• <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 ?

    基于點云卷積神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)柔性預(yù)測

    2022-03-31 02:11:24張曉慧谷昊晟王知人
    關(guān)鍵詞:池化柔性卷積

    張曉慧 谷昊晟 王知人

    (燕山大學(xué)理學(xué)院,秦皇島066004)

    隨著后基因組時代的到來以及解析獲得的蛋白質(zhì)三維結(jié)構(gòu)數(shù)據(jù)越來越多,蛋白質(zhì)結(jié)構(gòu)-功能關(guān)系研究成為結(jié)構(gòu)生物學(xué)研究領(lǐng)域的重要科學(xué)問題,受到生命科學(xué)研究者的普遍關(guān)注。蛋白質(zhì)是生物功能的主要實現(xiàn)者,生物體的一切生命活動幾乎都離不開蛋白質(zhì)的參與,蛋白質(zhì)在基因表達調(diào)控、生物化學(xué)反應(yīng)的催化、物質(zhì)運輸、信號傳導(dǎo)、免疫防御、新陳代謝等生命過程中都發(fā)揮著關(guān)鍵性的作用。而蛋白質(zhì)的各種生物學(xué)功能取決于其不同的空間結(jié)構(gòu)以及特定的構(gòu)象運動,蛋白質(zhì)在不同的生理環(huán)境和功能狀態(tài)下會呈現(xiàn)不同的空間構(gòu)象,蛋白質(zhì)生物學(xué)功能的實現(xiàn)有賴于其特定空間構(gòu)象的轉(zhuǎn)變[1],因此,蛋白質(zhì)結(jié)構(gòu)的動態(tài)性和柔性是蛋白質(zhì)行使其生物功能的關(guān)鍵因素,基于蛋白質(zhì)的三維結(jié)構(gòu)預(yù)測其柔性運動特征,開發(fā)有效預(yù)測蛋白質(zhì)柔性的數(shù)學(xué)模型和工具,有助于蛋白質(zhì)生物學(xué)功能分子機制的研究,可以為藥物設(shè)計和納米分子器型的設(shè)計提供重要信息,具有重要的理論意義和應(yīng)用價值。

    關(guān)于分析和預(yù)測蛋白質(zhì)柔性的問題很早就受到分子生物學(xué)家、計算生物學(xué)家等的高度關(guān)注。近幾年,基于機器學(xué)習(xí)預(yù)測蛋白質(zhì)柔性分析方法取得了良好的效果。2011 年Hwang 等[2]開發(fā)了一種基于支持向量機的機器學(xué)習(xí)策略預(yù)測了蛋白質(zhì)表面loop區(qū)的柔性,使用蛋白質(zhì)單體結(jié)構(gòu)中l(wèi)oop 區(qū)殘基的Ramachandran 角、晶體學(xué)B 因子和相對溶劑可及表面積三個特征,來區(qū)分蛋白質(zhì)表面的柔性loop區(qū)和剛性loop 區(qū),由表面loop 區(qū)的運動情況解釋蛋白質(zhì)-蛋白質(zhì)結(jié)合時表面的構(gòu)象變化。2017 年李海鷗[3]在蛋白質(zhì)-配體對接骨架柔性以及全原子柔性的優(yōu)化方面進行了研究,構(gòu)建了一個基于多種深度學(xué)習(xí)模型的蛋白質(zhì)二面角預(yù)測框架,精確地預(yù)測了蛋白質(zhì)二面角,為蛋白質(zhì)對接中骨架柔性的處理提供了一種非常有效的解決思路。同時,也提出了一種蛋白質(zhì)整體結(jié)構(gòu)重構(gòu)的方法,使用了深度學(xué)習(xí)模型中的多層堆疊自動編碼器模型,有效地避免了基于模板的傳統(tǒng)蛋白質(zhì)結(jié)構(gòu)預(yù)測方法中的采樣算法復(fù)雜、打分函數(shù)不準(zhǔn)確的問題。2018 年Bramer等[4]結(jié)合多種機器學(xué)習(xí)模型和多尺度加權(quán)彩色圖(MWCGs)方法,對蛋白質(zhì)的B 因子進行了預(yù)測。該方法利用MWCGs來提取蛋白質(zhì)結(jié)構(gòu)的局部柔性特征,進而與蛋白質(zhì)結(jié)構(gòu)分辨率、重原子個數(shù)、結(jié)構(gòu)解析的R實驗值等蛋白質(zhì)全局特征相結(jié)合,通過決策樹、隨機森林和卷積神經(jīng)網(wǎng)絡(luò)對大、中、小三組蛋白質(zhì)數(shù)據(jù)集進行了訓(xùn)練和測試;結(jié)果表明,用機器學(xué)習(xí)方法得到的B 因子預(yù)測結(jié)果比用GNM 等傳統(tǒng)方法得到的最小二乘擬合結(jié)果更準(zhǔn)確。2020年Bemister-Buffington 等[5]通過基于圖理論的ProFlex 方法獲得蛋白質(zhì)柔性分析,結(jié)合有效的機器學(xué)習(xí)模型對18個非活性和9個活性狀態(tài)的蛋白質(zhì)偶聯(lián)受體(GPCRs)的跨膜螺旋和loop區(qū)進行了分析,有效識別了由配體觸發(fā)的GPCRs 中配體結(jié)合位點的柔性轉(zhuǎn)變。大量研究表明,機器學(xué)習(xí)方法是蛋白質(zhì)結(jié)構(gòu)和柔性特征分析和預(yù)測的有效工具,在蛋白質(zhì)結(jié)構(gòu)-功能關(guān)系研究中得到了廣泛應(yīng)用。

