实验方法确定蛋白质结构的过程仍然非常复杂，代价较高。因此，实验测定的蛋白质结构比已知的蛋白质序列要少得多。另一方面，随着DNA测序技术的发展，人类基因组及更多的模式生物基因组已经或将要被完全测序，DNA序列数量将会急增，而由于DNA序列分析技术和基因识别方法的进步，我们可以从DNA推导出大量的蛋白质序列。这意味着已知序列的蛋白质数量和已测定结构的蛋白质数量（如蛋白质结构数据库PDB中的数据）的差距将会越来越大。人们希望产生蛋白质结构的速度能够跟上产生蛋白质序列的速度，或者减小两者的差距。那么如何缩小这种差距呢？我们不能完全依赖现有的结构测定技术，需要发展理论分析方法，这对蛋白质结构预测提出了极大的挑战。20世纪60年代后期，Anfinsen首先发现去折叠蛋白或者说变性(denatured)蛋白质在允许重新折叠的实验条件下可以重新折叠到原来的结构，这种天然结构(native structure)对于蛋白质行使生物功能具有重要作用，大多数蛋白质只有在折叠成其天然结构的时候才能具有完全的生物活性。自从Anfinsen提出蛋白质折叠的信息隐含在蛋白质的一级结构中，科学家们对蛋白质结构的预测进行了大量的研究，分子生物学家将有可能直接运用适当的算法，从氨基酸序列出发，预测蛋白质的结构。本章主要着重介绍蛋白质二级结构及空间结构预测的方法。 7.1 引言 基因是生命的蓝图，蛋白质是生命的机器。来自于四种字符字母表（A，T（U），C，G）的核酸序列中蕴藏着生命的信息，而蛋白质则执行着生物体内各种重要的工作，如生物化学反应的催化、营养物质的输运、生长和分化控制、生物信号的识别和传递等。蛋白质序列由相应的核酸序列所决定，通过对基因的转录和翻译，将原来四字符的DNA序列，根据三联密码规则翻译成20字符的蛋白质氨基酸序列。 蛋白质具有不同的长度、不同的氨基酸排列和不同的空间结构，实验分析表明蛋白质能够形成特定的结构。蛋白质中相邻的氨基酸通过肽键形成一条伸展的链，肽链上的氨基酸残基形成局部的二级结构，各种二级结构组合形成完整的折叠结构。蛋白质分子很大，其折叠的空间结构会将一些区域包裹在内部，而将其它的区域暴露在外。在蛋白质的空间结构中，序列上相距比较远的氨基酸可能彼此接近。在水溶液中，肽链折叠成为特定的三维结构。主要的驱动力来自于氨基酸残基的疏水性，氨基酸残基的疏水性要求将氨基酸疏水片段放置于分子的内部。图7.1（a）是酪氨酸磷酸酶的蛋白质序列，图7.1（b）是对应的二级结构，其中H 代表螺旋，E 代表折叠，B表示β桥，G表示310螺旋，I表示π螺旋，T表示氢键转角，S代表转向，图7.1（c）显示的是该蛋白质的折叠结构。 研究蛋白质的结构意义重大，分析蛋白质结构、功能及其关系是蛋白质组计划中的一个重要组成部分。研究蛋白质结构，有助于了解蛋白质的作用，了解蛋白质如何行使其生物功能，认识蛋白质与蛋白质（或其它分子）之间的相互作用，这无论是对于生物学还是对于医学和药学，都是非常重要的。对于未知功能或者新发现的蛋白质分子，通过结构分析，可以进行功能注释，指导设计进行功能确认的生物学实验。通过分析蛋白质的结构，确认功能单位或者结构域，可以为遗传操作提供目标，为设计新的蛋白质或改造已有蛋白质提供可靠的依据，同时为新的药物分子设计提供合理的靶分子结构。 生物信息学的一个基本观点是：分子的结构决定分子的性质和分子的功能。因此，生物大分子蛋白质的空间结构决定蛋白质的生物学功能。但是，蛋白质的空间结构又是由什么决定的呢？当一个蛋白质的空间结构被破坏以后，或者蛋白质解折叠后，可以恢复其自然的折叠结构。大量的实验结果证明：蛋白质的结构由蛋白质序列所决定。虽然影响蛋白质空间结构的另一个因素是蛋白质分子所处的溶液环境，但是，决定蛋白质结构的信息则是被编码于氨基酸序列之中。然而，这种编码是否能被破译呢？或者说是否能够直接从氨基酸序列预测出蛋白质的空间结构呢？ 从数学上讲，蛋白质结构预测的问题是寻找一种从蛋白质的氨基酸线性序列到蛋白质所有原子三维坐标的映射。典型的蛋白质含有几百个氨基酸、上千个原子，而大蛋白质（如载脂蛋白）的氨基酸个数超过4500。所有可能的序列到结构的映射数随蛋白质氨基酸残基个数呈指数增长，是天文数字。然而幸运的是，自然界实际存在的蛋白质是有限的，并且存在着大量的同源序列，可能的结构类型也不多，序列到结构的关系有一定的规律可循。因此，蛋白质结构预测是可能的。 蛋白质结构预测主要有两大类方法。一类是理论分析方法或从头算方法（Ab initio），通过理论计算（如分子力学、分子动力学计算）进行结构预测。该类方法假设折叠后的蛋白质取能量最低的构象。从原则上来说，我们可以根据物理、化学原理，通过计算来进行结构预测。但是在实际中，这种方法往往不合适。主要有几个原因，一是自然的蛋白质结构和未折叠的蛋白质结构，两者之间的能量差非常小（1kcal/mol 数量级），二是蛋白质可能的构象空间庞大，针对蛋白质折叠的计算量非常大。