[发明专利]基于序列谱中心和遗传优化处理的残基间的远程相互作用预测方法

摘要

本发明涉及基于序列谱中心和遗传优化处理的残基间的远程相互作用预测方法，每一个谱中心就是一个表示某类所有残基对的平均序列谱编码向量，所有残基间的空间距离小于8或者是从8到10的残基对组成一类，平均每类里的所有残基对序列谱向量就得到了这个类的谱中心。构建了一个基于遗传算法的多分类器来计算残基对的序列谱向量与序列谱中心之间的距离，并由此判断此残基对的两个残基是否处于接触状态。分析结果显示，44.48％的远程接触对位于序列谱中心的周围，分类器也得到了20.9％的正确率，残基对的序列上的距离至少为24个残基，并且选择length/5个最好的预测输出来计算预测器的性能指标。

主权项

1.一种基于序列谱中心和遗传优化处理的残基间的远程相互作用预测方法，其特征是：a、蛋白质的训练和测试序列首先利用数据库来抽取蛋白质序列，此数据库是是基于版本号为2005_05_29的PDB数据集的，这些蛋白质由X-ray晶体学所测定结构的分辨率要小于2.0，并且任意两条蛋白质序列的相似性要小于25％，然后我们剔除没有文件的蛋白质链，得到480条蛋白质链；480条蛋白质多肽链被分为两个子集，训练集拥有287条多肽链而测试集有193条多肽链，对于每一个测试的多肽链，方法都是运行两次最后得到了平均的输出性能；b、蛋白质的序列谱GaMC预测器的编码向量从HSSP数据库抽取了残基的序列谱，对每个在PDB数据库中的三维结构已知的蛋白质来说，HSSP数据库中都有一个唯一对应的文件，这个文件中包含了这个蛋白质的所有同源序列，HSSP数据库中的蛋白质序列谱包含了20种氨基酸出现在多序列比对中相应列的频率，当某一个位置上的某一氨基酸的值为100时，说明在这个位置上只出现这一种氨基酸；对每对残基i和j进行编码，并以每个残基为中心向蛋白质的N端和C端同时延伸以得到一个残基窗口，这样就得到两对以残基i和j为中心的残基窗口，设定窗口的宽度为5或9；为了构建用于残基对i和j间远程相互作用预测的输入向量，三个窗口共计包括了23个残基，结果训练和测试向量是一个(9+5+9)*1即460*1的列矩阵；c、蛋白质的Multi-Class Contact定义设计一个新的接触图谱的定义，这个残基间的远程相互作用的多类接触的定义可如下式所示：$S_{\mathrm{ij}}=\left\{\begin{array}{ccc}0& \mathrm{ifd}(i,j)\le d& \\ 1& d<d(i,j)\le d_1& \\ 2& d_1<d(i,j)\le d_2& ,|i-j|\ge 24\\ .& & \\ .& ...& \\ .& & \\ n-1& d(i,j)>d_{n-2}& \end{array}\right.---\left(1\right)$ d、序列谱中心分析拟计算此残基对的序列谱样本向量和每个序列谱的中心的距离，如果此序列谱样本向量与某个序列谱中心最近，那么就把此残基对归属于此序列谱中心所代表类别，按照上面多类Contact Map的定义，得到相应的n个序列谱中心；e、基于遗传算法和柱状图编码的分类器本专利的远程接触研究采用了基于遗传算法的优化器，利用遗传算法在不损失分类率的基础上进行输入向量的维数压缩，然后分析残基间远程相互作用的分布；GA算法最关键的染色体编码方式，染色体适应度函数的定义和遗传方式的操作包括GA参数的选择、染色体编码和适应度函数的定义。