[发明专利]一种基于多重进化矩阵的蛋白质二级结构预测方法

说明书

本发明公开了一种基于多重进化矩阵的蛋白质二级结构预测方法，包括：下载蛋白质NR数据库及BLAST程序本地软件包，生成给定蛋白质序列的位置特异性打分矩阵PSSM矩阵，对PSI‑BLAST程序进行参数调整得到蛋白质序列的不同趋异度的进化矩阵；对进化矩阵中的所有特征向量进行处理，构成多重进化矩阵特征；将多重进化矩阵的特征作为分类器的输入并对分类准确率进行评价，获得优化模型；针对结构未知的蛋白质，输入优化模型，预测蛋白质的二级结构。本发明对于一条蛋白质序列，同时使用多种不同进化趋异度的矩阵来表示蛋白质序列，更为充分的表示了蛋白质结构信息，更全面的考虑了残基替换的可能性，提高了蛋白质二级结构预测的准确率，编码方法简单有效。

技术领域

本发明涉及生物信息学和传统的蛋白质序列分析技术领域，特别是涉及一种基于多重进化矩阵的蛋白质二级结构预测方法。

背景技术

蛋白质是生物体内生命活动的主要承担者，是一切生命活动的基础，它的生理功能除了体现在氨基酸构成上还体现在它的空间结构上。因此，预测蛋白质结构是生物信息学领域的一个重要任务。由于蛋白质二级结构是联系蛋白质一级结构和三级结构的纽带，而且也是从一级结构预测其三级结构的关键步骤。当蛋白质二级结构预测正确率达到80％时，就可以准确预测一个蛋白质分子的三维空间结构。可见，蛋白质二级结构预测已经成为研究蛋白质结构和功能的重要手段。

由于已测定结构的蛋白质数量远远小于已知的蛋白质序列数量，并且传统的生物实验测定蛋白质结构的方法费时费力。因此，采用数据驱动的方法(如机器学习技术)来预测未知的蛋白质的结构和功能广受青睐。而影响蛋白质结构类预测效果的关键因素主要集中在两个方面上：一是计算方法，如神经网络、支持向量机(support vector)，深度卷积神经网络技术来进行蛋白质结构预测；二是蛋白质特征信息构造，如正交编码、Codon密码子编码法和Profile编码法等。

正交编码就是用20位二进制数唯一表示某一种氨基酸，并且满足不同氨基酸的编码向量值的正交积为0，虽然编码方式简单，但是由于其携带生物信息量较少，致使蛋白质二级结构预测准确率较低；Codon密码子编码法把氨基酸“还原”成3个碱基的组成形式，而碱基再用二进制数来表示，进而实现结构预测；Profile编码是指在氨基酸序列的每个位置上1个氨基酸类型出现的相对概率，能够在一定程度上带有生物进化信息。

目前，现有的传统的蛋白质结构预测方法一般只考虑各种氨基酸在蛋白质序列中所占的比重，存在的不足：这种方法比较简单，但是没有考虑到蛋白质中氨基酸的位置信息和蛋白质进化过程中发生的氨基酸可接受点突变，缺乏对生物进化信息的表示。

综上所述，现有技术中对于预测蛋白质序列中氨基酸残基的二级结构时只考虑氨基酸组成，不能充分考虑蛋白质中氨基酸的位置信息和蛋白质进化过程中发生的氨基酸可接受点突变；分类器参数选择困难及可靠性差等问题，尚缺乏有效的解决方案。

发明内容

为了解决现有技术的不足，本发明提供了一种基于多重进化矩阵的蛋白质二级结构预测方法，其具有能够更为准确的预测蛋白质序列中氨基酸残基的二级结构的效果。

一种基于多重进化矩阵的蛋白质二级结构预测方法，包括以下步骤：

下载蛋白质NR数据库及BLAST程序本地软件包，生成给定蛋白质序列的位置特异性打分矩阵PSSM矩阵，对PSI-BLAST程序进行参数调整得到蛋白质序列的不同趋异度的进化矩阵；

对不同趋异度的进化矩阵对齐特征维度并进行合并，得到多维的特征向量来表示原来的蛋白质序列；

针对得到多维的特征向量，考虑邻近残基的影响，采用滑动窗口方法进行处理得到更多维的特征向量，利用上述多维的特征向量来表示原来的蛋白质，构成多重进化矩阵特征并将多重进化矩阵的元素进行标准化；

将标准化后的多重进化矩阵的特征作为分类器的输入并对分类准确率进行评价，确定相关参数，获得优化模型；