另外，计算模型中力场参数的不准确性也是一个问题。 另一类蛋白质结构预测的方法是统计方法，该类方法对已知结构的蛋白质进行统计分析，建立序列到结构的映射模型，进而根据映射模型对未知结构的蛋白质直接从氨基酸序列预测结构。映射模型可以是定性的，也可以是定量的。这是进行蛋白质结构预测较为成功的一类方法。这一类方法包括经验性方法、结构规律提取方法、同源模型化方法等。 所谓经验性方法就是根据一定序列形成一定结构的倾向进行结构预测，例如，根据不同氨基酸形成特定二级结构的倾向进行结构预测。通过对已知结构的蛋白质（如蛋白质结构数据库PDB、蛋白质二级结构数据库DSSP中的蛋白质）进行统计分析，可以发现各种氨基酸形成不同二级结构的倾向，从而形成一系列关于二级结构预测的规则。 |
6楼2009-05-05 08:13:51
kunzheng15
至尊木虫 (正式写手)
- 应助: 0 (幼儿园)
- 金币: 13270.3
- 帖子: 806
- 在线: 775小时
- 虫号: 512610
- 注册: 2008-02-26
- 性别: GG
- 专业: 生物大分子结构与功能
|
与经验性方法相似的另一种办法是结构规律提取方法，这是更一般的方法。该方法从蛋白质结构数据库中提取关于蛋白质结构形成的一般性规则，指导建立未知结构的蛋白质的模型。有许多提取结构规律的方法，如通过视觉观察的方法，基于统计分析和序列多重比对的方法，利用人工神经网络提取规律的方法。 同源模型化方法通过同源序列分析或者模式匹配预测蛋白质的空间结构或者结构单元（如锌指结构、螺旋-转角-螺旋结构、DNA结合区域等）。其原理基于下述事实：每一个自然蛋白质具有一个特定的结构，但许多不同的序列会采用同一个基本的折叠，也就是说，具有相似序列的蛋白质倾向于折叠成相似的空间结构。一对自然进化的蛋白质，如果它们的序列具有25~30%的等同部分或者更多，则可以假设这两个蛋白质折叠成相似的空间结构。这样，如果一个未知结构的蛋白质与一个已知结构的蛋白质具有足够的序列相似性，那么可以根据相似性原理给未知结构的蛋白质构造一个近似的三维模型。如果目标蛋白质序列的某一部分与已知结构的蛋白质的某一结构域区域相似，则可以认为目标蛋白质具有相同的结构域或者功能区域。在蛋白质结构预测方面，预测结果最可靠的方法是同源模型化方法。 蛋白质的同源性比较往往是借助于序列比对而进行的，通过序列比对可以发现蛋白质之间进化的关系。在蛋白质结构分析方面，通过序列比对可以发现序列保守模式或突变模式，这些序列模式中包含着非常有用的三维结构信息。利用同源模型化方法可以预测10~30%蛋白质的结构。然而，许多具有相似结构的蛋白质是远程同源的，它们的等同序列不到25%。也就是说，具有相似空间结构的蛋白质序列等同程度可能小于25%。这些蛋白质的同源性不能被传统的序列比对方法所识别。如果通过一个未知序列搜索一个蛋白质序列数据库，并且搜索条件为序列等同程度小于25%的话，那么将会得到大量不相关的蛋白质。因此，搜索远程同源蛋白质就像在干草堆里寻找一根针。寻找远程同源蛋白质是一项困难的任务，处理这项任务的技术称为“线索（THREADING）技术”。对于一个未知结构的蛋白质，仅当我们找不到等同序列大于25%的已知结构的同源蛋白质时，才通过线索技术寻找已知结构的远程同源蛋白质，进而预测其结构。找到一个远程同源蛋白质后，就可以利用远程同源建模方法来建立蛋白质的结构模型。 如果既没有找到一般的同源蛋白质，又没有找到远程同源蛋白质，那么如何进行结构预测呢？一种可行的办法就是充分利用现有数据库中的信息，包括二级结构和空间结构的信息，首先从蛋白质序列预测其二级结构，然后再从二级结构出发，预测蛋白质的空间结构；或者采用从头算方法进行结构预测。 7.2 蛋白质二级结构预测 蛋白质的二级结构预测的基本依据是：每一段相邻的氨基酸残基具有形成一定二级结构的倾向。因此，进行二级结构预测需要通过统计和分析发现这些倾向或者规律，二级结构预测问题自然就成为模式分类和识别问题。蛋白质二级结构的组成规律性比较强，所有蛋白质中约85%的氨基酸残基处于三种基本二级结构状态（a螺旋、b折叠和转角），并且各种二级结构非均匀地分布在蛋白质中。有些蛋白质中含有大量的a螺旋，如血红蛋白和肌红蛋白；而另外一些蛋白质中则不含或者仅含很少的a螺旋，如铁氧蛋白；有些蛋白质的二级结构以b折叠为主，如免疫球蛋白。二级结构预测的目标是判断每一个氨基酸残基是否处于a螺旋、b折叠、转角（或其它状态）之一的二级结构态，即三态。至今人们已经发展了几十种预测方法。 7.2.1 利用的信息及预测准确性 蛋白质二级结构的预测开始于20世纪60年代中期。二级结构预测的方法大体分为三代，第一代是基于单个氨基酸残基统计分析，从有限的数据集中提取各种残基形成特定二级结构的倾向，以此作为二级结构预测的依据。