    除了傳統(tǒng)的機器學(xué)習(xí)方法,卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)等深度學(xué)習(xí)模型在蛋白質(zhì)結(jié)構(gòu)-功能關(guān)系中也逐步得到了應(yīng)用。CNN 模型在二維和三維圖像識別領(lǐng)域取得了巨大成功和廣泛應(yīng)用,圖像數(shù)據(jù)具有規(guī)則的數(shù)據(jù)結(jié)構(gòu)形式,比如規(guī)則的二維網(wǎng)格或三維體素。而蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)是一種非規(guī)則的數(shù)據(jù)結(jié)構(gòu)形式,為了構(gòu)建適用于蛋白質(zhì)體系的CNN 模型,現(xiàn)有的處理方法主要有兩類:一類是人為地劃分空間網(wǎng)格,將蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)轉(zhuǎn)換為三維體素或圖片集合的形式,進而采用圖像處理領(lǐng)域常用的CNN 模型進行蛋白質(zhì)體系的研究。2017年Jiménez等[6]從計算機視覺的角度將蛋白質(zhì)結(jié)構(gòu)視為三維圖像,將三維空間離散成1? × 1? × 1? 大小的體素網(wǎng)格,根據(jù)蛋白質(zhì)中原子的體積,將所有原子映射到相應(yīng)的網(wǎng)絡(luò)上,同時,考慮了原子的7種特質(zhì)(疏水性、芳香性、氫鍵受體或供體、帶正或負(fù)電以及是否金屬離子),將這些特征作為格點不同的特征通道,利用三維卷積模型,來預(yù)測蛋白質(zhì)的活性位點。2020 年Wang等[7]開發(fā)了一種名為DOVE 的基于三維卷積操作的深度神經(jīng)網(wǎng)絡(luò)方法,以蛋白質(zhì)-蛋白質(zhì)相互作用界面為中心,設(shè)置203 ?3或403 ?3大小的盒子,將盒子進行網(wǎng)格劃分,將蛋白質(zhì)中的原子映射到不同的網(wǎng)格內(nèi),并將原子相互作用類型及其能量貢獻作為神經(jīng)網(wǎng)絡(luò)的輸入特征,利用三維卷積運算來預(yù)測蛋白質(zhì)-蛋白質(zhì)對接模式。另一類被大家廣泛采用的方法是將蛋白質(zhì)抽象為由大量的點和邊所構(gòu)成的分子圖,圖中的節(jié)點表示體系中的原子,邊表示原子之間的化學(xué)鍵,進而通過設(shè)計特定的圖卷積運算操作對蛋白質(zhì)體系特征進行提取分析。2017 年Fout 等[8]將蛋白質(zhì)結(jié)構(gòu)抽象為節(jié)點和邊所構(gòu)成的圖,評估了多個圖卷積算子,通過對節(jié)點局部性質(zhì)的卷積運算,來有效識別蛋白質(zhì)-蛋白質(zhì)相互作用界面,結(jié)果表明,這種方法預(yù)測的精度優(yōu)于基于支持向量機的方法。2020年Mahmoud等[9]將蛋白質(zhì)和配體抽象為由點和邊所構(gòu)成的圖,對于蛋白質(zhì)的圖模型,每一個節(jié)點代表一個殘基的Cα原子,節(jié)點的特征用殘基的類型來表示,節(jié)點之間邊的特征用兩個殘基Cα原子之間的距離來表示,對于配體的圖模型,節(jié)點和邊分別表示配體的重原子以及它們之間的共價連接。進而,利用圖神經(jīng)網(wǎng)絡(luò)來預(yù)測蛋白質(zhì)的Cα原子與配體重原子之間的距離。研究表明,相對于傳統(tǒng)的分子對接方法,該模型對于蛋白質(zhì)-配體結(jié)合模式預(yù)測的效率和準(zhǔn)確性方面都有顯著提高。然而,上述兩類方法均存在一定的局限性和不足。在第一類方法中,需要將蛋白質(zhì)體系內(nèi)的所有原子映射到各自最近的網(wǎng)絡(luò)上,這種映射過程會人為導(dǎo)致結(jié)構(gòu)上的誤差。同時,由于不同的蛋白質(zhì)大小不一,對于體積比較小的蛋白質(zhì),存在大量的空網(wǎng)格,增加了很多不必要的計算。在第二類方法中,將蛋白質(zhì)抽象為圖的過程中,會人為丟失部分結(jié)構(gòu)信息,比如原子之間的距離、相對位置等。

    Qi等[10]提出了一種基于點云的卷積神經(jīng)網(wǎng)絡(luò)模型PointNet,在三維物體識別和分割研究中取得了非常好的效果,本文借鑒PointNet 模型的思想,將蛋白質(zhì)體系視為大量原子所構(gòu)成的點云,通過對點云的卷積運算來預(yù)測蛋白質(zhì)結(jié)構(gòu)的柔性。該方法直接將蛋白質(zhì)體系中所有原子的三維坐標(biāo)作為輸入,不需要對蛋白質(zhì)的空間結(jié)構(gòu)進行人為預(yù)處理,保留了蛋白質(zhì)結(jié)構(gòu)中所有原子的位置信息。在卷積運算中,分別使用對稱池化操作和空間變換網(wǎng)絡(luò)[11]來處理點云的排列不變性和空間旋轉(zhuǎn)不變性。與Qi 等的模型不同的是,不同的蛋白質(zhì)結(jié)構(gòu)所含有的原子數(shù)量不均一、數(shù)據(jù)尺寸不規(guī)則,為了實現(xiàn)網(wǎng)絡(luò)的小批量訓(xùn)練方法,提出了一種新的批量化策略,使用大小不等的蛋白質(zhì)小批量輸入對網(wǎng)絡(luò)進行迭代訓(xùn)練,并采用Pearson 相關(guān)系數(shù)作為模型訓(xùn)練的評價指標(biāo)。同時,在網(wǎng)絡(luò)的池化層和空間變換網(wǎng)絡(luò)部分,采用了最大池化、平均池化串聯(lián)的方法,有效避免一些極端情況發(fā)生,提升了網(wǎng)絡(luò)的穩(wěn)定性[12]。相對于大的蛋白質(zhì)體系,小蛋白質(zhì)的柔性更大,預(yù)測也更為困難,為此,本文選用小于60 個氨基酸的小蛋白質(zhì)體系作為研究對象,在蛋白質(zhì)數(shù)據(jù)庫(protein data bank,PDB)中收集了243個非冗余蛋白質(zhì)結(jié)構(gòu)作為數(shù)據(jù)集,訓(xùn)練并測試了所搭建網(wǎng)絡(luò)對蛋白質(zhì)溫度因子(B因子)[13]的預(yù)測效果,并與蛋白質(zhì)柔性分析中廣泛采用的高斯網(wǎng)絡(luò)模型[14](Gaussian network model,GNM)的預(yù)測效果進行了比較。

