基于多尺度多特征的固有不规则蛋白质结构预测方法研究

摘要

固有不规则蛋白质（Intrinsically Disordered Proteins，IDPs）的发现为蛋白质家族增添了新的生命力，它能够以灵活、可变的结构状态承担生物体内的多种生物功能，它的存在打破了经典的蛋白质结构范式。因此，对IDPs结构的研究在蛋白质学科的发展中具有“革命性”意义。
　　目前，IDPs研究领域存在着如已知的IDPs数量较少、IDPs的折叠机理尚不清晰等许多问题，而 IDPs结构预测模型则成为解决这些问题的有效工具之一。本文以氨基酸序列数据为基础，研究了IDPs结构预测建模中特征选择与预测模型建立的方法。具体研究内容如下：
　　（1）提出一种动态的滑窗尺度选择方法。针对现有滑窗尺度选择方法不能满足IDPs多尺度特性需要、且具有极强主观性的问题，本文提出一种动态的滑窗尺度选择方法。考虑到 IDPs的多尺度特性，将氨基酸序列进行各种尺度的解耦。首先，利用差异度度量法度量基于不同滑窗尺度的基模型间的相关程度，给出滑窗尺度的选择准则。然后，利用贪婪算法，搜索能够产生较大差异的滑窗尺度，建立 IDPs结构预测建模。实验验证了本文提出方法的合理性。
　　（2）分析氨基酸的结构倾向程度，给出一个新的特征参数——结构倾向度。蛋白质的结构信息隐藏在氨基酸序列中，氨基酸的结构倾向程度是这些特征信息的外在表现形式。为了更好地表征隐藏在氨基酸序列中的特征信息，本文对氨基酸的结构倾向性进行分析，并提出一个新的特征参数——结构倾向度。考虑到氨基酸间的相互作用，本文以双肽氨基酸作为研究对象。利用统计概率的知识，定量地刻画每种双肽氨基酸形成不同结构的能力，并构造出一个20*20的打分表。然后，利用这些分值建立基于氨基酸结构倾向度的IDPs结构预测模型。实验验证了基于结构倾向度的特征信息在IDPs结构预测建模中的有效性。
　　（3）构造IDPs结构预测建模中的特征组。目前，IDPs的折叠机理尚不清晰，现有的特征信息与IDPs结构形成之间存在着很大的不确定性。为了降低这种不确定性，本文提出为IDPs结构预测建模构建预测特征组的方法。首先，考虑到IDPs结构信息的多尺度特性，本文将长、短不规则结构区域作为两个独立的对象看待。然后，利用信息论的知识，分别计算现有的每一种属性在预测两种不规则结构类型时的能力。进而，选择预测能力较强的属性，构造IDPs预测特征组，建立基于特征组的IDPs结构预测模型。实验验证了本文所构造的特征组在提高IDPs结构预测模型预测性能中的重要作用。
　　（4）建立基于多尺度多特征融合的IDPs结构预测模型。IDPs的结构形成是一个非常复杂的过程，基于单一模型的IDPs结构预测建模方法很难同时准确的识别不同类型的IDPs。针对这一问题，本文从多模型融合的角度出发，采取“分而治之”的策略，提出一种基于多尺度多特征融合的IDPs结构预测建模方法。与现有的基于多模型融合的IDPs结构预测建模方法相比，本文首次将不同长度的IDPs作为独立的研究对象，分而治之，构建基于不同对象自身特性的基模型，然后，利用多数投票准则，建立基于多尺度多特征融合的IDPs结构预测模型。实验验证了本文构建的IDPs结构预测模型性能良好。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题研究的目的及意义

1.2 IDPs结构预测研究的现状

1.3 论文的主要研究内容和组织结构

第2章 IDPs结构预测建模中滑窗尺度的选择方法

2.1 引言

2.2 IDPs生物学特点

2.3 IDPs序列信息的多尺度特性

2.4 基于滑窗技术的IDPs结构预测建模方法分析

2.5 基于差异度度量法的窗口尺度选择

2.6基于差异度度量法的滑窗选择结果及分析

2.7 本章小结

第3章 IDPs结构预测中氨基酸结构倾向度的计算方法

3.1 引言

3.2 基于结构倾向性的特征向量的分析

3.3 氨基酸结构倾向性的检验

3.4 氨基酸结构倾向度的计算

3.5 结构倾向程度的计算结果及分析

3.6 氨基酸结构倾向度对IDPs结构预测性能影响的评价

3.7 本章小结

第4章 IDPs结构预测建模中特征组的构建

4.1 引言

4.2 IDPs结构预测中的常用特征

4.3 现有IDPs特征选择方法分析

4.4 特征组的构造

4.5 IDPs结构预测中特征组的构造结果及分析

4.6 特征组对IDPs结构预测性能的影响

4.7 本章小结

第5章 基于多尺度多特征融合的IDPs结构预测建模方法

5.1 引言

5.2 现有的IDPs结构预测建模方法

5.3 基于多模型融合的预测模型建模方法

5.4 基于多尺度多特征融合的IDPs预测模型的构建

5.5 IDPs融合预测模型的预测结果及分析

5.6 本章小结

结论

参考文献

攻读博士学位期间发表的论文和取得的科研成果

致谢