第二代预测方法是基于氨基酸片段的统计分析，使用大量的数据作为统计基础，统计的对象不再是单个氨基酸残基，而是氨基酸片段，片段的长度通常为11-21。片段体现了中心残基所处的环境。在预测中心残基的二级结构时，以残基在特定环境中形成特定二级结构的倾向作为预测依据。这些算法可以归为几类：（1）基于统计信息；（2）基于物理化学性质；（3）基于序列模式；（4）基于多层神经网络；（5）基于图论；（5）基于多元统计；（6）基于机器学习的专家规则；（7）最邻近算法。第一代和第二代预测方法有共同的缺陷，它们对三态预测的准确率都低于70%，而对b折叠预测的准确率仅为28~48%，其主要原因是这些方法在进行二级结构预测时只利用局部信息，最多只用局部的20个残基的信息进行预测。二级结构预测的实验结果和晶体结构统计分析都表明，二级结构的形成并非完全由局域的序列片段决定，长程相互作用不容忽视。蛋白质的二级结构在一定程度上受远程残基的影响，尤其是b折叠。从理论上来说，局部信息仅包含二级结构信息的65%左右，因此，可以想象，只用局部信息的二级结构预测方法，其准确率不会有太大的提高。二级结构预测的第三代方法运用蛋白质序列的长程信息和蛋白质序列的进化信息，使二级结构预测的准确程度有了比较大的提高，特别是对b折叠的预测准确率有较大的提高，预测结果与实验观察趋于一致。 一般75%的氨基酸残基可以被置换而不改变蛋白质的结构，然而，有时改变几个关键的残基则可能导致破坏蛋白质的结构。这好像是两个矛盾的结论，但解释又非常简单。一个蛋白质在其进化过程中探查了每个位置上氨基酸可能的与不可能的变化，不可能变化的部分是进化保守区域。可变部分的变化不改变结构，而不可变部分的变化则改变蛋白质的结构，由此失去蛋白质原有的功能，因而也就难以延续下去。这些不可变部分体现了蛋白质功能对结构的特定要求。这样，从一个蛋白质家族中提取的残基替换模式高度反映了该家族特异的结构。通过序列的比对可以得到蛋白质序列的进化信息，得到蛋白质家族中的特定残基替换模式，此外，通过序列的比对也可以得到长程信息。目前，许多二级结构预测的算法是基于序列比对的，通过序列比对可以计算出目标序列（待预测其二级结构的序列）中每个氨基酸的保守程度。对于二级结构三态（a，b，none）预测准确率首先达到70%的方法是基于统计的神经网络方法PHDsec。PHDsec利用通过多重序列比对得到的进化信息作为神经网络的输入，另外采用了一个全局的描述子，即所有氨基酸组成（20种氨基酸中每个所占的比例）作为蛋白质序列的全局信息。这类算法预测的准确率能达到70％至75％。 各种方法预测的准确率随蛋白质类型的不同而变化。例如，一种预测方法在某些情况下预测的准确率能够达到90%，而在最差的情况下仅达到50%，甚至更低。在实际应用中究竟使用哪一种方法，还需根据具体的情况。虽然二级结构预测的准确性有待提高，其预测结果仍然能提供许多结构信息，尤其是当一个蛋白质的真实结构尚未解出时更是如此。通过对多种方法预测结果的综合分析，再结合实验数据，往往可以提高预测的准确度。二级结构预测通常作为蛋白质空间结构预测的第一步。例如，二级结构预测是内部折叠、内部残基距离预测的基础。更进一步，二级结构预测可以作为其它工作的基础。例如，用于推测蛋白质的功能，预测蛋白质的结合位点等。 7.2.2 Chou-Fasman方法 Chou-Fasman方法是一种基于单个氨基酸残基统计的经验参数方法，由Chou 和Fasman在20世纪70年代提出来。通过统计分析，获得每个残基出现于特定二级结构构象的倾向性因子，进而利用这些倾向性因子预测蛋白质的二级结构。 每种氨基酸残基出现在各种二级结构中倾向或者频率是不同的，例如Glu主要出现在a螺旋中，Asp和Gly主要分布在转角中，Pro也常出现在转角中，但是绝不会出现在a螺旋中。因此，可以根据每种氨基酸残基形成二级结构的倾向性或者统计规律进行二级结构预测。另外，不同的多肽片段有形成不同二级结构的倾向。例如：肽链Ala(A)-Glu(E)-Leu(L)-Met(M) 倾向于形成a螺旋，而肽链Pro(P)-Gly(G)-Tyr(Y)-Ser(S)则不会形成a螺旋。 一个氨基酸残基的二级结构倾向性因子定义为 式中下标i表示二级结构态，如a螺旋、β折叠、转角、无规卷曲等；Ti是所有被统计残基处于二级结构态i的比例；Ai是第A种残基处于结构态i 的比例；Pi大于1.0表示该残基倾向于形成二级结构i，小于1.0则表示倾向于形成其它二级结构。 通过对大量已知结构的蛋白质进行统计，为每个氨基酸残基确定其二级结构倾向性因子。在Chou-Fasman方法中，这几个因子是Pa、Pb 和Pt ，它们分别表示相应的残基形成α螺旋、β折叠和转角的倾向性。另外，每个氨基酸残基同时也有四个转角参数，f(i)、f(i+1)、f(i+2)和f(i+3)。