• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    隨機森林和支持向量機算法在β-發(fā)夾模體預測中的比較

    2016-12-05 03:15:02賈少春
    溫州大學學報(自然科學版) 2016年3期

    賈少春

    (忻州師范學院數(shù)學系,山西忻州 034000)

    隨機森林和支持向量機算法在β-發(fā)夾模體預測中的比較

    賈少春

    (忻州師范學院數(shù)學系,山西忻州 034000)

    基于對β-發(fā)夾模體的預測探索,本文使用隨機森林和支持向量機兩種算法,對ArchDB40數(shù)據(jù)庫及自建數(shù)據(jù)集中的β-發(fā)夾模體進行預測.對于同一數(shù)據(jù)集,在特征參數(shù)和檢驗方法均相同的情況下,隨機森林算法的預測精度要高于支持向量機算法.此外,由于隨機森林算法在參數(shù)維數(shù)較高的情況下不會發(fā)生過擬合現(xiàn)象,所以本文采用了將高維特征參數(shù)輸入隨機森林算法的方法來預測β-發(fā)夾,得到了較好的預測效果:對ArchDB40數(shù)據(jù)庫中的β-發(fā)夾進行預測,其5-交叉檢驗的預測精度和相關系數(shù)分別是83.3%和0.59;對自建數(shù)據(jù)集中的β-發(fā)夾進行預測,其5-交叉檢驗的預測精度和相關系數(shù)分別是85.2%和0.62.

    隨機森林算法;支持向量機算法;β-發(fā)夾模體;離散增量;預測的二級結構信息

    β-發(fā)夾是一種特殊的超二級結構模體.對于β-β超二級結構,如果兩個反平行的β-strand被連接多肽(loop)連接,而且兩個strand之間存在一個或多個氫鍵,則稱這種超二級結構為β-發(fā)夾,否則稱為非β-發(fā)夾[1-3].前人在β-發(fā)夾模體識別的研究過程中,使用不同的算法對不同數(shù)據(jù)庫中的研究對象進行了預測,已經取得了一系列較好的研究成果.2002年,Cruz等[4]使用人工神經網(wǎng)絡(ANN),對序列相似性小于35%的534個蛋白質中的β-發(fā)夾進行識別,5-fold交叉檢驗的預測精度是47.7%.2004年Kuhn[1]等使用ANN方法預測局域發(fā)夾和非局域diverging turn,對2 209個蛋白質中的β-發(fā)夾預測精度是75.9%.2005年,Kumar等[5]使用兩種機器記憶技術——支持向量機和ANN模型,對EVA的序列相似性小于33%的2 880個非冗余蛋白質中β-發(fā)夾進行識別,5-fold交叉檢驗的預測精度為79.2%.2007年,胡秀珍等[6]使用支持向量機,對ArchDB40和EVA數(shù)據(jù)庫中的β-發(fā)夾模體進行識別,5-fold交叉檢驗預測精度分別是79.9%和83.3%.2008年,胡秀珍等[7]使用二次判別方法,對ArchDB40和EVA數(shù)據(jù)庫中β-發(fā)夾進行識別,5-fold交叉檢驗的預測精度分別達到了83.1%和80.7%.本文是對該研究的進一步探索,具體采用的是隨機森林和支持向量機兩種分類算法,選用的數(shù)據(jù)集一個是前人使用過的ArchDB40數(shù)據(jù)集,一個是新整理的包含4 070個非冗余蛋白質鏈的數(shù)據(jù)集,對這兩個數(shù)據(jù)集中的β-發(fā)夾進行預測,隨機森林算法的效果均好于支持向量機算法的.

    1 數(shù)據(jù)及方法

    1.1 數(shù)據(jù)集

    1.1.1 ArchDB40數(shù)據(jù)集

    ArchDB40數(shù)據(jù)庫[8-9]是本文選用的第一個數(shù)據(jù)集.具體的研究對象是loop長為2-8個氨基酸殘基的模體.固定序列模式長選為12,截取規(guī)則有5位點法、8位點法和中心位點法[6],分別用5-12、8-12 和Lr-12來表示,具體示例見圖1.

    圖1 固定模式的三種截取方式

    1.1.2 自建數(shù)據(jù)集

    本文選用的第二個數(shù)據(jù)集是筆者自己構建的數(shù)據(jù)庫,即一個序列相似性小于25%、分辨率高于3?的包含4 070條蛋白質鏈的數(shù)據(jù)庫.下面是整理數(shù)據(jù)庫的具體過程:

    第一步:從SCOP數(shù)據(jù)庫的ASTRAL(1.75版)中下載序列相似性低于95%的序列;

    第二步:使用Blast軟件獲得序列相似性低于25%的序列4 174條(僅包含全β、α / β和α + β類的蛋白質序列),并從中篩選出分辨率高于3?的序列4 070條;

    第三步:使用DSSP[10]找出ECE模式16 917個;

    第四步:使用PROMOTIF軟件[11]得到9 046個β-發(fā)夾模體,與ECE模式匹配的筆者認為是β-發(fā)夾,共8 800個,剩余的8 117個為非β-發(fā)夾模體;

    第五步:對得到的模體進行統(tǒng)計分析,發(fā)現(xiàn)loop長為2 - 10個氨基酸殘基的β-發(fā)夾模體和非β-發(fā)夾模體分別有8 291和6 865個,各占了此類模體總數(shù)的94%和85%,故選取loop長為2 -10個氨基酸殘基的模體作為具體研究對象;

    第六步:計算上述數(shù)據(jù)集中β-發(fā)夾模體和非β-發(fā)夾模體的平均長度,分別是16.58和15.65,故選取固定序列模式長為17,截取規(guī)則為中心位點法.

