基于分段氨基酸组成成分的蛋白质相互作用预测

不同的研究对象，可通过试验选取。本文选取 M=3，其预测结果较好。
Table 1 Results (in percentage) of segmented amino acid composition with support vector machine in 10CV test
Test number
数[13]。Aloy 和 Russel[14]基于蛋白质三维结构对公认 的相互作用进行建模；Deng 等人[15]利用最大似然 估计来推断与已知蛋白质作用一致的相互作用区 域；Han 等人[16]提出基于域 - 域相互作用的蛋白质 相互作用预测系统，取得了较好效果。然而，这些 方法需要基因信息和蛋白质空间结构信息。为此， Bock 和 Gough[17]提出了从蛋白质序列出发预测蛋 白 质 作用 ， Guo [18] 提 出 用 相关 函 数 表 示 蛋 白 质 序 列，基于支持向量机预测蛋白质作用，收到了较好 的效果。文献[17,18]从整条序列出发表示蛋白质， 而蛋白质在二级结构上一般由 琢 螺旋、茁 折叠片和 无规卷曲组成，有些区域为 琢 螺旋区域，有些区 域为 茁 折叠片；另一方面蛋白质在发生相互作用 时，仅有一部分氨基酸在空间上接触，因而蛋白质 序列应该有局部特征信息，也就是说蛋白质的二级 结构影响蛋白质间的相互作用[19]。鉴于此，本文构 建蛋白质相互作用数据库，从蛋白质序列出发，基 于我们以前提出的蛋白质序列分段思想，提出分段 氨基酸组成成分方法表示蛋白质序列，应用支持向 量机预测蛋白质相互作用。
收稿日期：2009-04-27 基金项目：国家自然科学基金项目(60775012，60634030)，西北工 业大学科技创新项目(KC02) 通讯作者：张绍武，电话：(029)88431308， E-mail：zhangsw@
第4期
基于分段氨基酸组成成分的蛋白质相互作用预测
283
［c1k,,mj …
c
k ,j i,m
…
c ］ k,j T 20,m
表示第
k
个蛋白质子链对中第
j 条子链序列 pk,j 的第 m 段的氨基酸组成成分， c
k ,j i,m
如下定义，
ck,j i,m
=p
k ,j i,m
/Lmj
,
m=1,2,…,M，i=1,…,20，j =1,2
(2)
这里，
p
k ,j i,m
M
Sn
1
85.41
2
85.48
3
86.11
4
85.53
5
83.63
6
82.01
Sp 82.93 85.89 86.31 86.42 86.90 86.82
Q 83.90 85.71 86.21 86.04 85.50 84.77
2.3 与现有其它方法对比 为验证分段氨基组成成分的有效性，本文采用
文献[18]构建的数据库，与文献[18]的自相关函数 特征提取方法进行比较。
文献[18]在验证其算法有效性时，从数据库中 分别随机抽取 3/5 的正、负样本构成训练集 （7130 对），剩余 2/5 的正、负样本作为测试集 （4576
对），同时为了测试算法的鲁棒性，随机选取五次， 分别进行预测。为了便于与文献[18]的方法比较， 本文按照文献[18]的方法选取训练集和测试集，同 样随机选取五次，构成五个数据集，其实验结果对 比如表 3 所示。
蛋白质相互作用研究方法大致分为两类：生物 实验方法和计算预测方法。实验方法主要有酵母双 杂交系统[1,2]、质谱技术[3,4]、蛋白质芯片[5]等，但随 着基因和蛋白质数据的高速增长，这些实验方法的 局限性越来越明显，不仅耗时耗力、成本高，而且 实验准确性也受到偶然性和实验条件等因素影响， 所以发展有效的计算方法预测蛋白质相互作用极其 重要。
近年来，利用计算方法预测蛋白质相互作用取 得了较大进展。为了预测新的蛋白质相互作用对， 大多数计算方法都尝试利用事先由实验得来的相互 作用信息[6]。整合基因信息的预测方法就利用了完 整基因序列中的信息，比如系统发育谱 （phylogenetic profile）[7,8]、 基 因 邻 接 [9]、 基 因 融 合[10,11]等，另外也有人用蛋白质之间进化关系来预 测 蛋 白 质 作用 ， 包 括 相 关 变 异 、 [12] 相 关 进 化 系
SA A Ck,j=扇缮设 设 设c…1k,,1j 墒设 设 设ck2,0j,1
… … …
c k ,j 1,m
ck,j i,m
ck,j 20,m
… … …
c k ,j 1,M
…
伤商设 设 设
ck,j 20,M
赏设 设 设20伊M
(1)
其中，M 表示分段的段数，k 表示蛋白质子链对
编 号 ， j 表 示 子 链 对 中 子 链 编 号 ( j=1,2) ，