这四个参数分别对应于每种残基出现在转角第一、第二、第三和第四位的频率，例如，脯氨酸约有30%出现在转角的第二位，然而出现在第三位的几率不足4%。表7.1中显示了Chou-Fasman预测方法中所用到的各种参数，其中参数值Pa、Pb和Pt是分别在原有相应倾向性因子的基础上乘以100而得到的。 根据Pa 和Pb 的大小，可将20种氨基酸残基分类，如谷氨酸、丙氨酸是最强的螺旋形成残基，而缬氨酸、异亮氨酸则是最强的折叠形成残基。除各个参数之外，还有一些其它的统计经验，如，脯氨酸和甘氨酸最倾向于中断螺旋，而谷氨酸则通常倾向中断折叠。 表7.1 20种常见氨基酸的Chou-Fasman参数。 氨基酸 Pa Pb Pt f(i) f(i+1) f(i+2) f(i+3) 丙氨酸（A） 142 83 66 0.06 0.076 0.035 0.058 精氨酸（R） 98 93 95 0.070 0.106 0.099 0.085 天冬酰胺（N） 67 89 156 0.161 0.083 0.191 0.091 天冬氨酸（D） 101 54 146 0.147 0.110 0.179 0.081 半胱氨酸（C） 70 119 119 0.149 0.050 0.117 0.128 谷氨酸（E） 151 37 74 0.056 0.060 0.077 0.064 谷氨酰胺（Q） 111 110 98 0.074 0.098 0.037 0.098 甘氨酸（G） 57 75 156 0.102 0.085 0.190 0.152 组氨酸（H） 100 87 95 0.140 0.047 0.093 0.054 异亮氨酸（I） 108 160 47 0.043 0.034 0.013 0.056 亮氨酸（L） 121 130 59 0.061 0.025 0.036 0.070 赖氨酸（K） 114 74 101 0.055 0.115 0.072 0.095 甲硫氨酸（M） 145 105 60 0.068 0.082 0.014 0.055 苯丙氨酸（F） 113 138 60 0.059 0.041 0.065 0.065 脯氨酸（P） 57 55 152 0.102 0.301 0.034 0.068 丝氨酸（S） 77 75 143 0.120 0.139 0.125 0.106 苏氨酸（T） 83 119 96 0.086 0.108 0.065 0.079 色氨酸（W） 108 137 96 0.077 0.013 0.064 0.167 酪氨酸（Y） 69 147 114 0.082 0.065 0.114 0.125 缬氨酸（V） 106 170 50 0.062 0.048 0.028 0.053 在统计得出氨基酸残基倾向性因子的基础上，Chou和Fasman提出了二级结构的经验规则，其基本思想是在序列中寻找规则二级结构的成核位点和终止位点。在具体预测二级结构的过程中，首先扫描待预测的氨基酸序列，利用一组规则发现可能成为特定二级结构成核区域的短序列片段，然后对于成核区域进行扩展，不断扩大成核区域，直到二级结构类型可能发生变化为止，最后得到的就是一段具有特定二级结构的连续区域。下面是4个简要的规则。 1. α螺旋规则 沿着蛋白质序列寻找α螺旋核，相邻的6个残基中如果有至少4个残基倾向于形成α螺旋，即有4个残基对应的Pa 〉100，则认为是螺旋核。然后从螺旋核向两端延伸，直至四肽片段Pa 的平均值小于100为止。按上述方式找到的片段长度大于5，并且Pa 的平均值大于Pb 的平均值，那么这个片段的二级结构就被预测为α螺旋。此外，不容许Pro在螺旋内部出现，但可出现在C末端以及N端的前三位，这也用于终止螺旋的延伸。 2. β折叠规则 如果相邻6个残基中若有4个倾向于形成β折叠，即有4个残基对应的Pb 〉100，则认为是折叠核。折叠核向两端延伸直至4个残基Pb 的平均值小于100为止。若延伸后片段的Pb 的平均值大于105，并且Pb 的平均值大于Pa 的平均值，则该片段被预测为β折叠。 3. 转角规则 转角的模型为四肽组合模型，要考虑每个位置上残基的组合概率，即特定残基在四肽模型中各个位置的概率。在计算过程中，对于从第i个残基开始的连续4个残基的片段，将上述概率相乘，根据计算结果判断是否是转角。如果f(i)×f(i+1)×f(i+2)×f(i+3)大于7.5×10-5，四肽片段Pt的平均值大于100，并且Pt 的均值同时大于Pa 的均值以及Pb 的均值，则可以预测这样连续的4个残基形成转角。 4. 重叠规则 假如预测出的螺旋区域和折叠区域存在重叠，则按照重叠区域Pa 均值和Pb 均值的相对大小进行预测，若Pa 的均值大于Pb 的均值，则预测为螺旋；反之，预测为折叠。 Chou-Fasman 预测方法原理简单明了，二级结构参数的物理意义明确，该方法中二级结构的成核、延伸和终止规则基本上反映了真实蛋白质中二级结构形成的过程。该方法的预测准确率在50%左右。 7.2.3 GOR方法 |