    1 材料與方法

    1.1 數(shù)據(jù)集來源

    本文使用的蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)來自于PDB 數(shù)據(jù)庫(http://www.rcsb.org/),利用網(wǎng)站所提供的高級檢索工具,按照如下標(biāo)準(zhǔn)搜集蛋白質(zhì)結(jié)構(gòu)文件數(shù)據(jù),建立非冗余的小蛋白結(jié)構(gòu)數(shù)據(jù)集:

    a.蛋白質(zhì)的殘基數(shù)目范圍在0~60;

    b.蛋白質(zhì)的結(jié)構(gòu)通過X-射線晶體結(jié)構(gòu)解析方法獲得,并且分辨率在0.0~1.5 ?之間;

    c.蛋白質(zhì)結(jié)構(gòu)中僅包含一條鏈;

    d.所有蛋白質(zhì)的序列同源性小于30%。

    從滿足上述標(biāo)準(zhǔn)的蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)中排除溫度因子值全部相同和溫度因子為0的蛋白質(zhì),最終剩余243個PDB文件。在這243個蛋白質(zhì)體系中任意選取210個作為訓(xùn)練集,其余33個作為測試集。訓(xùn)練集的210個蛋白質(zhì)PDB代碼列在了附件表S1中,測試集的33個蛋白質(zhì)PDB代碼見表3。

    1.2 模型的架構(gòu)

    本文借鑒了PointNet對三維點云進行局部結(jié)構(gòu)識別和分割的思想,搭建了蛋白質(zhì)柔性預(yù)測的卷積神經(jīng)網(wǎng)絡(luò)模型,對蛋白質(zhì)的B 因子進行回歸預(yù)測,具體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    Fig.1 Network structure

    1.2.1 網(wǎng)絡(luò)算法的具體步驟

    a.提取蛋白質(zhì)氨基酸Cα原子的三維坐標(biāo)作為輸入,矩陣大小為N× 3,N代表蛋白質(zhì)中氨基酸的數(shù)目,利用改進的空間變換網(wǎng)絡(luò)T-net,預(yù)測出3× 3 的轉(zhuǎn)換矩陣,將輸入數(shù)據(jù)與轉(zhuǎn)換矩陣相乘,獲得蛋白質(zhì)整體旋轉(zhuǎn)后的坐標(biāo)。

    b.根據(jù)疏水性[15]和帶電荷[16]情況將氨基酸分為4類,分別是非極性、極性不帶電、極性帶正電以及極性帶負(fù)電。與氨基酸的20個種類相串聯(lián),形成一個24 維的特征向量,對提取的特征使用one-hot 編碼將其映射到歐式空間,使模型能夠更好地識別特征。將第一步變換后的坐標(biāo)數(shù)據(jù)與24維特征進行串聯(lián),得到大小為N× 27的數(shù)據(jù)。

    c.對第2步得到的數(shù)據(jù)通過三層卷積操作使其映射到高維空間,圖中卷積層用Conv 來表示。第一層卷積(Conv1)的卷積核大小為1× 27,其余卷積核大小為1× 1,步長均為1,三層卷積核數(shù)目分別為64、128、128。

    d.對第3步得到的數(shù)據(jù)再次通過T-net網(wǎng)絡(luò)進行旋轉(zhuǎn)。

    e.將第4步旋轉(zhuǎn)后的數(shù)據(jù)通過兩層卷積操作映射到更高維的空間,卷積核均為1× 1,步長為1,卷積核數(shù)目分別為256、512,最后得到512維的高維特征。

    f.對第5 步得到的高維特征進行對稱池化操作,將15個蛋白質(zhì)分開進行最大池化得到512維的全局特征向量。

    g.在網(wǎng)絡(luò)中添加跳躍連接[17]來建立層與層之間的關(guān)系,收集不同層中的局部特征,將第6步得到的全局特征復(fù)制N次,得到一個N× 512 的矩陣,將其與第3步和第5步得到的局部特征相串聯(lián),最終得到一個N× 1600的特征矩陣。

    h.利 用 一 個 多 層 感 知 機[18]mlp(256,256,128)進行特征降維,其中三層卷積的卷積核大小均為1× 1,步長均為1,并運用dropout(本文設(shè)為0.8)來防止網(wǎng)絡(luò)過擬合,最終得到網(wǎng)絡(luò)預(yù)測的B因子值。

    1.2.2 批量化策略

    深度學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)化常常采用小批量化策略,需要小批量的大小batch_size 參數(shù)所控制,代表每一次迭代所需的樣本數(shù),合適的batch_size 大小能夠提高網(wǎng)絡(luò)計算效率,減少訓(xùn)練一次全樣本集所需的迭代次數(shù),并且訓(xùn)練速度也可大大提高,同時batch_size 可以確定梯度的下降方向,使模型的收斂更加穩(wěn)定。

    本網(wǎng)絡(luò)使用的數(shù)據(jù)集是蛋白質(zhì)結(jié)構(gòu),而蛋白質(zhì)分子大小不一,會導(dǎo)致不同批次的小批量數(shù)據(jù)大小不規(guī)則,為了解決這一問題,本文提出了一種新的批量化策略,實現(xiàn)了輸入蛋白質(zhì)大小不等情形下的小批量迭代訓(xùn)練。本文設(shè)置的batch_size 大小為15,即同一批次放入15 個蛋白質(zhì)數(shù)據(jù)。在網(wǎng)絡(luò)的卷積運算過程中,當(dāng)運行轉(zhuǎn)換矩陣操作、使用對稱池化操作來提取全局特征以及計算損失函數(shù)的時候是需要對同一批次的不同蛋白質(zhì)體系進行區(qū)分?;谠摼W(wǎng)絡(luò)結(jié)構(gòu),為了能夠使15 個訓(xùn)練樣本中的所有殘基點一起進行訓(xùn)練,本研究將15 個樣本進行串連,得到一個M× 3 的矩陣,M=N1+N2+N3+ …+N15,其中N1,N2…N15分別為15個樣本中每個樣本的殘基個數(shù),M為15 個樣本殘基個數(shù)的總和,將這個矩陣作為一次迭代的輸入,用于網(wǎng)絡(luò)第3 步與第5 步的卷積操作中,以提取每個殘基的局部特征。

