基于GO語義相似性的蛋白質(zhì)亞細(xì)胞定位預(yù)測(cè)研究.pdf

1、人類基因組測(cè)序完成使得蛋白質(zhì)序列信息呈指數(shù)級(jí)增長(zhǎng)，大規(guī)模蛋白質(zhì)序列涌入生物學(xué)數(shù)據(jù)庫(kù)，過快的發(fā)展速度導(dǎo)致序列已知的蛋白質(zhì)與功能已知的蛋白質(zhì)之間的差距越來越大，這種失衡局面將嚴(yán)重制約蛋白質(zhì)組研究以及新藥物開發(fā)。蛋白質(zhì)功能與蛋白質(zhì)所屬的亞細(xì)胞位置關(guān)系相當(dāng)密切，蛋白質(zhì)只有被運(yùn)送到正確的亞細(xì)胞中，才能發(fā)揮其正常的功能，否則，就會(huì)給生物體內(nèi)帶來嚴(yán)重的后果。因此，蛋白質(zhì)亞細(xì)胞定位信息有助于蛋白質(zhì)功能預(yù)測(cè)，在蛋白質(zhì)組學(xué)中蛋白質(zhì)亞細(xì)胞定位的研究越來越重要

2、。在傳統(tǒng)生物學(xué)觀點(diǎn)看來，基因、蛋白質(zhì)及亞細(xì)胞這三者之間關(guān)系是一個(gè)基因?qū)?yīng)一個(gè)蛋白質(zhì)，一個(gè)蛋白質(zhì)對(duì)應(yīng)一個(gè)亞細(xì)胞位置，所以大部分蛋白質(zhì)亞細(xì)胞定位預(yù)測(cè)方法建立在這種傳統(tǒng)觀點(diǎn)基礎(chǔ)上。盡管對(duì)于這種單位點(diǎn)蛋白亞細(xì)胞定位預(yù)測(cè)已經(jīng)取得一定效果，但是僅僅研究單位點(diǎn)蛋白并不能滿足需求，因?yàn)槎辔稽c(diǎn)蛋白也需要被預(yù)測(cè)，并且可能多位點(diǎn)蛋白具有更加重要的意義，比如多位點(diǎn)蛋白更容易發(fā)生定位異常，更可能是引起疾病的原因。目前人們已經(jīng)開始研究多位點(diǎn)蛋白亞細(xì)胞定位預(yù)測(cè)，但還

3、處于起步階段，尚不夠完善。研究表明，越全面，越具有代表性的特征將越利于提高蛋白質(zhì)亞細(xì)胞定位預(yù)測(cè)的準(zhǔn)確率，而且大量研究人員通過上述方式提高了亞細(xì)胞定位的預(yù)測(cè)準(zhǔn)確率。比如說同時(shí)考慮 GO注釋信息和氨基酸疏水信息獲得不錯(cuò)的實(shí)驗(yàn)效果。理論上來講，生物信息越全面，越有利于提高實(shí)驗(yàn)結(jié)果。所以，如何選擇更加全面更加具有代表性的特征，是一個(gè)值得人們?nèi)ヌ接懞脱芯康膯栴}。如果一組基因擁有同一生物功能，而且該組基因?qū)儆谕环N調(diào)控機(jī)制，那么其GO術(shù)語就相似。目

4、前已有文獻(xiàn)只是簡(jiǎn)單考慮GO是否出現(xiàn)，而沒有考慮GO術(shù)語之間的相似性，我們稱這種特征向量為傳統(tǒng)GO特征向量。傳統(tǒng) GO特征向量通過1和0來表示GO術(shù)語的有和無，而基于GO語義相似性的新GO特征向量將前者中的0值由新計(jì)算出來的值代替，而保持1值不變，因此新的GO特征向量是對(duì)傳統(tǒng)GO特征向量的補(bǔ)充，是一種更加全面的特征代表。
　　本文主要研究蛋白質(zhì)亞細(xì)胞定位中的特征提取方法以及分類算法的設(shè)計(jì)，提出了一個(gè)新的蛋白質(zhì)亞細(xì)胞位置預(yù)測(cè)方法，即G

5、SS-mPloc，不僅考慮GO術(shù)語是否出現(xiàn)，還考慮了它們之間的關(guān)系。而這通過利用GO術(shù)語之間的語義相似性來實(shí)現(xiàn)。給定一個(gè)蛋白，通過搜索 Gene Ontology數(shù)據(jù)庫(kù)來獲得 GO術(shù)語集合，如果該蛋白被某個(gè)GO注釋，那么該GO對(duì)應(yīng)的屬性值為1，否則為0，據(jù)此得到該蛋白的GO特征向量(6749維)，其中每一維的值為0或1。然后利用GO術(shù)語之間的語義相似性來改進(jìn)原始GO特征。具體改進(jìn)如下，將某個(gè)未出現(xiàn)的GO與所有出現(xiàn) GO的語義相似性值平均