7楼2009-05-05 08:14:13
kunzheng15
至尊木虫 (正式写手)
- 应助: 0 (幼儿园)
- 金币: 13270.3
- 帖子: 806
- 在线: 775小时
- 虫号: 512610
- 注册: 2008-02-26
- 性别: GG
- 专业: 生物大分子结构与功能
|
GOR是一种基于信息论和贝叶斯统计学的方法，方法的名称以三个发明人姓名的第一个字母组合而成（Garnier, Osguthorpe, Robson）。信息论是于1950-1960期间发展起来的，其基本理论由Shannon首先提出，主要针对解决信息传递和处理问题。 GOR方法将蛋白质序列当作一连串的信息值来处理，该方法不仅考虑了被预测位置本身氨基酸残基种类的影响，而且考虑了相邻残基种类对该位置构象的影响。GOR针对长度为17的残基窗进行二级结构预测。对序列中的每一个残基，GOR方法将与它N端紧邻的8个残基和C端紧邻的8个残基与它放在一起进行考虑。与Chou-Fasman方法一样，GOR方法也是通过对已知二级结构的蛋白样本集进行分析，计算出中心残基的二级结构分别为螺旋、折叠和转角时每种氨基酸出现在窗口中各个位置的频率，从而产生一个17×20的得分矩阵。然后利用矩阵中的值来计算待预测的序列中每个残基形成螺旋、折叠或者转角的概率。GOR方法是基于信息论来计算这些参数的，下面介绍GOR方法的数学基础。 首先考虑两个事件S和R的条件概率P(S|R)，即在R发生的条件下，S发生的概率。定义信息为： 若S和R无关，即 ，则 ；若R的发生有利于S的发生，即 , 则 ；如果R的发生不利于S的发生，则有 , 。 使用对数的优点在于可将概率的乘积变为信息值的加和。在二级结构预测过程中，S表示特殊的二级结构类型，R代表氨基酸残基， 就是残基R处于二级结构类型S的概率。P(S)是在统计过程中观察到二级结构类型S的概率。 根据条件概率的定义： P(S,R)是同时观察到S和R的联合概率,而P(R)是R的出现概率。对现有蛋白质序列数据库和二级结构数据库进行数学统计分析，很容易得到I(S;R)。如果令N为数据库中总的氨基酸残基的个数，fR为残基R的总个数，fS为处于二级结构类型S的残基总数，fS,R为残基R处于二级结构类型S的总数，则： R处于二级结构类型S的信息值按下式计算： Robson提出一种信息差的计算公式： 这里，S’ 表示除S之外的其它所有二级结构类型。例如，如果S代表α螺旋，则在三态情况下，S’代表β折叠或者转角。公式（7-6）从正反两个方面给出关于氨基酸残基R与二级结构S关系的信息值。 若R可分为两个较简单的事件R1和R2，则有： 式中第一项表示在R1发生的条件下，R2对事件S的影响，第二项则表示R1对S的影响。上式可改写为 同理，若R可分解为一系列的简单事件R1，R2，…，Rn，则有 这里，R1，R2，…，Rn代表蛋白质序列中一组连续的残基，预测的对象是中心残基，判断它处于什么样的构象态，其它残基作为环境。GOR方法只考虑待预测残基及其两侧各8个残基。 最早期的GOR方法采用了独立事件近似，即 后来的改进GOR方法则考虑了中心残基R1的影响，信息计算公式如下： 通过统计，可以得出各种残基R处于中心残基周围各位置i时的信息值 或 ，它们反映了周边残基对中心残基形成特定二级结构的影响。再通过近似公式(7-10)或(7-11)，就可计算出 。对于一条肽链中任一位置残基r 的构象预测过程包括三个步骤：（1）以r 为中心，取其左右两侧共17个残基作为计算的窗口（记为R）；（2）取窗口内每个残基的信息值 ，并按照公式(7-10)或者公式(7-11)加和，得到 ；（3）中心残基r的二级结构预测为 最大的二级结构类型S。 假定数据库中有1830个残基，780个处于螺旋态，1050个处于非螺旋态。库中共有390个丙氨酸（A），有240个A处于螺旋态，其余150个 A 处于非螺旋态。可得： 根据公式（7-6），有： 这里H代表二级结构螺旋态，而H’代表除H以外的其它类型二级结构, I(DH;A) 就是丙氨酸A处于中心位置时的螺旋信息值。 早期GOR方法假设窗口内17个残基（包括中心残基及左右两侧各8个残基）是相互独立的，每个残基独立地影响中心残基的二级结构。在此基础上统计了75个蛋白质的结构，总共有12757个残基，所作统计结果为：螺旋29.7%，折叠19.7%，转角12.2%，无规卷曲38.3% 。根据所得到的信息值 ，发现有些残基的信息值中心对称，在窗口中心处其值取最大或者最小。例如，A的螺旋信息值、I的折叠信息值在窗口中心处取最大，这类残基越靠近窗口中心，中心残基就越容易形成特定二级结构；又如，G螺旋信息值、L的转角信息值在窗口中心处取最小，这类残基离窗口中心越近，中心残基形成特定构象的机会越小。