    在應(yīng)用變換矩陣、進行對稱池化操作以及計算損失函數(shù)的時候,需將15 個蛋白質(zhì)分開訓(xùn)練,因此本文使用tensorflow 框架下的數(shù)組拆分函數(shù)——tf.dynamic_partition 函數(shù),將15 個樣本進行分離。首先對M× 3 矩陣中的每一個殘基都生成一個標(biāo)簽,這個標(biāo)簽代表這個殘基所屬哪一個蛋白質(zhì)樣本,最終得到一個M維的向量,形式如下:

    接著使用數(shù)組拆分函數(shù),操作效果如圖2所示。

    圖中第一行表示每個元素的標(biāo)簽,第二行表示不同樣本的點,第一行相同的數(shù)字表示它們屬于同一個樣本(圖2),tf.dynamic_partition 函數(shù)可以通過標(biāo)簽將每一個樣本都提取出來,即把15 個蛋白質(zhì)分開,方便應(yīng)用變換矩陣、進行對稱池化操作以及計算損失函數(shù),最終整體實現(xiàn)小批量化。

    Fig.2 TF.Dynamic_Partition function renderings

    1.2.3 模型的改進

    為保持點云的置換不變形,在本文所建立的基于PointNet 的CNN 模型中,采用了最大池化操作來提取蛋白質(zhì)體系的整體特征,最大池化操作與殘基的排列次序無關(guān),具有點云的置換不變性。除了最大池化外,平均池化也具有點云的置換不變性,為此,為了進一步提高網(wǎng)絡(luò)的預(yù)測性能,在改進的模型中,同時考慮最大池化和平均池化,通過添加平均池化與最大池化串聯(lián)的操作方法,將最大池化和平均池化提取的兩種全局特征進行串聯(lián),得到包含更多蛋白質(zhì)數(shù)據(jù)信息的全局特征向量,既保證了對蛋白質(zhì)數(shù)據(jù)或特征排列的不變性,又增加了全局特征的信息量,使得模型更加穩(wěn)定,具體結(jié)構(gòu)如圖3所示。

    Fig.3 Improved symmetric pooling operation

    1.2.4 評價指標(biāo)

    本文使用Pearson 相關(guān)系數(shù)作為評價指標(biāo),其計算表達式如下:

    其中N代表蛋白質(zhì)中氨基酸的個數(shù),xi表示由本文網(wǎng)絡(luò)預(yù)測出的B 因子值,i= 1,2,…。yi,i=1,2,…,i表示蛋白質(zhì)PDB文件中的實驗B 因子值,分別代表xi、yi的算術(shù)平均值。

    1.2.5 損失函數(shù)

    損失函數(shù)是深度學(xué)習(xí)中一個至關(guān)重要的結(jié)構(gòu),網(wǎng)絡(luò)優(yōu)化的過程,就是最小化損失函數(shù)的過程。Pearson相關(guān)系數(shù)的輸出范圍為[-1,+1],相關(guān)系數(shù)越大,則相關(guān)性越強,0 代表無相關(guān)性。因此,將1-ρ作為損失函數(shù),ρ為Pearson 相關(guān)系數(shù)表達式,損失函數(shù)表達式為:

    其中,N為向量中元素個數(shù),xi與yi分別表示理論和實驗B因子值,i= 1,2,…,分別代表xi、yi的算術(shù)平均值。

    2 結(jié)果與討論

    2.1 模型參數(shù)的設(shè)置與優(yōu)化

    在深度學(xué)習(xí)中,調(diào)整超參數(shù)是優(yōu)化網(wǎng)絡(luò)的常用方法,通過觀察本文網(wǎng)絡(luò)的評價指標(biāo)即Pearson 相關(guān)系數(shù),可以判斷當(dāng)前網(wǎng)絡(luò)處于什么樣的狀態(tài),及時調(diào)整超參數(shù)可以科學(xué)有效的訓(xùn)練模型,節(jié)約大部分時間。針對蛋白質(zhì)數(shù)據(jù)大小不等的特殊性,本文設(shè)計了新的小批量(mini-batch)優(yōu)化策略,設(shè)置每一批的batch-size 為15,網(wǎng)絡(luò)的優(yōu)化過程采用動量(momentum)優(yōu)化算法,訓(xùn)練輪數(shù)(epoch)為20,為防止過擬合,在最后利用多層感知機進行降維時設(shè)置丟棄率(dropout)為0.8。本文對學(xué)習(xí)率(learning rate)和動量兩個超參數(shù)進行了調(diào)整優(yōu)化,使得網(wǎng)絡(luò)預(yù)測值與實驗值的Pearson 相關(guān)系數(shù)達到最優(yōu),表1和表2顯示了預(yù)測精度隨超參數(shù)的變化情況。

    Table 1 Optimization of the super-parameter learning rate

    表1固定動量不變,調(diào)整學(xué)習(xí)率的大小,學(xué)習(xí)率是指在優(yōu)化算法中更新網(wǎng)絡(luò)權(quán)重的幅度大小,學(xué)習(xí)率過大可能會使模型不收斂,出現(xiàn)nan 的情況(nan 表示一些特殊數(shù)值,用于處理計算中出現(xiàn)的錯誤情況);學(xué)習(xí)率過小則導(dǎo)致模型收斂速度偏慢,訓(xùn)練時間較長。通常學(xué)習(xí)率有4個常用值,即0.000 1、0.001、0.01、0.1[19],本文在這4 個常用值附近進行調(diào)整優(yōu)化獲得最優(yōu)的學(xué)習(xí)率參數(shù)值。由表1 可以看出當(dāng)以0.000 1 作為初始值,優(yōu)化到取0.000 3 時,Pearson 相關(guān)系數(shù)不再變化,則開始下一個取值點0.001 作為初始值進行優(yōu)化。按照此規(guī)律調(diào)整至0.03 和0.1 時,相關(guān)系數(shù)出現(xiàn)了nan 的情況,這表明學(xué)習(xí)率太大導(dǎo)致模型不收斂。

    表1 數(shù)據(jù)顯示當(dāng)學(xué)習(xí)率為0.002 時,相關(guān)系數(shù)達到最大,因此本文固定學(xué)習(xí)率為0.002 再進行動量的調(diào)整,結(jié)果如表2 所示。通常會嘗試在0.9 到0.99 范圍內(nèi)設(shè)定動量值[19],并從中選擇一個表現(xiàn)最佳值。由表2 可以看出當(dāng)學(xué)習(xí)率取0.002、動量取0.97時,Pearson相關(guān)系數(shù)值達到最高。