    1.2 特征參數(shù)

    1.2.1 位點分析

    使用weblogo網(wǎng)頁(http://weblogo.berkeley.edu/logo.cgi)對ArchDB40數(shù)據(jù)集中β-發(fā)夾和非β-發(fā)夾模體的固定序列片段(12個位點)分別進行統(tǒng)計分析,結果見圖2.

    圖2 β-發(fā)夾和非β-發(fā)夾固定序列片段的位點氨基酸保守信息 (ArchDB40數(shù)據(jù)集)

    再用weblogo網(wǎng)頁(http://weblogo.berkeley.edu/logo.cgi)對自建數(shù)據(jù)集中β-發(fā)夾和非β-發(fā)夾模體的固定序列片段(17個位點)分別進行統(tǒng)計分析,結果見圖3.

    圖3 β-發(fā)夾和非β-發(fā)夾固定序列片段的位點氨基酸保守信息 (自建數(shù)據(jù)集)

    1.2.2 參數(shù)選取

    通過位點分析發(fā)現(xiàn),ArchDB40數(shù)據(jù)庫和自建數(shù)據(jù)集中的固定序列片段的位點保守性都較強,故提取了以下幾項作為特征參數(shù).

    1)位點氨基酸組分A 對ArchDB40數(shù)據(jù)集而言,由于固定序列模式長是12且采用了三種固定序列片段截取方式,所以每個固定序列片段的位點氨基酸組分[12-13]是一個756維(21 × 12 × 3,這里21表示20種氨基酸和1個空位)的向量;對自建數(shù)據(jù)集而言,由于固定序列模式長是17且僅采用了中心位點法一種截取方式,所以每個固定序列片段的位點氨基酸組分是一個357維(21 × 17)的向量.

    2)位點親疏水組分Q 同理,對ArchDB40數(shù)據(jù)集而言,其位點親疏水組分[14]是一個252維(7 × 12 × 3,這里7表示6種親疏水特性和1個空位)的向量;對自建數(shù)據(jù)集而言,位點親疏水組分是一個119維(7 × 17)的向量.

    3)基于位點氨基酸組分的離散增量值ID(A) 以位點氨基酸組分作為ID的輸入?yún)?shù),用訓練集中的β-發(fā)夾序列片段和非β-發(fā)夾序列片段作標準離散源,進而計算出檢驗集中每條序列的2個離散增量值[15-18].對ArchDB40數(shù)據(jù)集而言,由于采用了三種截取方式,所以每條被檢片段可得6個離散增量值ID(A);對自建數(shù)據(jù)集而言,由于只有一種截取方式,所以每條被檢片段可得2個離散增量值ID(A).

    4)基于位點親疏水組分的離散增量值ID(Q) 類似地,以位點親疏水組分作為ID的輸入?yún)?shù),對ArchDB40數(shù)據(jù)集而言,每條被檢片段可計算得6個離散增量值ID(Q);對自建數(shù)據(jù)集而言,每條被檢片段可計算得2個離散增量值ID(Q).

    5)基于位點氨基酸組分的打分函數(shù)值S(A) 以位點氨基酸組分作為打分函數(shù)S的輸入?yún)?shù),利用訓練集中的β-發(fā)夾和非β-發(fā)夾構造標準打分矩陣,進而計算出檢驗集中每條序列的2個打分值[19-22].對ArchDB40數(shù)據(jù)集而言,由于采用了三種截取方式,所以每條被檢片段可得6個打分值S12(A);對自建數(shù)據(jù)集而言,因只有一種截取方式,所以每條被檢片段可得2個打分值S17(A).

    6)預測的二級結構信息PSS 預測的二級結構信息由PSIPRED[5]得到,并用一個3維的向量來表示,其中的3個分量分別表示對β-發(fā)夾和非β-發(fā)夾模體序列片段進行預測得到的α螺旋、β折疊和無規(guī)卷曲coil的頻數(shù).

    1.3 算法簡介

    1.3.1 隨機森林算法(RF)

    隨機森林是Leo Breiman于2001年提出的一種新型機器學習算法[23-27],其思想是將眾多弱分類器集成為一個強分類器進行分類.隨機森林由很多互不關聯(lián)的決策樹組成,輸入樣本時森林中的每一棵決策樹各自進行判斷,最終的決策結果則由綜合全部決策樹的分類結果而定.本文的隨機森林算法是通過R軟件[28-30]來實現(xiàn)的,使用的是R2.8.1版本(http://www.r-project.org/).

    1.3.2 支持向量機算法(SVM)

    支持向量機(SVM)算法是由Vapnik[31]等提出來的一種新型的機器學習方法,其基本思想是通過非線性變換把輸入向量映射到一個高維特征空間,再在高維特征空間構造線性判別函數(shù),進而尋找最優(yōu)超平面,使其與各類樣本之間的距離達到最大.

    本文支持向量機(SVM)算法是通過調用libsvm-2.89程序包[32]來實現(xiàn)的(http://www.csie. ntu.edu.tw/~cjlin/libsvm).

    1.4 檢驗方法和評價指標

    1.4.1 檢驗方法

    做模體預測常用的檢驗方法有自洽檢驗、獨立檢驗、k-fold交叉檢驗和Jack-knife檢驗.本文采用的是5-fold交叉檢驗[6-7],即將數(shù)據(jù)集平均分成5份,其中4份作為訓練集,剩余的1份作為檢驗集,重復做5次獨立檢驗后求其平均的檢驗方法.