有些残基的信息值是不对称的，在一端为正，而在另一端为负。有的残基在N端为正，C端为负，这类残基位于N端时有利于中心残基形成特定构象，例如，E对于螺旋支持程度属于这种情况；有的残基在N端为负，C端为正，当这类残基位于C端时有利于中心残基形成特定构象，比如，K对于螺旋的支持程度属于这种情况。 GOR方法中的信息值构成了20种氨基酸出现在不同位置时的直接信息量表，根据该表和相关计算公式，就可以对一条肽链中任一位置残基的构象进行预测。GOR方法的物理意义明确，数学上比较严格，但计算过程较为复杂。应用GOR方法预测蛋白质的二级结构为螺旋、折叠或者转角的准确率大约为65％。 7.2.4 基于氨基酸疏水性的预测方法 这种方法是一种用物理化学方法进行二级结构预测的方法，或称为立体化学方法。在蛋白质中，氨基酸的理化性质对蛋白质的二级结构影响较大，因此在进行结构预测时需要考虑氨基酸残基的物理化学性质，如疏水性、极性、侧链基团的大小等，根据氨基酸残基各方面的性质及残基之间的组合预测可能形成的二级结构。“疏水性”是氨基酸的一种重要性质，疏水性的氨基酸倾向于远离周围水分子，将自己包埋进蛋白质的内部。这一趋势加上空间立体条件和其它一些因素决定了一个蛋白质最终折叠成的三维空间构象。20种氨基酸的疏水参数见表7.2，其中，高正值的氨基酸具有更大的疏水性，而低负值的氨基酸则更加亲水。 表7.2 20种常见氨基酸的疏水参数。 序号 氨基酸 疏水值 1 Ala（A） 1.8 2 Arg（R） -4.5 3 Asn（N） -3.5 4 Asp（D） -3.5 5 Cys（C） 2.5 6 Gln（Q） -3.5 7 Glu（E） -3.5 8 Gly（G） -0.4 9 His（H） -3.2 10 Ile（I） 4.5 11 Leu（L） 3.8 12 Lys（K） -3.9 13 Met（M） 1.9 14 Phe（F） 2.8 15 Pro（P） -1.6 16 Ser（S） -0.8 17 Thr（T） -0.7 18 Trp（W） -0.9 19 Tyr（Y） -1.3 20 Val（V） 4.2 随着蛋白质结构数据的积累，人们开始注意到一些较简单的序列与结构关系。可以利用各种氨基酸的疏水值定位蛋白质的疏水区域，通过疏水氨基酸出现的周期性预测蛋白质的二级结构。Lim等人很早就对α螺旋和β折叠归纳出了一套预测模式。例如α螺旋的轮状结构特征，轮的一侧通常处于蛋白质的疏水核心，另一侧则常处于亲水表面，如图7.2所示。因此，α螺旋中亲疏水氨基酸残基的出现位置也就有一定的规律性，亲水残基多出现在亲水侧面，而疏水残基则多出现在疏水侧面，反映在序列上就是一些特征的亲疏水残基间隔模式。 疏水性氨基酸的位置有助于推断蛋白质中二级结构的定位，通过显示疏水氨基酸的分布分析二级结构。例如，图7.2 是利用HELICALWHEEL程序画出的蛋白质蜂毒素旋轮图。图中各个氨基酸沿螺旋排布，相邻氨基酸之间的旋转角度为100o。疏水性氨基酸L、I和V位于螺旋的一侧，而亲水性氨基酸则分布在另外一侧，显示这个螺旋的两亲特性。 根据蛋白质序列中疏水性氨基酸出现模式，可以预测局部的二级结构。例如，当我们在一段序列中发现第i、i+3、i+4位是疏水氨基酸时，这一片段就被可以预测为α螺旋；当我们发现第i、i+1、i+4位为疏水氨基酸时，这一片段也可以被预测为α螺旋。同样，对于β折叠，也存在着一些特征的亲疏水残基间隔模式，埋藏的β折叠通常由连续的疏水残基组成，一侧暴露的β折叠则通常具有亲水-疏水的两残基重复模式。不过，由于β折叠受结构环境的影响较大，序列的亲疏水模式不及α螺旋有规则。原则上，通过在序列中搜寻特殊的亲疏水残基间隔模式，就可以预测α螺旋和β折叠。 在Biou等人提出的点模式方法中，将20种氨基酸残基分为亲水和疏水残基，用八残基片段表征亲疏水间隔模式。以一个二进制位代表一个残基，疏水为1，亲水为0，共八位。这样，八残基片段的亲疏水模式就可用1个0~255的数值来表示。α螺旋的特征模式对应的值为9，12，13，17，……，201，205，217，219，237；β折叠的特征模式则由连续的1或交替的01构成。 |
8楼2009-05-05 08:14:33
kunzheng15
至尊木虫 (正式写手)
- 应助: 0 (幼儿园)
- 金币: 13270.3
- 帖子: 806
- 在线: 775小时
- 虫号: 512610
- 注册: 2008-02-26
- 性别: GG
- 专业: 生物大分子结构与功能
|