    Table 2 Optimization of the super-parameter momentum

    2.2 與GNM方法的比較

    GNM[20]是分析蛋白質(zhì)結(jié)構(gòu)固有柔性的有效方法,在蛋白質(zhì)動力學(xué)性質(zhì)分析以及蛋白質(zhì)結(jié)構(gòu)-功能關(guān)系研究中得到了廣泛應(yīng)用。在GNM 方法中,蛋白質(zhì)的三維結(jié)構(gòu)被簡化為一個由大量節(jié)點和彈簧所構(gòu)成的彈性網(wǎng)絡(luò),用蛋白質(zhì)中氨基酸的Cα原子來代替每個氨基酸并以此為網(wǎng)絡(luò)節(jié)點,當(dāng)兩個Cα原子之間距離小于截斷半徑時(本文取7.3 ?),節(jié)點之間用彈簧連接,模型中所有彈簧的彈性系數(shù)均相同。通過簡正模式分析可以獲得蛋白質(zhì)體系的固有運動模式。大量的研究表明,目前GNM方法已經(jīng)成為蛋白質(zhì)B因子計算的主要理論方法之一,且預(yù)測結(jié)果較好,因此將本文方法的預(yù)測結(jié)果與GNM 計算方法的結(jié)果進行對比,驗證該網(wǎng)絡(luò)模型的有效性。在243 個數(shù)據(jù)集中隨機選取210 個文件作為訓(xùn)練集,剩余33 個最為測試集。利用訓(xùn)練集對本文所搭建的網(wǎng)絡(luò)模型以及改進的網(wǎng)絡(luò)模型進行了訓(xùn)練,并利用訓(xùn)練好的模型對測試集中33 個蛋白質(zhì)的B因子進行預(yù)測。大量的研究表明,蛋白質(zhì)的柔性運動主要由其天然拓?fù)浣Y(jié)構(gòu)所決定[21]。同時,為了將本文模型的預(yù)測結(jié)果與GNM方法的計算結(jié)果進行比較,類似于GNM的做法,在本文模型中,對蛋白質(zhì)體系進行了粗粒化處理,每一個氨基酸僅保留其Cα原子,其他原子均忽略。本文所構(gòu)建的網(wǎng)絡(luò)模型以及改進的網(wǎng)絡(luò)模型的預(yù)測結(jié)果見表3和表4。作為對比,利用GNM方法對測試集中的33 個蛋白質(zhì)體系的B 因子進行了計算。利用GNM方法進行計算時發(fā)現(xiàn)1ob4的第二個本征值為0,故排除。最終使用測試集中其余的32個蛋白質(zhì)體系對三種模型的預(yù)測精度進行了對比(表3、4)。

    Table 3 Pearson correlation coefficient of the B-factors for each protein in the test dataset predicted by our models compared with those predicted by GNM

    表3 為32 個測試集中每個蛋白質(zhì)B 因子的Pearson 相關(guān)系數(shù),可以看出部分蛋白質(zhì)基于PointNet模型和改進模型的預(yù)測結(jié)果要優(yōu)于GNM,部分蛋白質(zhì)比GNM差。經(jīng)過對比測試集中各個蛋白質(zhì)的結(jié)構(gòu)發(fā)現(xiàn),對于結(jié)構(gòu)較為松散或N端和C端loop區(qū)較長的蛋白質(zhì)來說,本文模型預(yù)測結(jié)果優(yōu)于GNM,對于結(jié)構(gòu)較為緊湊的部分蛋白質(zhì),本文模型略差于GNM。據(jù)統(tǒng)計,基于PointNet 模型和改進模型B因子預(yù)測結(jié)果高于GNM模型的蛋白質(zhì)數(shù)量占比均為62.5%,改進模型預(yù)測結(jié)果高于基于PointNet 模型的蛋白質(zhì)數(shù)量占比為53%。考慮到GNM 模型需要基于簡正模分析理論,進行較復(fù)雜的物理計算,理論復(fù)雜,計算量大。而本文方法利用卷積神經(jīng)網(wǎng)絡(luò)直接提取蛋白質(zhì)結(jié)構(gòu)所固有的柔性特征,不需要復(fù)雜的理論分析,訓(xùn)練完成的網(wǎng)絡(luò)模型可以方便的用于其他蛋白質(zhì)體系的預(yù)測,計算簡單快速,適用性好,并且預(yù)測效果略好于GNM方法。

    Table 4 Mean Pearson correlation coefficient between the predicted and experimental B-factors for our proposed models compared with the results of GNM

    表4 為32 個測試集中B 因子預(yù)測的平均Pearson相關(guān)系數(shù),由表4可以看出相較于GNM網(wǎng)絡(luò),基于PointNet 模型的平均Pearson 相關(guān)系數(shù)提高了6.7%,改進后的模型平均Pearson相關(guān)系數(shù)提高了8.3%。由此可見,本文網(wǎng)絡(luò)在預(yù)測蛋白質(zhì)柔性方面效果較好。

    2.3 大蠟螟絲蛋白酶抑制2 B因子的預(yù)測結(jié)果

    為進一步說明本文網(wǎng)絡(luò)的準(zhǔn)確性,利用本文所提出的基于PointNet的卷積神經(jīng)網(wǎng)絡(luò)模型以及改進的模型對大蠟螟絲蛋白酶抑制2(PDB 代碼4hgu)的B 因子進行預(yù)測,并與GNM 方法的計算結(jié)果進行比較。大蠟螟絲蛋白酶抑制2的三維結(jié)構(gòu)見圖4。該蛋白質(zhì)整體是較為致密的球形結(jié)構(gòu),它由一個三股β片、一個α螺旋以及N端較長的loop結(jié)構(gòu)所構(gòu)成。本文所提出的基于PointNet的卷積神經(jīng)網(wǎng)絡(luò)模型以及改進的模型預(yù)測得到的B因子與實驗B因子的Pearson 相關(guān)系數(shù)分別為0.80、0.85,而GNM 方法計算得到的B 因子與實驗B 因子的Pearson 相關(guān)系數(shù)為0.69(圖5)。

    Fig.4 The tertiary structure of Galleria mellonella silk protease inhibitor 2

    Fig.5 The B-factors of Galleria mellonella silk protease inhibitor 2 predicted by our PointNet-based model,the improved model and the GNM,respectively,compared with the experimental data