    1.4.2 評價指標

    本文使用的評價指標[6-7]有:Qo(H)、Qo(NH)、Qp(H)、Qp(NH)、Acc和MCC,具體計算公式如下:

    其中,p為β-發(fā)夾被正確識別的數(shù)量,r為非β-發(fā)夾被正確識別的數(shù)量,u為β-發(fā)夾被預測為非β-發(fā)夾的數(shù)量,o為非β-發(fā)夾被預測為β-發(fā)夾的數(shù)量.

    2 結果與分析

    2.1 對ArchDB40數(shù)據(jù)集的預測結果

    對ArchDB40數(shù)據(jù)庫中的β-發(fā)夾模體,用基于位點氨基酸組分得到的6個離散增量值ID(A)、基于位點親疏水組分得到的6個離散增量值ID(Q)、基于位點氨基酸組分得到的6個打分函數(shù)值S12(A)和3維預測的二級結構信息PSS的組合向量作為特征參數(shù)(ID(A) + ID(Q) + S12(A) + PSS),采用支持向量機(SVM)算法進行預測,其5-fold交叉檢驗的Acc和MCC的值分別為79.4%和0.49.采用隨機森林(RF)算法對該數(shù)據(jù)庫中的β-發(fā)夾模體進行預測,實施5-fold交叉檢驗,Acc和MCC的值均得到了提高,分別達到82.0%和0.55,具體結果見表1.

    2.2 對自建數(shù)據(jù)集的預測結果

    對于自建數(shù)據(jù)集中的β-發(fā)夾模體,我們也提取了ID(A) + ID(Q) + S17(A) + PSS作為特征參數(shù)進行預測,其支持向量機(SVM)算法結合5-fold交叉檢驗的結果是:Acc和MCC的值分別為80.2%和0.51.采用隨機森林(RF)算法對該數(shù)據(jù)庫中的β-發(fā)夾模體進行預測,實施5-fold交叉檢驗,其結果也有所提高,Acc和MCC的值分別達到83.5%和0.59,具體結果見表2.

    表1 對ArchDB40數(shù)據(jù)庫中β-發(fā)夾預測的結果比較

    表2 對自建數(shù)據(jù)庫中β-發(fā)夾預測結果的比較

    2.3 基于高維特征參數(shù)的隨機森林算法的預測結果

    考慮到隨機森林算法所具有的特殊性能,我們也直接使用位點氨基酸組分(A)、位點親疏水組分(Q)和預測的二級結構(PSS)的組合向量(A + Q + PSS)作為輸入?yún)?shù)進行識別.需要指出的是對ArchDB40數(shù)據(jù)庫中的β-發(fā)夾來說,這里的位點氨基酸組分(A)和位點親疏水組分(Q)僅建立在前兩種截取方式(5-12和8-12)之上,故A + Q + PSS參數(shù)共675(21 × 12 × 2 + 7 × 12 × 2 + 3)維,將其輸入RF算法做5-fold交叉檢驗,其Acc和MCC的值分別是83.3%和0.59.對自建數(shù)據(jù)集中的β-發(fā)夾來說,由于每個片段只有一種截取方式,故A + Q + PSS參數(shù)共479維(21 × 17 + 7 × 17 + 3),將其輸入RF算法做5-交叉檢驗,其預測精度和相關系數(shù)分別是85.2%和0.62,詳細結果見表3.

    3 結 論

    本文對β-發(fā)夾模體的預測探索有以下幾點創(chuàng)新:1)整理了一個新的β-發(fā)夾數(shù)據(jù)集,這不僅豐富了β-發(fā)夾的模體數(shù),而且使得β-發(fā)夾模體包含的信息更加全面;2)對比了隨機森林(RF)和支持向量機(SVM)兩種算法的分類效果,結果顯示RF算法要好于SVM算法;3)選取了高維特征參數(shù)(A + Q + PSS)輸入RF算法進行預測,其結果得到進一步改善.

    [1] Kuhn M, Meiler J, Baker D. Strand-loop-strand motifs: Prediction of hairpins and diverging turns in proteins [J]. Proteins: Structure, Function, and Bioinformatics, 2004, 54(2): 282-288.

    [2] Wintjens R T, Rooman M J, Wodak S J. Automatic classification and analysis of alpha-alpha-turn motifs in proteins[J]. Journal of Molecular Biology, 1996, 255(1): 235-253.

    [3] Jones D T. Protein secondary structure prediction based on position-specific scoring matrices [J]. Journal of Molecular Biology, 1999, 292(2): 195-202.

    [4] Cruz X, Hutchinson E G, Shepherd A. Toward predicting protein topology: an approach to identifying β hairpins [J]. Proceedings of the National Academy Sciences of the USA, 2002, 99(17): 11157-11162.

    [5] Kumar M, Bhasin M, Natt N K, et al. BhairPred: prediction of β-hairpins in a protein from multiple alignment information using ANN and SVM techniques [J]. Nucleic Acids Research, 2005, 33: 154-159.

    [6] Hu X Z, Li Q Z. Prediction of the β-hairpins in proteins using support vector machine [J].Protein Journal, 2008, 27(2):115-122.

    [7] Hu X Z, Li Q Z, Wang C L. Recognition of β-hairpin motifs in proteins by using the composite vector [J]. Amino Acids, 2010, 38(3): 915-921.