在进行二级结构预测时，根据氨基酸片段计算点模式，如果点模式的值为α螺旋的特征数，则片段预测为α螺旋；若为β折叠的特征数，则片段预测为β折叠。其余的预测为无规则卷曲。这种方法的三态预测准确率为55%左右，其中对无规则卷曲预测过多，而对β折叠则预测不足。当序列长度小于50时，准确率较高。 上述方法定性描述序列片段的亲、疏水特征，通过特征模式识别来预测蛋白质的二级结构。另一种方法是直接计算序列片段的疏水性和疏水矩，并根据定量计算结果预测该片段对应的二级结构。序列片段疏水性计算的方法依赖于各个氨基酸残基疏水值。对于一条蛋白质序列，用一个滑动窗口扫描该序列，计算滑动窗口下各个氨基酸的平均疏水值 和疏水矩 。窗口的宽度是可以调整的，一般取9~15残基的窗口宽度，以获得较多的信息和较小的噪声干扰。平均疏水值 的计算公式如下： 其中Hi是片段第i残基的疏水值。疏水矩 的计算公式如下： 其中Si是a碳原子到侧链中心的单位矢量。 按照公式（7-12）的计算结果，画出整个蛋白质的疏水曲线，形成疏水性图。图7.3是人类视紫质蛋白的疏水图。与蛋白质疏水图相对应的是蛋白质的疏水矩图。通过分析这些图谱，可以帮助预测蛋白质的二级结构。 7.2.5 最邻近方法 早期，由于缺乏数据，预测方法大多是基于单条序列的。随着序列和结构数据的增加，人们的研究转向同源序列分析，充分利用隐藏在同源序列中的结构信息，使得结构预测的准确率得到了较大的提高。同源分析的基础是序列比较，通过序列比较发现相似的序列，根据相似序列具有相似结构的原理，将相似序列（或者序列片段）所对应的二级结构作为预测的结果。在Levitt等人建立的方法中，将待预测的片段与数据库中已知二级结构的片段进行相似性比较，利用打分矩阵计算出相似性得分，根据相似性得分以及数据库中的构象态，构建出待预测片段的二级结构。这一方法对数据库中同源序列的存在非常敏感，若数据库中有相似性大于30%的序列，则预测准确率可大大上升。另一种更为合理的方法是将待预测二级结构的蛋白质U与多个已知结构的同源序列Ti进行多重比对，对于U的每个残基位置，其构象态由多个同源序列对应位置的构象态决定，或取出现次数最多的构象态，或对各种可能的构象态给出得分值。 基于上述的策略，最邻近方法（Nearest Neighboring methods）在预测二级结构方面包括两个过程，一是学习过程，二是预测过程。在学习阶段，用一个滑动窗口（例如长度为15）扫描已知结构的训练序列，序列个数为几百个，并且这些序列彼此之间的相似性很小。通过窗口扫描形成大量的短片段（称为训练片段），记录这些片段中心氨基酸残基的二级结构。在预测阶段，利用同样大小的窗口扫描给定的序列U，将在每一个窗口位置下的序列片段U’与上述训练片段相比较，找出50个最相似的训练片段。假设这些相似片段中心残基各种二级结构的出现频率分别为fa、fb 和fc ，用它们预测片段U’中心残基的二级结构，可以取频率最高的构象态作为U’中心残基的二级结构，或者直接以fa、fb 和fc 反映U’中心残基各种构象态可能的分布。根据处理过程的特点，最邻近方法又称为相似片段法。 7.2.6 人工神经网络方法 人工神经网络是一种复杂的信息处理模型。随着神经网络研究的兴起，科学家们也将神经网络用于生物信息学，其中包括二级结构的预测、蛋白质结构的分类、折叠方式的预测以及基因序列的分析等等。将神经网络用于二级结构预测最早是由Qian和Sejnowskit提出的，他们受到神经网络在文字语言处理方面应用的启发，将蛋白质序列看作是由各种氨基酸字符组成的字符序列，将氨基酸残基片段作为输入的一串语言字符，二级结构即为对应的输出。神经网络可以有效地学习蛋白质二级结构形成的复杂规律或模式，提取更多的信息，并利用所掌握的信息进行预测。利用神经网络方法可以提高二级结构预测准确率。早期的神经网络方法能够得到63-65% 的二级结构预测准确率，利用多序列比对的信息对二级结构预测的准确率能够达到70%。 用于蛋白质二级结构预测的基本神经网络模型为三层的前馈网络，包括输入层、隐含层以及输出层。每一层由若干神经元组成，输入层神经元与隐含层的神经元是完全连接的，即任何一个输入层神经元都与任何一个隐含层的神经元连接，在图7.4中用一个大箭头表示。同样，隐含层神经元与输出层的神经元也是完全连接的。输入层用于接收蛋白质窗口序列数据。沿蛋白质的氨基酸序列依次取一定大小的窗口，将窗口内的序列片段进行编码，窗口包括中心氨基酸残基及左右m个（共2m+1个）残基，每一个残基用21个神经元编码，因此，输入层共有21*(2m+1)个神经元。在图7.4中，对于每个残基，仅画出３个神经元。输出层有3个神经元，分别对应于窗口中心残基的H、E、C三态。输入层中编码一个残基的21个神经元只有一个处于激发状态，即设置为1，其余为0，对应于一种氨基酸残基。类似地，代表中心残基二级结构状态的输出单元的期望输出为1，其它两个单元为0。在这样一种神经网络模型中，隐含层的神经元是完成从氨基酸序列到蛋白质二级结构映射的关键，这种映射是非线性的。通过隐含层的信息处理，可以检测残基及所处环境与二级结构的复杂关系。隐含层的神经元个数一般从2个变化到几十个，隐含层的神经元越多，则神经网络对训练实例的记忆能力越强，但是神经网络的推广能力将越弱，对新蛋白质二级结构预测的准确率越低。