用蛋白质对，剩余的蛋白质子链对为非相互作用蛋
白质对，即负样本集，例如某一蛋白质中有 A、
B、C、D 四条链，其中 AB、AC、BD 发生相互作
用，则将 AD、BC、BD 视为蛋白质非相互作用
对；
2) 样本集中任一条链的氨基酸序列长度大于 50；
3) 样本集中任意蛋白质子链对间的序列一致 性 (identity) 小于 40%；
测蛋白质 - 蛋白质相互作用，其特征向量可能捕获 了蛋白质的二级结构信息。
2.2 分段段数对分类结果的影响 本文还研究了分段段数对预测结果的影响，
10CV 检验下，不同分段段数 M 的氨基酸组成成分 的预测结果见表 2。
从表 2 可以看出，分段段数 M 对预测结果有
284
生物物理学报
2009年
一定的影响，预测精度随分段段数 M 的变化呈波 动趋势，因而有一个最佳 M 值的选取问题，针对
生物物理学报 第二十五卷 第四期 二九年八月 ACTA BIOPHYSICA SINICA Vol.25 No.4 Aug. 2009
基于分段氨基酸组成成分的蛋白质相互作用预测
罗 丽， 张绍武， 陈 伟， 潘 泉
（西北工业大学自动化学院，西安 710072）
摘要：蛋白质相互作用研究有助于揭示生命过程的许多本质问题，也有助于疾病预防、诊断，对药物研制具 有重要的参考价值。文章首先构建出蛋白质作用数据库，提出分段氨基酸组成成分特征提取方法来预测蛋白质相 互作用。10CV 检验下，基于支持向量机的 3 段氨基酸组成成分特征提取方法的预测总精度为 86.2%，比传统的 氨基酸组成成分方法提高 2.31 个百分点；采用 Guo 的数据库和检验方法，3 段氨基酸组成成分特征提取方法的预 测总精度为 90.11%，比 Guo 的自相关函数特征提取方法提高 2.75 个百分点，从而表明分段氨基酸组成成分特征 提取方法可有效地应用于蛋白质相互作用预测。
Table 3 Performance comparisons (in percentage) of SAAC and Guo's approach
Random data set 1
Sn 88.17
SAAC (M=3) Sp
91.59
Q 90.04
Sn 90.87
Guo's method[18]
Sp 83.28
4) 由于负样本数大于正样本数，在负样本集 中随机抽取与正样本数相同的样本构成非作用蛋白
质子链对集。
于是，构建的数据库共有 13020 个样本，其中
蛋白质作用子链对和蛋白质非相互作用子链对各有
6510 个。
1.2 分段氨基酸组成成分特征提取方法 基于以前我们提出的蛋白质序列分段思
Hale Waihona Puke 想[20～22]，先将第 k 个蛋白质子链对中的一条蛋白质 序列 pk,j 分成 M 段，然后计算每一段中 20 种氨基 酸在该段序列中所占的百分比。因此序列 pk,j 就可 以用下列公式表示：
从表 3 可以看到，采用本文算法预测结果好于 Guo 的 方 法 ， 其 平 均 预 测 总 精 度 比 Guo 提 高 2.75%，且偏差小于 Guo 的方法，说明我们的分段 氨基酸组成成分特征提取方法对蛋白质作用预测是 有效的。Guo 基于氨基酸的物化特性，采用自相关 函数特征提取方法预测蛋白质作用，其自相关函数 特征向量不仅包含氨基酸序列的全局信息，且包含 氨基酸的物化及序列的顺序信息，而分段氨基酸组 成成分特征向量仅包含序列的局部统计信息，若基 于分段思想，引入氨基酸的物化信息及序列的顺序 信息构成分段伪氨基酸组成成分特征向量表示蛋白 质作用子链对，预测蛋白质作用可能会收到更好的 效果，这也将是我们下一步要研究的内容。
表示氨基酸
ai
在
p k,j
序列的第
m
段出现
的次数，Lmj 表示序列 pk,j 第 m 段序列的长度。
对第 k 个蛋白质子链对，其分段氨基酸组成成 分特征提取方法 （sequence-segmented amino acid
composition，SAAC） 提取的特征向 量可 用式 (3)
表示：
SA A Ck=[SA A Ck,1,SA A Ck,2]
(3)
其中，SA A Ck,1,SA A Ck,2 分别表示第 k 个蛋白质子链
对中第 1、2 两条链的分段氨基酸组成成分。
1.3 系统评估
本文采用敏感性 （Sn）、特异性 （Sp） 和预测总 精度 （Q） 评估分类系统预测性能。三个参数定义
如下：
Sn=
TP TP垣FN
(4)
Sp=
TP TP垣FP
(5)
1 数据库与方法
1.1 数据库 先从 .tr/prism/ 上搜集相
互作用蛋白质对名称，然后在 PDB 数据库中找到
这些相互作用蛋白质对所对应的所有蛋白质子链，
并根据以下规则构建蛋白质相互作用数据库：