    [8] Oliva A, Bates P A, Querol E, et al. An automated classification of the structure of protein loops [J]. Journal of Molecular Biology, 1997, 266(4): 814-830.

    [9] Espadaler J, Fuentes N F, Hermoso A, et al. ArchDB: automated protein loop classification as a tool for structural genomics [J]. Nucleic Acids Research, 2004(32): 185-188.

    [10] Kabsch W, Sander C. Dictionary of protein secondary structure: Pattern recognition of hydrogen-bonded and geometrical features [J]. Biopolymers, 1983, 22(12): 2577-2637.

    [11] Hutchinson E G, Thornton J M. PROMOTIF-A program to identify and analyze structural motifs in proteins [J]. Protein Science, 1996, 5(2): 212-220.

    [12] Panek J, Eidhammer I, Aasland R. A new method for identification of protein (sub) families in a set of proteins based on hydropathy distribution in proteins [J]. Proteins: Structure, Function, Bioinformatics, 2005, 58(4): 923-934.

    [13] 高蘇娟, 胡秀珍. 蛋白質中四類簡單超二級結構的分類[J]. 內蒙古工業(yè)大學學報, 2013, 32(1): 21-26.

    [14] 賈少春, 胡秀珍. 基于添加功能位點信息的組合向量預測β-發(fā)夾模體[J]. 內蒙古工業(yè)大學學報, 2012, 31(3):1-9.

    [15] Laxton R R. The measure of diversity [J]. Journal of Theoretical Biology, 1978, 71(1): 51-67.

    [16] Zhang L R, Luo L F. Splice site prediction with quadratic discriminate analysis using diversity measure [J]. Nucleic Acids Research, 2003, 31(21): 6214-6220.

    [17] Chen Y L, Li Q Z. Prediction of the subcellular location of apoptosis proteins [J]. Journal of Theoretical Biology,2007, 245(4): 775-783.

    [18] 宋航宇, 胡秀珍, 馮振興, 等. 基于統(tǒng)計特征的酶蛋白質中特殊模體βαβ的預測[J]. 生物物理學報, 2013,29(9): 658-668.

    [19] Kel A E, Gobling E, Reuter I, et al. MATCHTM: a tool for searching transcription factor binding sites in DNA sequences [J]. Nucleic Acids Research, 2003, 31(13): 3576-3579.

    [20] 楊科利, 李前忠, 林昊. 預測酵母(Yeast)基因轉錄因子結合位點[J]. 內蒙古大學學報(自然科學版), 2006,37(5): 524-530.

    [21] Cartharius K, Frech K, Grote K, et al. MatInspector and beyond: promoter analysis based on transcription factor binding sites [J]. Bioinformatics, 2005, 21(13): 2933-2942.

    [22] 宋航宇, 胡秀珍. 基于矩陣打分值和化學位移值預測酶蛋白質中β-發(fā)夾模體[J]. 內蒙古工業(yè)大學學報, 2014,33(3): 175-180.

    [23] Breiman L. Random forests [J]. Machine Learning, 2001, 45(1): 5-32.

    [24] Okun O, Priisalu H. Random forest for gene expression based cancer classification: Overlooked issues [J]. PatternRecognition and Image Analysis, 2007, 4478(partⅡ): 483-490.

    [25] 袁敏, 胡秀珍. 隨機森林方法預測膜蛋白類型[J]. 生物物理學報, 2009, 25(5): 349-355.

    [26] 王麗愛, 馬昌, 周旭東, 等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J]. 農業(yè)機械學報, 2015,46(1): 259-265.

    [27] 林劼, 林舒曄. 基于隨機森林算法的葡萄酒品質預測方法[J]. 莆田學院學報, 2012, 19(5): 88-92.

    [28] Liaw A, Wiener M. Classification and regression by random forest [J]. R News, 2002, 2(3): 18-22.

    [29] 張超, 孫鳳, 曾憲濤. R軟件調用JAGS軟件實現(xiàn)網(wǎng)狀Meta分析[J]. 中國循證醫(yī)學雜志, 2014, 14(2): 241-248.

    [30] 張超, 耿培亮, 郭毅, 等. 應用R語言netmeta程序包實現(xiàn)網(wǎng)狀Meta分析[J]. 中國循證醫(yī)學雜志, 2014, 14(5):625-630.

    [31] Vapnik V. An overview of statistical learning theory [J]. IEEE Transactions on Neural Networks, 1999, 10(5):988-999.

    [32] Chang C C, Lin C J. LIBSVM: a library for support vector machines [J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 389-396.

    Comparison between Random Forest and Support Vector Machine Algorithm for Prediction of β-hairpin Motif

    JIA Shaochun
    (Department of Mathematics, Xinzhou Teachers College, Xinzhou, China 034000)

    Based on the prediction exploration of β-hairpin motifs in proteins, the random forest and support vector machine algorithm is applied in this paper to predict β-hairpin motifs in ArchDB40 (Specific database name) and the self-built dataset. For the same dataset, when using the same characteristic parameters and the same test method, Random Forest algorithm is more accurate than Support Vector Machine. In addition,Random Forest algorithm never results in the overfitting phenomenon under the higher dimension of characteristic parameters, so the Random Forest based on higher dimension characteristic parameters is applied to predict β-hairpin motifs. The better prediction results are obtained: 1. Prediction of β-hairpin motifs in ArchDB40 dataset, the overall accuracy and Matthew’s correlation coefficient of 5-fold cross-validation achieve 83.3% and 0.59 respectively; 2. Prediction of β-hairpin motifs in the self-built dataset, the overall accuracy and Matthew’s correlation coefficient of 5-fold cross-validation achieve 85.2% and 0.62,respectively.