    圖5a為GNM模型預(yù)測得到的B因子與實驗值的擬合曲線,可看出GNM模型對于大蠟螟絲蛋白酶抑制2 的N 端和C 端區(qū)域的柔性預(yù)測效果較差;圖5b 為基于PointNet 的CNN 模型預(yù)測結(jié)果,圖5c為改進模型的預(yù)測結(jié)果,可以看出基于PointNet的CNN 模型和改進模型的預(yù)測結(jié)果相差不大,二者略好于GNM網(wǎng)絡(luò)模型。

    2.4 無序蛋白質(zhì)預(yù)測結(jié)果

    GNM 模型對于結(jié)構(gòu)緊密的蛋白質(zhì)體系柔性預(yù)測效果較好,而對于結(jié)構(gòu)松散的蛋白質(zhì)體系,預(yù)測效果較差[22]。本文所構(gòu)建的CNN模型對于結(jié)構(gòu)緊密和松散的蛋白質(zhì)體系均有較好的預(yù)測效果,尤其對于結(jié)構(gòu)松散的蛋白質(zhì)體系,本文模型的預(yù)測效果優(yōu)于GNM模型。為了進一步驗證這一點,本文利用所構(gòu)建的模型對結(jié)構(gòu)松散的天然無序蛋白質(zhì)的B因子進行預(yù)測,并與GNM模型進行對比。從PDB數(shù)據(jù)庫下載DisBind 網(wǎng)站[23]中無序蛋白質(zhì)的PDB文件,去掉冗余蛋白以及在整個蛋白質(zhì)中無序區(qū)域占比小于1%的蛋白質(zhì)后,最終得到74個無序蛋白質(zhì),提取74 個蛋白質(zhì)的無序區(qū)域作為數(shù)據(jù)集,按照本文方法隨機選取60 個蛋白質(zhì)作為訓(xùn)練集,14個作為測試集。訓(xùn)練集的60 個蛋白質(zhì)列在了附件表S2 中,測試集的14 個蛋白質(zhì)PDB 代碼分別為

    1jsu、1jwl、1l3l、1uad、2c1t、2f6a、3cxd、3hqr、3kz8、3m91、3pow、4jeh、4nm0、5hf7。利 用GNM模型對測試集的14個蛋白質(zhì)進行B因子計算時,發(fā)現(xiàn)8 個蛋白質(zhì)體系由于結(jié)構(gòu)過于松散,GNM 計算得到的零本征值多于1 個,無法計算獲得B因子結(jié)果。對于剩余的6個蛋白質(zhì)體系,GNM模型和本文模型的預(yù)測結(jié)果列在了表5中。這里設(shè)置學(xué)習(xí)率為0.000 1、動量為0.97。

    Table 5 Pearson correlation coefficient of the B-factors for each protein in the test dataset of disordered proteins predicted by our models compared with those predicted by GNM

    表5為6個天然無序蛋白質(zhì)B因子的Pearson相關(guān)系數(shù)以及平均Pearson 相關(guān)系數(shù),可以看出相較于GNM模型,基于PointNet模型的平均Pearson相關(guān)系數(shù)提高了87.9%,改進后的模型平均Pearson相關(guān)系數(shù)提高了93.9%,由此可見,本文方法對結(jié)構(gòu)較為松散的無序蛋白質(zhì)預(yù)測效果明顯優(yōu)于GNM。

    3 結(jié) 論

    本文提出了一種基于PointNet網(wǎng)絡(luò)的蛋白質(zhì)柔性預(yù)測模型,此模型不需要對不規(guī)則的點云數(shù)據(jù)做任何處理,每個點僅由其三維坐標(biāo)(x,y,z)表示,并作為輸入數(shù)據(jù)直接傳入網(wǎng)絡(luò),經(jīng)過模型處理后即可輸出蛋白質(zhì)的B因子值,并計算出預(yù)測結(jié)果與實驗結(jié)果的Pearson 相關(guān)系數(shù)。針對點云的排列不變性和空間旋轉(zhuǎn)不變性,網(wǎng)絡(luò)采用了對稱池化操作和空間轉(zhuǎn)換網(wǎng)絡(luò)進行了有效處理,進而,改進的模型又在對稱池化操作部分做了優(yōu)化,有效控制了一些極端情況,使得預(yù)測結(jié)果更加準(zhǔn)確。本文網(wǎng)絡(luò)的基本架構(gòu)非常簡單,在保證一定準(zhǔn)確率的基礎(chǔ)上,減少了參數(shù)和計算量,有著較高的效率,提升了模型的穩(wěn)定性。研究結(jié)果表明,在只考慮Cα原子的情況下,本文基于PointNet網(wǎng)絡(luò)的模型和改進的模型得到的Pearson相關(guān)系數(shù)略好于廣泛應(yīng)用的GNM模型。尤其對于結(jié)構(gòu)比較松散的天然無序蛋白質(zhì)體系,本文方法預(yù)測結(jié)果明顯優(yōu)于GNM模型。

    附件PⅠBB20200383_表S1-S2.pdf 見本文網(wǎng)絡(luò)版(http://www.pibb.ac.cn或http://www.cnki.net)。

