蛋白质-适配体相互作用预测的方法

基于序列的蛋白质相互作用预测方法研究

【摘要】：生物信息学研究生物数据的分析处理方法。生物信息学的发展过程是分子生物学与计算机技术、数学、信息学和工程领域不断交叉与融合的过程。分子生物学在分子层面关注生命活动的各种问题,对DNA,RNA和蛋白质的结构与功能以及生物分子之间相互作用的研究构成分子生物学的主要研究内容。蛋白质是生命的物质基础,几乎参与了生命活动的全部过程。蛋白质相互作用是指蛋白质分子之间的相互作用,绝大部分的蛋白质都是通过与其它的蛋白质相互作用来完成特定的功能。蛋白质相互作用在许多细胞活动中扮演重要角色,如细胞周期控制、蛋白质折叠、转录、翻译以及翻译后修饰等。研究蛋白质相互作用有助于增进对蛋白质功能的了解。研究蛋白质相互作用的方法有两类：生物实验方法和计算方法。目前人们提出了多种用于预测蛋白质相互作用的计算方法。基于序列的蛋白质相互作用预测方法,由于不需要太多的先验知识,受到广泛关注。本文主要研究从序列出发预测蛋白质相互作用的方法。首先介绍了数据预处理方法,包括序列表示方法,特征选择方法以及数据集构造方法。然后使用支持向量机作为学习模型,通过实验比较了影响蛋白质相互作用预测正确率的各种因素。最后鉴于相互作用数据的不平衡性,使用粒度支持向量机处理蛋白质相互作用预测问题。本文的实验结果对蛋白质相互作用的研究工作具有一定的参考价值。【关键词】：蛋白质相互作用特征选择支持向量机不平衡分类

【学位授予单位】：山西大学

【学位级别】：硕士

【学位授予年份】：2013

【分类号】：Q51;TP181

【目录】：中文摘要8-9ABSTRACT9-11第一章绪论11-231.1生物信息学简介11-131.2蛋白质相互作用13-191.2.1蛋白质简介13-161.2.2蛋白质相互作用16-171.2.3研究方法17-191.3研究现状19-201.4文章结构20-23第二章预处理方法23-372.1序列表示23-292.1.1三联体组合信息编码242.1.2自协方差编码24-262.1.3自相关描述符262.1.4分段局部描述符26-282.1.5氨基酸索引分布28-292.2特征选择292.3数据集构建29-342.3.1数据库简介30-312.3.2正样本抽取31-322.3.3负样本构造32-342.4数据集的平衡性34-352.5本章小结35-37第三章基于SVM预测蛋白质相互作用37-433.1SVM简介37-383.2实验结果38-423.2.1实验说明38-403.2.2结果分析40-423.3本章小结42-43第四章基于粒度SVM预测蛋白质相互作用43-474.1粒度SVM算法43-444.2实验结果44-454.2.1实验说明444.2.2结果分析44-454.3本章小结45-47第五章总结与展望47-49参考文献49-53攻读学位期间取得的研究成果53-55致谢55-57个人简况及联系方式57-61 本论文购买请联系页眉网站。

蛋白质相互作用预测方法研究进展

摘要：蛋白质间的相互作用是细胞实现功能的基础，其研究对疾病的诊断和治疗有着重要意义。蛋白质相互作用预测方法有实验方法和计算方法两大类。作为实验方法的有效补充和验证工具，计算方法受到越来越多人的重视。本文主要分析了预测蛋白质相互作用的主要方法及其优缺点，对当前需待解决的相关问题进行了阐述。

关键词：蛋白质相互作用预测；实验方法；计算方法

中图分类号：q51 文献标识码：a 文章编号：1007-9599 （2012）

18-0000-02

1 引言

蛋白质间的相互作用是细胞实现功能的基础，几乎在所有的细胞活动中，蛋白质相互作用（ppis，protein-protein

interactions）都发挥着关键性的作用，例如dna合成、生命代谢过程、产物分泌、病毒感染等[1]。任何一种疾病在表现出可察觉症状之前，体内就已经有一些蛋白质发生了变化，进而引起了相互作用关系、生物信号传递等变化。如果能够掌握蛋白质在不同时间、空间和不同环境中的相互作用，就会帮助我们了解这些蛋白质的功能，进而了解许多生命活动的分子机制，从而有利于疾病的诊断和病理的研究[2]。