    Random Forest Algorithm; Support Vector Machine(SVM) Algorithm; β-hairpin Motif;Increment of Diversity; Predicted Secondary Structure Information

    TP181

    A

    1674-3563(2016)03-0026-08

    10.3875/j.issn.1674-3563.2016.03.005 本文的PDF文件可以從xuebao.wzu.edu.cn獲得

    (編輯:王一芳)

    2016-03-15

    賈少春(1984- ),女,山西原平人,助教,碩士,研究方向:算法和模體預測

    久久久久九九精品影院| 精品久久久久久久末码| 少妇的丰满在线观看| 日韩欧美在线乱码| 我的老师免费观看完整版| 18禁黄网站禁片免费观看直播| 欧美性猛交黑人性爽| 国产精华一区二区三区| 在线播放国产精品三级| 又紧又爽又黄一区二区| 国产不卡一卡二| 少妇裸体淫交视频免费看高清| 国产麻豆成人av免费视频| 国产成人a区在线观看| 日本成人三级电影网站| 国产精品,欧美在线| 精品免费久久久久久久清纯| 精品无人区乱码1区二区| 精品人妻一区二区三区麻豆 | 亚洲精品亚洲一区二区| 精品久久久久久久毛片微露脸| 国产淫片久久久久久久久 | 国产成人av激情在线播放| 精品不卡国产一区二区三区| 在线免费观看的www视频| 一区二区三区免费毛片| 欧美大码av| 欧美日韩精品网址| 国内揄拍国产精品人妻在线| 18禁美女被吸乳视频| 国产97色在线日韩免费| 少妇熟女aⅴ在线视频| 亚洲精品在线观看二区| 观看美女的网站| 老司机午夜十八禁免费视频| 欧美+日韩+精品| av天堂在线播放| 久久精品综合一区二区三区| 亚洲成a人片在线一区二区| 一级毛片高清免费大全| 国产三级在线视频| 欧美成人性av电影在线观看| 中出人妻视频一区二区| 欧美绝顶高潮抽搐喷水| 亚洲精品日韩av片在线观看 | 国产精品电影一区二区三区| 欧美又色又爽又黄视频| 久久久精品欧美日韩精品| bbb黄色大片| 日日夜夜操网爽| 12—13女人毛片做爰片一| 日本精品一区二区三区蜜桃| 欧美日韩一级在线毛片| 欧美日本视频| 色在线成人网| 丝袜美腿在线中文| 色尼玛亚洲综合影院| 亚洲av成人精品一区久久| 在线观看免费视频日本深夜| 国产午夜精品久久久久久一区二区三区 | 婷婷六月久久综合丁香| 久久久久九九精品影院| 国产成人a区在线观看| 999久久久精品免费观看国产| 日韩欧美三级三区| 国产精品美女特级片免费视频播放器| 韩国av一区二区三区四区| 日本五十路高清| 极品教师在线免费播放| 精品久久久久久成人av| 久久精品91蜜桃| 欧美黑人欧美精品刺激| 国产淫片久久久久久久久 | 日韩国内少妇激情av| 精品久久久久久,| 男女之事视频高清在线观看| 精品午夜福利视频在线观看一区| 变态另类成人亚洲欧美熟女| 免费电影在线观看免费观看| 久久午夜亚洲精品久久| 久久精品国产综合久久久| 国产男靠女视频免费网站| 叶爱在线成人免费视频播放| 亚洲国产中文字幕在线视频| 亚洲国产高清在线一区二区三| 在线免费观看的www视频| 好男人在线观看高清免费视频| 免费在线观看日本一区| 成人国产一区最新在线观看| 露出奶头的视频| 在线看三级毛片| 好看av亚洲va欧美ⅴa在| 亚洲欧美日韩无卡精品| 51午夜福利影视在线观看| 精品日产1卡2卡| 久久精品91无色码中文字幕| 国产久久久一区二区三区| 久久国产精品影院| 国产成人福利小说| 欧美3d第一页| 熟女电影av网| 露出奶头的视频| 性欧美人与动物交配| 国产精品国产高清国产av| 热99在线观看视频| 麻豆国产av国片精品| 成人一区二区视频在线观看| 欧美av亚洲av综合av国产av| 日日干狠狠操夜夜爽| 内地一区二区视频在线| 老汉色∧v一级毛片| 国产一区二区激情短视频| 老司机午夜十八禁免费视频| 在线观看66精品国产| 国产精品免费一区二区三区在线| 国内精品久久久久久久电影| 成人永久免费在线观看视频| 精品国产美女av久久久久小说| 亚洲最大成人手机在线| 一区二区三区国产精品乱码| 午夜a级毛片| 桃红色精品国产亚洲av| 搡老熟女国产l中国老女人| 亚洲成人中文字幕在线播放| 免费人成视频x8x8入口观看| 国产探花在线观看一区二区| 欧美在线黄色| 国产精品自产拍在线观看55亚洲| tocl精华| 欧美绝顶高潮抽搐喷水| 亚洲专区中文字幕在线| or卡值多少钱| 中出人妻视频一区二区| 我的老师免费观看完整版| 精品久久久久久久毛片微露脸| 91麻豆av在线| av在线蜜桃| 午夜福利免费观看在线| 黄色丝袜av网址大全| 久久精品91蜜桃| www.