    猜你喜歡
    池化柔性卷積
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    基于Sobel算子的池化算法設(shè)計
    一種柔性拋光打磨頭設(shè)計
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    灌注式半柔性路面研究進展(1)——半柔性混合料組成設(shè)計
    石油瀝青(2021年5期)2021-12-02 03:21:18
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    高校學(xué)生管理工作中柔性管理模式應(yīng)用探索
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識別研究
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    av天堂在线播放| 亚洲国产精品sss在线观看| 亚洲国产日韩欧美精品在线观看 | 午夜免费激情av| 国产精品久久久久久精品电影| 动漫黄色视频在线观看| 黄色丝袜av网址大全| 真人一进一出gif抽搐免费| 国产亚洲欧美在线一区二区| 又粗又爽又猛毛片免费看| 欧美日韩国产亚洲二区| 欧美大码av| 99久久国产精品久久久| 午夜老司机福利片| 91成年电影在线观看| 欧美日本亚洲视频在线播放| 国产成+人综合+亚洲专区| 人妻久久中文字幕网| 日韩欧美免费精品| 亚洲精品色激情综合| 国产精品影院久久| 不卡av一区二区三区| 黑人欧美特级aaaaaa片| 国产成人av教育| www.999成人在线观看| 久久国产精品影院| 免费看十八禁软件| 亚洲专区字幕在线| 日韩三级视频一区二区三区| 一区二区三区高清视频在线| 看黄色毛片网站| 亚洲男人的天堂狠狠| 一本久久中文字幕| 欧美一区二区国产精品久久精品 | 免费在线观看完整版高清| 精品国产亚洲在线| 一级毛片精品| 亚洲一区高清亚洲精品| 啪啪无遮挡十八禁网站| 久久婷婷人人爽人人干人人爱| 日本黄大片高清| 在线观看舔阴道视频| 国内久久婷婷六月综合欲色啪| 男人的好看免费观看在线视频 | 成人三级做爰电影| 一进一出抽搐动态| 老鸭窝网址在线观看| 亚洲精品粉嫩美女一区| 成人三级黄色视频| 老司机靠b影院| 亚洲av成人一区二区三| 国产久久久一区二区三区| 久久久久性生活片| 香蕉国产在线看| 最近最新中文字幕大全免费视频| 精品乱码久久久久久99久播| 亚洲自拍偷在线| 国产精品综合久久久久久久免费| 欧美精品亚洲一区二区| 又黄又粗又硬又大视频| 人妻丰满熟妇av一区二区三区| 精品日产1卡2卡| 亚洲成人久久爱视频| 最近最新中文字幕大全免费视频| 国产精品日韩av在线免费观看| 18禁国产床啪视频网站| 午夜福利在线在线| 夜夜看夜夜爽夜夜摸| 精品高清国产在线一区| 天堂影院成人在线观看| 欧美3d第一页| 欧美日韩福利视频一区二区| 色播亚洲综合网| 香蕉丝袜av| 久久精品影院6| av国产免费在线观看| 老司机靠b影院| 又黄又粗又硬又大视频| 午夜精品一区二区三区免费看| 久久草成人影院| 久久久久九九精品影院| 国产精品九九99| 国产一区在线观看成人免费| 少妇粗大呻吟视频| 日本熟妇午夜| 久久久久免费精品人妻一区二区| 日韩欧美在线二视频| 好男人在线观看高清免费视频| 国产精品 国内视频| 亚洲性夜色夜夜综合| 国产欧美日韩一区二区三| 久久久国产欧美日韩av| 国产亚洲av高清不卡| 欧美性长视频在线观看| 亚洲av成人精品一区久久| 亚洲精品国产一区二区精华液| 丰满人妻熟妇乱又伦精品不卡| 色尼玛亚洲综合影院| 欧美日韩福利视频一区二区| 色精品久久人妻99蜜桃| 麻豆国产97在线/欧美 | 麻豆国产97在线/欧美 | a级毛片a级免费在线| 国产精品久久久久久精品电影| 久久久久久人人人人人| 三级国产精品欧美在线观看 | 精品第一国产精品| 老司机福利观看| 真人一进一出gif抽搐免费| 精品国产乱码久久久久久男人| 欧美日韩中文字幕国产精品一区二区三区| 国产精品久久久av美女十八| 日韩欧美 国产精品| 看黄色毛片网站| 色尼玛亚洲综合影院| 两人在一起打扑克的视频| 久久久国产成人免费| 毛片女人毛片| 黄频高清免费视频| 精品久久久久久久毛片微露脸| 亚洲熟妇熟女久久| 88av欧美| 亚洲成人国产一区在线观看| 亚洲自拍偷在线| 久久国产精品影院| 99国产精品99久久久久| 91麻豆av在线| www.www免费av| 国产精品九九99| 国产主播在线观看一区二区| 亚洲成人免费电影在线观看| 99国产精品99久久久久| 可以免费在线观看a视频的电影网站| 成人手机av| 亚洲成人国产一区在线观看| 免费看a级黄色片| 小说图片视频综合网站| 国产1区2区3区精品| 中出人妻视频一区二区| 男插女下体视频免费在线播放| 亚洲精品美女久久久久99蜜臀| 国产精品久久久av美女十八| 日韩欧美 国产精品| 妹子高潮喷水视频| 一二三四在线观看免费中文在| 一本综合久久免费| 中文字幕久久专区| 99国产精品99久久久久| netflix在线观看网站| 中文字幕av在线有码专区| 中文字幕高清在线视频| 国产亚洲精品av在线| 久久精品国产综合久久久| 国产亚洲精品av在线| 日韩欧美在线乱码| 久久精品亚洲精品国产色婷小说| 国产熟女xx| 国产黄片美女视频| 久久精品91蜜桃| 午夜两性在线视频| 国产一级毛片七仙女欲春2| 精品国产超薄肉色丝袜足j| 三级男女做爰猛烈吃奶摸视频| 亚洲专区国产一区二区| 久久精品91蜜桃| 成人av一区二区三区在线看| 我的老师免费观看完整版| 999久久久国产精品视频| 午夜福利高清视频| 国产男靠女视频免费网站| 久久国产乱子伦精品免费另类| 精华霜和精华液先用哪个| 国产真人三级小视频在线观看| 99re在线观看精品视频| 一级a爱片免费观看的视频| 五月伊人婷婷丁香| 国产精品影院久久| 欧美在线黄色| 国产av一区二区精品久久| 免费在线观看完整版高清| 日韩欧美三级三区| 久久香蕉国产精品| 国产亚洲欧美在线一区二区| 精品久久久久久久毛片微露脸| 90打野战视频偷拍视频| 成在线人永久免费视频| 狠狠狠狠99中文字幕| 在线观看午夜福利视频| 国产欧美日韩一区二区精品| 国产精品 欧美亚洲| 窝窝影院91人妻| 亚洲人成网站高清观看| 国产又黄又爽又无遮挡在线| 精品久久久久久久久久久久久| www.