总的来说，ppis预测方法有两大类：实验方法和计算方法。

2 预测ppis的实验方法

预测ppis的实验方法有两类：小规模实验和大规模实验。传统的小规模实验准确率高、目的性强，但是一次只能检测一对或几对蛋白质之间的相互作用。大规模实验一次可以获得很多个相互作用对，然而，实验设计条件要求较高，其所检测出的相互作用数据间的重合度又非常低，得到的蛋白质相互作用存在大量的假阳性和假阴性数据，并且并不是所有的ppis都能被实验方法所鉴定[3]。

3 预测ppis的计算方法

由于传统的实验方法耗时耗力，且检测出来的ppis数据都有着不同程度上的“假阳性”和“假阴性”特征，使结果分析起来非常困难，因此，研究人员开始转而寻求计算方法预测ppis：

龙源期刊网

蛋白质-适配体相互作用预测的方法

作者：马晓玉 岳欣蕾 韩佳玲

来源：《医学信息》2020年第10期

摘要：蛋白质与适配体间的相互作用广泛存在于生物体，且在各种生命活动中发挥着重要作用。核酸适配体（简称适配体）是与靶标具有高亲和力的、长度大约在30～80 nt的核苷酸链，其与蛋白质的特异性结合对于疾病的靶向治疗研究具有重要意义。随着大数据和人工智能的发展，基于生物信息学的蛋白质-适配体相互作用预测及适配体筛选的计算方法的实现能有效解决传统实验方法的周期长、费用高等问题。本文就蛋白质-适配体相互作用预测实现方法和以蛋白质为靶标的适配体的筛选方法作一综述，以期为临床选择适合的预测方法提供参考。

关键词：蛋白质;适配体;蛋白质-适配体相互作用预测;生物信息学

Abstract：The interaction between proteins and aptamers is widespread in organisms and plays

an important role in various life activities. Nucleic acid aptamers （abbreviation form of aptamers）

are high-affinity nucleotide chains with a length of about 30～80 nt， and their specific binding to

proteins is of great significance for the targeted treatment of diseases. With the development of big

data and artificial intelligence， the implementation of calculation methods for protein-aptamer

第４１卷第２期　２０１４年２月　计算机科学　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　Ｖｏ１．４１　Ｎｏ．２　Ｆｅｂ　２０１４　

ＳＶＭ与主动学习方法相结合的蛋白质相互作用预测　

史文丽　郭茂祖　李晋　刘晓燕　

（哈尔滨工业大学计算机科学与技术学院　哈尔滨１５０００１）　

（哈尔滨医科大学生物信息科学与技术学院　哈尔滨１５００８１）。　

摘要提出了基于ＳＶＭ的主动学习算法，用来解决蛋白质相互作用的预测问题。细胞中的生物过程是通过蛋白　

质相互作用实现的。但是通过实验验证蛋白质之间是否具有相互作用的代价非常大，而且数据很难获取。为了在有　

限的阳性样本情况下更加快速准确地预测蛋白质之间是否具有相互作用，引入了主动学习方法。主动学习算法可以　

用来构造有效训练集，其目标是通过迭代抽样，每次寻找最富有信息量的数据点，找到最有利于提升分类效果的样本，　

进而减小分类训练集的大小。比较了５种不同的主动学习算法，以寻找在有限资源前提下提高分类算法效率的最佳　

途径。实验表明，主动学习方法与ＳＶＭ算法相结合，能够在保证ＳＶＭ分类性能的前提下，有效减少学习所需的样本　

数量。　关键词　支持向量机，主动学习，蛋白质相互作用　

中图法分类号ＴＰ１８　文献标识码Ａ　

Ｐｒｏｔｅｉｎ－ｐｒｏｔｅｉｎ　Ｉｎｔｅｒａｃｔｉｏｎ　Ｐｒｅｄｉｃｔｉｏｎ　Ｃｏｍｂｉｎｉｎｇ　Ａｃｔｉｖｅ　Ｌｅａｒｎｉｎｇ　ｗｉｔｈ　ＳＶＭ　

ＳＨＩ　Ｗｅｎ－ｌｉ　ＧＵＯ　Ｍａｏ－ｚｕ　ＬＩ　Ｊｉｎ　，。　ＬＩＵ　Ｘｉａｏ－ｙａｎ　

（Ｓｃｈｏｏｌ　ｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅｓ　ａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅ　ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）　

（Ｃｏｌｌｅｇｅ　ｏｆ　Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈａ￣ｉｎ　Ｍｅｄｉｃａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ　１５００８１，Ｃｈｉｎａ）