熟女人妻精品国产| av在线蜜桃| 国产精品精品国产色婷婷| 亚洲av电影不卡..在线观看| 国产一级毛片七仙女欲春2| 久久精品综合一区二区三区| 国内久久婷婷六月综合欲色啪| 欧美日韩黄片免| 国产一区二区三区在线臀色熟女| 高清在线国产一区| av中文乱码字幕在线| 日韩av在线大香蕉| 两个人看的免费小视频| 精品人妻1区二区| 久久久久久久精品吃奶| 欧美大码av| 日韩人妻高清精品专区| а√天堂www在线а√下载| 精品人妻一区二区三区麻豆 | 在线观看美女被高潮喷水网站 | 看片在线看免费视频| 亚洲成人精品中文字幕电影| 欧美成狂野欧美在线观看| 9191精品国产免费久久| 高清日韩中文字幕在线| 狂野欧美白嫩少妇大欣赏| 一个人看视频在线观看www免费 | 国产精品亚洲美女久久久| 国内揄拍国产精品人妻在线| 99热6这里只有精品| 亚洲欧美日韩东京热| 精品国产美女av久久久久小说| 可以在线观看的亚洲视频| 国产探花极品一区二区| 亚洲国产欧美人成| 级片在线观看| 午夜福利高清视频| 久久天躁狠狠躁夜夜2o2o| 欧美最黄视频在线播放免费| 久久这里只有精品中国| 久9热在线精品视频| 好看av亚洲va欧美ⅴa在| 色综合亚洲欧美另类图片| tocl精华| 99国产精品一区二区三区| 黄片小视频在线播放| 国内精品久久久久久久电影| 国产午夜福利久久久久久| 舔av片在线| 亚洲国产中文字幕在线视频| av天堂在线播放| 免费看美女性在线毛片视频| 日韩大尺度精品在线看网址| 午夜福利欧美成人| 免费在线观看亚洲国产| 九九在线视频观看精品| 成人午夜高清在线视频| 亚洲七黄色美女视频| 一本精品99久久精品77| 国产成人系列免费观看| 久久久色成人| av天堂中文字幕网| 丰满乱子伦码专区| xxx96com| 亚洲片人在线观看| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 1000部很黄的大片| 一边摸一边抽搐一进一小说| 9191精品国产免费久久| 老汉色av国产亚洲站长工具| 国产精品永久免费网站| 在线视频色国产色| 18禁黄网站禁片午夜丰满| 国语自产精品视频在线第100页| 女生性感内裤真人,穿戴方法视频| 亚洲第一欧美日韩一区二区三区| 日韩人妻高清精品专区| 国产亚洲精品久久久com| 国产熟女xx| 黄片小视频在线播放| 国产精品亚洲av一区麻豆| 久久性视频一级片| 国产免费男女视频| 亚洲av成人av| 国产精品永久免费网站| 人人妻,人人澡人人爽秒播| 日韩欧美精品免费久久 | 久久精品人妻少妇| 日本一二三区视频观看| 在线十欧美十亚洲十日本专区| 99精品欧美一区二区三区四区| 日韩精品青青久久久久久| 男女视频在线观看网站免费| 国产亚洲精品一区二区www| 日韩欧美三级三区| 欧美国产日韩亚洲一区| 97人妻精品一区二区三区麻豆| 亚洲最大成人手机在线| 三级男女做爰猛烈吃奶摸视频| a级毛片a级免费在线| 国产精品永久免费网站| 中文字幕人成人乱码亚洲影| 97超级碰碰碰精品色视频在线观看| 国产视频一区二区在线看| 国产精品女同一区二区软件 | 成人18禁在线播放| 亚洲成人中文字幕在线播放| 日韩有码中文字幕| 欧美日韩黄片免| 69av精品久久久久久| 国产激情偷乱视频一区二区| 99热只有精品国产| 久久草成人影院| 两个人的视频大全免费| 18禁裸乳无遮挡免费网站照片| 亚洲一区二区三区不卡视频| 成人特级av手机在线观看| 精品久久久久久久久久久久久| 国产午夜精品久久久久久一区二区三区 | 欧美中文综合在线视频| 亚洲成人精品中文字幕电影| 免费在线观看成人毛片| 欧美一区二区精品小视频在线| 在线观看美女被高潮喷水网站 | 偷拍熟女少妇极品色| 色综合欧美亚洲国产小说| 久久国产精品影院| 亚洲国产精品成人综合色| 亚洲国产欧美网| 国产精品免费一区二区三区在线| 国产精品永久免费网站| 国内揄拍国产精品人妻在线| 欧美成人免费av一区二区三区| 男人舔奶头视频| 亚洲最大成人手机在线| 亚洲中文字幕日韩| 久久久久国内视频| 婷婷精品国产亚洲av| 深爱激情五月婷婷| netflix在线观看网站| 一二三四社区在线视频社区8| 成人18禁在线播放| 久久这里只有精品中国| 精品久久久久久成人av| 日韩 欧美 亚洲 中文字幕| 精品无人区乱码1区二区| av在线蜜桃| 一边摸一边抽搐一进一小说| 亚洲专区国产一区二区| 男女视频在线观看网站免费| 日韩精品中文字幕看吧| 亚洲av熟女| 国产亚洲精品综合一区在线观看| 亚洲精品国产精品久久久不卡| 最近最新中文字幕大全电影3| av欧美777| 国产麻豆成人av免费视频| 欧美日韩瑟瑟在线播放| 长腿黑丝高跟| 久久久国产成人精品二区| av天堂中文字幕网| 国产精品一及| 非洲黑人性xxxx精品又粗又长| 国语自产精品视频在线第100页| 一二三四社区在线视频社区8| 国产精品美女特级片免费视频播放器| 香蕉久久夜色| 国产一区二区在线av高清观看| 最近最新中文字幕大全电影3| 男女下面进入的视频免费午夜| 国产97色在线日韩免费| 村上凉子中文字幕在线| 国产日本99.