因此，在实际应用中需要通过大量实验，选择合适的隐含层神经元个数。 神经网络通过神经元之间的连接存贮信息或知识，因此，神经网络学习的过程实际上是调整网络中各连接权值的过程。神经网络中各层之间的连接权值调整采用反向传播BP算法（相应的网络称为BP 网）。在训练或学习过程中，将结构已知的蛋白质序列由输入层输入，不断调整神经网络神经元之间的连接权重及网络节点的偏置，直至实际输出与期望值差别最小为止。在训练过程的每一步，取一个窗口中的序列及窗口中心氨基酸所对应的二级结构作为已知的映射结果，调整网络映射行为，使之与已知映射关系相一致。训练完毕后，得到一个已确定参数并且可以进行结构预测的实际神经网络。 与前述其它方法相比，神经网络具有应用方便、计算能力强、预测准确率较高的特点，网络一旦训练完毕，就可以进行快速预测。 目前，蛋白质二级结构预测识别率不高的主要原因是许多预测方法没有使用足够的进化信息和全局信息。蛋白质序列家族中，氨基酸的替换模式是高度特异的，如何利用这样的进化信息是二级结构预测的关键。这里介绍蛋白质二级结构预测软件系统PHDsec所使用的方法。 PHDsec的第一步工作是形成同源序列的多重对比排列。对于一个待预测的蛋白质，PHDsec首先利用BLAST在SWISS-PROT数据库中搜索同源序列，然后再利用MaxHom程序将这些同源序列对比排列起来，并对每个比对的位置进行统计分析。 PHDsec的第二步工作是将得到的多重比对的统计结果送到一个神经网络中。这里的神经网络是一个多层的前馈网络，如图7.5所示。整个网络模型包括两个层次。第一层网络进行序列到结构的映射。对于第一层网络的输入包括两个部分，如图7.5（a）、( b) 所示。一部分是序列的局部信息，取自窗口内w（缺省值为13）个氨基酸残基，另一部分是来自整个序列的全局信息。首先，取多重序列比对的w列，如图7.5（a）所示，这里w=7；然后，计算序列局部统计数据以及序列全局数据。局部数据有24个，其中20个数据对应于20种氨基酸，1个数据对应于“空缺”氨基酸（这使得窗口位置可以在序列的两端，蛋白质的第一个或最后一个氨基酸都可以作为窗口的中心，不存在的部分用“空缺”符号代替），2个数据分别表示多重序列比对中该位置的插入（ins）和删除（del）的次数，1个数据表示该位置的保守程度（cons）。全局数据有32个，其中20个数据表示各种氨基酸所占百分比，表示蛋白质长度的数据有4个(分别对应于4个区间，见图7.5（b）)，当前窗口到蛋白质N-端和C-端的距离分别有4个。第一层次网络的输出是窗口中心残基二级结构的状态，H代表螺旋，E代表折叠，L代表其它。 第二层次网络是一个从结构到结构的映射，作用是对前一层网络的输出进行校正。第二层网络的输入主要是第一层网络的输出，同时还包括所有全局信息以及局部的保守信息（cons）。所有第二层网络的输入形式表示为：3（二级结构）+1（空缺）+1（cons）+32(全局数据)。第二层网络输出的含义与第一层网络的输出一样。 建立好系统的模型后（开始的时候系统仅仅是一个空壳），PHDsec对神经网络进行训练，通过训练教会神经网络如何正确地预测蛋白质二级结构。训练是一个反复的过程，要求神经网络至少能够正确处理训练数据。PHDsec的训练数据是随机选取的。 由于PHDsec在进行二级结构预测时采用序列多重比对的统计结果，而序列多重比对反映了蛋白质家族的共同特征，提取了结构保守的信息。序列多重比对结果也反映了在进化过程中，哪些部分的结构容易发生变化，而哪些部分的结构对蛋白质的功能非常重要，不能随意改变。这些信息对于蛋白质结构预测来说，是非常关键的。多重序列比对所携带的进化信息也暗示了蛋白质中长程相互作用：假设蛋白质中氨基酸残基i与残基i+100在三维空间中靠在一起，那么，残基i可能的替换类型将受到残基i+100理化特性的约束。这样的长程相互约束关系会反映在多重序列比对中。总之，利用多重序列比对的信息，可以提高二级结构预测的准确性。另外，PHDsec通过两层神经网络的体系，加强了预测结果的校正，由此提高了对b折叠结构预测的准确性。正因为这样，PHDsec预测的准确率比较高，对二级结构预测的准确率达到72%，而且还对序列上每个位点的预测可信度给予统计分析。PHDsec是第一个预测准确率超过70%的二级结构预测方法，比基于单条序列的预测方法提高了近10个百分点。 |
9楼2009-05-05 08:14:57
kunzheng15
至尊木虫 (正式写手)
- 应助: 0 (幼儿园)
- 金币: 13270.3
- 帖子: 806
- 在线: 775小时
- 虫号: 512610
- 注册: 2008-02-26
- 性别: GG
- 专业: 生物大分子结构与功能
10楼2009-05-05 08:16:41