免费观看| 国内精品美女久久久久久| 久久久久国内视频| 国产视频一区二区在线看| 夜夜爽天天搞| h日本视频在线播放| 18禁美女被吸乳视频| 91九色精品人成在线观看| 女生性感内裤真人,穿戴方法视频| 精品一区二区三区av网在线观看| 99精品欧美一区二区三区四区| 国产高清videossex| 久久亚洲精品不卡| 亚洲男人的天堂狠狠| 97人妻精品一区二区三区麻豆| 中文字幕精品亚洲无线码一区| 12—13女人毛片做爰片一| 毛片女人毛片| 麻豆久久精品国产亚洲av| 国产成人影院久久av| 黄色日韩在线| 一边摸一边抽搐一进一小说| 熟女电影av网| 成年人黄色毛片网站| 久久香蕉精品热| 国模一区二区三区四区视频| 九九在线视频观看精品| 禁无遮挡网站| 国产免费一级a男人的天堂| 久久久久九九精品影院| 一区二区三区激情视频| 亚洲五月婷婷丁香| 亚洲 欧美 日韩 在线 免费| tocl精华| 麻豆久久精品国产亚洲av| 男人的好看免费观看在线视频| 一个人看的www免费观看视频| 久久6这里有精品| 国产精品乱码一区二三区的特点| 国产高清有码在线观看视频| 日韩国内少妇激情av| 免费大片18禁| 中文资源天堂在线| 美女高潮喷水抽搐中文字幕| 亚洲av电影不卡..在线观看| 久久精品夜夜夜夜夜久久蜜豆| 午夜福利视频1000在线观看| 又黄又粗又硬又大视频| 乱人视频在线观看| 欧美日韩国产亚洲二区| 午夜亚洲福利在线播放| 国产伦在线观看视频一区| 国内毛片毛片毛片毛片毛片| 欧美乱色亚洲激情| а√天堂www在线а√下载| 99国产精品一区二区三区| 欧美日韩乱码在线| 又黄又粗又硬又大视频| 岛国在线免费视频观看| 国产精品98久久久久久宅男小说| 国产精品久久视频播放| 亚洲国产高清在线一区二区三| 亚洲五月婷婷丁香| 一区二区三区激情视频| 国产欧美日韩一区二区精品| 人妻夜夜爽99麻豆av| 久9热在线精品视频| 一进一出抽搐gif免费好疼| 久9热在线精品视频| 国产精品综合久久久久久久免费| 热99re8久久精品国产| 国产精品久久久久久亚洲av鲁大| 首页视频小说图片口味搜索| 少妇丰满av| 亚洲avbb在线观看| 国产免费av片在线观看野外av| 国产av一区在线观看免费| 香蕉av资源在线| 最近最新中文字幕大全电影3| 亚洲,欧美精品.| 精品久久久久久久久久免费视频| 天堂√8在线中文| 啦啦啦韩国在线观看视频| 亚洲精品粉嫩美女一区| 9191精品国产免费久久| 狠狠狠狠99中文字幕| 99久久九九国产精品国产免费| 亚洲精品影视一区二区三区av| 麻豆成人av在线观看| 亚洲五月天丁香| 在线观看舔阴道视频| 长腿黑丝高跟| 黑人欧美特级aaaaaa片| 国产一区二区亚洲精品在线观看| 国产熟女xx| 亚洲av第一区精品v没综合| 色老头精品视频在线观看| 国产精品 国内视频| 在线观看66精品国产| 午夜精品一区二区三区免费看| 久久精品国产清高在天天线| 脱女人内裤的视频| 亚洲精品国产精品久久久不卡| 国产精品久久电影中文字幕| 国产av在哪里看| 精品熟女少妇八av免费久了| 日韩精品青青久久久久久| 日本黄色片子视频| 国产精品香港三级国产av潘金莲| 观看免费一级毛片| 久久精品综合一区二区三区| 国产免费男女视频| 欧美成人一区二区免费高清观看| 精品一区二区三区人妻视频| 一级黄片播放器| 精品久久久久久,| 校园春色视频在线观看| 高清日韩中文字幕在线| 美女被艹到高潮喷水动态| 亚洲性夜色夜夜综合| 熟妇人妻久久中文字幕3abv| 一个人观看的视频www高清免费观看| 久久国产精品影院| 99精品久久久久人妻精品| 亚洲av成人不卡在线观看播放网| 成人性生交大片免费视频hd| 亚洲精品亚洲一区二区| 性欧美人与动物交配| 男女下面进入的视频免费午夜| 国产在视频线在精品| 亚洲精品色激情综合| 99久久精品一区二区三区| 久久久精品欧美日韩精品| 免费看光身美女| 国产精品久久视频播放| 国产高潮美女av| 国产日本99.免费观看| eeuss影院久久| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 色综合站精品国产| 亚洲va日本ⅴa欧美va伊人久久| 日本 欧美在线| 不卡一级毛片| 欧美色欧美亚洲另类二区| 五月伊人婷婷丁香| 观看免费一级毛片| 久久久久久大精品| 成人国产综合亚洲| 国产精品嫩草影院av在线观看 | 国产亚洲精品av在线| av视频在线观看入口| 国产亚洲精品久久久久久毛片| 在线观看日韩欧美| 18禁黄网站禁片免费观看直播| 尤物成人国产欧美一区二区三区| 99在线人妻在线中文字幕| 搡老熟女国产l中国老女人| 亚洲黑人精品在线| av在线蜜桃| 亚洲成a人片在线一区二区| 国内揄拍国产精品人妻在线| 免费观看精品视频网站| 日本免费a在线| 黄色日韩在线| 熟女人妻精品中文字幕| 3wmmmm亚洲av在线观看| 黑人欧美特级aaaaaa片| 国产精品精品国产色婷婷| 国产黄片美女视频| 欧美日韩福利视频一区二区| www日本黄色视频网| 国产aⅴ精品一区二区三区波| 国产三级黄色录像| 亚洲一区二区三区不卡视频| 午夜老司机福利剧场| 日本免费一区二区三区高清不卡| 色视频www国产| 国产免费av片在线观看野外av| 99热精品在线国产| 亚洲七黄色美女视频| 亚洲电影在线观看av| 免费在线观看亚洲国产| 久久99热这里只有精品18| 99精品在免费线老司机午夜| 两个人视频免费观看高清| 精品国产亚洲在线| 欧美3d第一页| 亚洲,欧美精品.| 免费av观看视频| 日韩av在线大香蕉| 91久久精品电影网| 99久久综合精品五月天人人| 亚洲18禁久久av| 91九色精品人成在线观看| 国产精品久久视频播放| 好男人电影高清在线观看| 一卡2卡三卡四卡精品乱码亚洲| 久久久久久久久久黄片| 亚洲一区二区三区不卡视频| 黄片大片在线免费观看| 婷婷精品国产亚洲av在线| 色尼玛亚洲综合影院| 欧美一区二区国产精品久久精品| 欧美不卡视频在线免费观看| 精品一区二区三区视频在线 | 最新美女视频免费是黄的| 亚洲av电影在线进入| 亚洲av五月六月丁香网| 精品熟女少妇八av免费久了| 国产精品香港三级国产av潘金莲| 国产精品电影一区二区三区| 久久久久久久精品吃奶| 精品电影一区二区在线| 亚洲精品乱码久久久v下载方式 | 婷婷亚洲欧美| 日韩有码中文字幕| 草草在线视频免费看| 可以在线观看毛片的网站| 岛国在线免费视频观看| 久久久久久人人人人人| 色av中文字幕| 国产一区二区激情短视频| 手机成人av网站| 成人av在线播放网站| 国产一区二区在线观看日韩 | 国产精品免费一区二区三区在线| 亚洲无线观看免费| 毛片女人毛片| 亚洲成人中文字幕在线播放| 99热精品在线国产| 免费人成视频x8x8入口观看| 在线观看av片永久免费下载| svipshipincom国产片| 久久精品综合一区二区三区| 国产精品1区2区在线观看.| 中文字幕精品亚洲无线码一区| www.色视频.com| 国产亚洲精品av在线| 午夜免费激情av| 无遮挡黄片免费观看| 久久久久久久亚洲中文字幕 | 熟女少妇亚洲综合色aaa.| 老汉色av国产亚洲站长工具| 国产精品国产高清国产av| 国产美女午夜福利| 色综合亚洲欧美另类图片| 欧美乱码精品一区二区三区| 毛片女人毛片| 午夜福利欧美成人| 国产激情偷乱视频一区二区| 18美女黄网站色大片免费观看| 99国产极品粉嫩在线观看| 观看免费一级毛片| а√天堂www在线а√下载| 91久久精品电影网| 丰满人妻熟妇乱又伦精品不卡| 国产精品自产拍在线观看55亚洲| 亚洲电影在线观看av| 99久久综合精品五月天人人| 19禁男女啪啪无遮挡网站| h日本视频在线播放| 亚洲欧美激情综合另类| 18禁国产床啪视频网站| 日韩国内少妇激情av| 日韩有码中文字幕| 国产欧美日韩一区二区三| 好看av亚洲va欧美ⅴa在| 亚洲成av人片免费观看| 中文字幕人成人乱码亚洲影| 一区二区三区国产精品乱码| 狠狠狠狠99中文字幕| 久久久久久人人人人人| 亚洲第一电影网av| 免费观看人在逋| 日本黄大片高清| 欧美另类亚洲清纯唯美| 中文字幕熟女人妻在线| 午夜福利在线观看免费完整高清在 | 中文字幕人妻熟人妻熟丝袜美 | 手机成人av网站| 国产麻豆成人av免费视频| 免费电影在线观看免费观看| 亚洲最大成人中文| 毛片女人毛片| 一区福利在线观看| 欧美乱码精品一区二区三区| 欧美色视频一区免费| 亚洲美女视频黄频| 亚洲国产日韩欧美精品在线观看 | 亚洲精品在线观看二区| 精品一区二区三区av网在线观看| 欧美在线一区亚洲| 国产av在哪里看| 中文字幕久久专区| 欧美xxxx黑人xx丫x性爽| 色在线成人网| 国产精品野战在线观看| 高清毛片免费观看视频网站| 精华霜和精华液先用哪个| 国产激情偷乱视频一区二区| 男插女下体视频免费在线播放| 欧美bdsm另类| 久久久久免费精品人妻一区二区|