熟女人妻精品国产| 中出人妻视频一区二区| 国产69精品久久久久777片 | 日韩三级视频一区二区三区| 天堂√8在线中文| 亚洲av成人av| 久久香蕉国产精品| 亚洲精品国产精品久久久不卡| 俄罗斯特黄特色一大片| 一个人免费在线观看电影 | 久久国产乱子伦精品免费另类| 午夜影院日韩av| 亚洲国产精品999在线| 97人妻精品一区二区三区麻豆| 天堂影院成人在线观看| 91老司机精品| 亚洲欧洲精品一区二区精品久久久| 国产aⅴ精品一区二区三区波| 夜夜躁狠狠躁天天躁| 欧美高清成人免费视频www| 搞女人的毛片| 精品不卡国产一区二区三区| 亚洲中文字幕一区二区三区有码在线看 | 国产精品日韩av在线免费观看| 亚洲精品国产精品久久久不卡| 最近视频中文字幕2019在线8| 老鸭窝网址在线观看| 欧美人与性动交α欧美精品济南到| 亚洲欧美激情综合另类| 成年女人毛片免费观看观看9| 少妇的丰满在线观看| 校园春色视频在线观看| 日本三级黄在线观看| 免费观看精品视频网站| 国产伦在线观看视频一区| 成人永久免费在线观看视频| 麻豆成人午夜福利视频| 国产久久久一区二区三区| 国产区一区二久久| 中文资源天堂在线| 伦理电影免费视频| 精品一区二区三区av网在线观看| 国产免费男女视频| 久久婷婷成人综合色麻豆| 两个人免费观看高清视频| 亚洲无线在线观看| 中国美女看黄片| 久久这里只有精品19| 中文字幕最新亚洲高清| 久久精品亚洲精品国产色婷小说| 国产精品亚洲一级av第二区| 日韩精品青青久久久久久| 在线观看一区二区三区| 午夜福利免费观看在线| 夜夜爽天天搞| 99久久国产精品久久久| 国产在线精品亚洲第一网站| 亚洲午夜精品一区,二区,三区| 18禁观看日本| 婷婷六月久久综合丁香| 国产伦人伦偷精品视频| 欧美成狂野欧美在线观看| 首页视频小说图片口味搜索| 久久热在线av| 欧美不卡视频在线免费观看 | 国模一区二区三区四区视频 | 国产日本99.免费观看| 丰满人妻熟妇乱又伦精品不卡| 亚洲午夜理论影院| 日本黄色视频三级网站网址| 亚洲乱码一区二区免费版| 宅男免费午夜| 狠狠狠狠99中文字幕| 国内精品久久久久久久电影| 九色国产91popny在线| 激情在线观看视频在线高清| 日韩精品青青久久久久久| 国产精品久久久久久精品电影| а√天堂www在线а√下载| 久久久精品国产亚洲av高清涩受| 制服人妻中文乱码| 欧美乱色亚洲激情| 亚洲成人久久性| 久久这里只有精品中国| 久久中文字幕人妻熟女| tocl精华| 高清在线国产一区| 日韩国内少妇激情av| 好男人电影高清在线观看| 免费电影在线观看免费观看| av视频在线观看入口| 两人在一起打扑克的视频| 人妻丰满熟妇av一区二区三区| 欧美日韩精品网址| 婷婷精品国产亚洲av在线| 亚洲,欧美精品.| 亚洲欧美日韩高清专用| 国产成人av激情在线播放| www.自偷自拍.com| 岛国视频午夜一区免费看| 国产精品精品国产色婷婷| 人成视频在线观看免费观看| av福利片在线| 一本精品99久久精品77| 亚洲自偷自拍图片 自拍| 国产精品影院久久| 十八禁网站免费在线| 啪啪无遮挡十八禁网站| 99久久精品国产亚洲精品| 日韩欧美国产在线观看| 91九色精品人成在线观看| 久久精品91蜜桃| 美女大奶头视频| 舔av片在线| 久久这里只有精品19| 中文字幕久久专区| 久久精品91蜜桃| 欧美午夜高清在线| 老鸭窝网址在线观看| 亚洲第一欧美日韩一区二区三区| 国产激情欧美一区二区| 久久香蕉精品热| av欧美777| 国产黄a三级三级三级人| 亚洲五月天丁香| 法律面前人人平等表现在哪些方面| 亚洲欧美日韩东京热| 久久人人精品亚洲av| 日韩三级视频一区二区三区| 国产精华一区二区三区| 欧美国产日韩亚洲一区| 欧美日韩精品网址| 日本五十路高清| 亚洲精品国产精品久久久不卡| 精品欧美国产一区二区三| 中文字幕最新亚洲高清| 婷婷精品国产亚洲av| 国产不卡一卡二| 亚洲av第一区精品v没综合| 狂野欧美激情性xxxx| 久久精品亚洲精品国产色婷小说| 大型黄色视频在线免费观看| 麻豆国产97在线/欧美 | 首页视频小说图片口味搜索| 成人精品一区二区免费| 91字幕亚洲| 欧美日韩中文字幕国产精品一区二区三区| 1024手机看黄色片| 亚洲天堂国产精品一区在线| 国产精品1区2区在线观看.| 搡老岳熟女国产| 国产伦人伦偷精品视频| 美女 人体艺术 gogo| 黑人操中国人逼视频| 好男人电影高清在线观看| 88av欧美| 成人av在线播放网站| 精品久久久久久久久久免费视频| 国产亚洲av高清不卡| 婷婷六月久久综合丁香| 中文字幕熟女人妻在线| 黄色片一级片一级黄色片| 午夜精品一区二区三区免费看| 亚洲国产高清在线一区二区三| 国产一区二区在线观看日韩 | 高清毛片免费观看视频网站| 欧美色欧美亚洲另类二区| 成人精品一区二区免费| 99久久久亚洲精品蜜臀av| 九色成人免费人妻av| 操出白浆在线播放| 人妻丰满熟妇av一区二区三区| 三级国产精品欧美在线观看 | 欧美av亚洲av综合av国产av| 我要搜黄色片| 人妻久久中文字幕网| 国产乱人伦免费视频| 亚洲精品久久成人aⅴ小说| 99久久无色码亚洲精品果冻| 国产精品 欧美亚洲| 久久香蕉精品热| 国产精品免费一区二区三区在线| 午夜福利在线观看吧| 久久久久精品国产欧美久久久| 亚洲专区国产一区二区| 亚洲男人天堂网一区| 欧美乱妇无乱码| 国产在线精品亚洲第一网站| 国产一级毛片七仙女欲春2| 国产精品九九99| 久久久精品国产亚洲av高清涩受| 99国产精品99久久久久| 久久久国产欧美日韩av| 99国产精品一区二区蜜桃av| 老司机午夜十八禁免费视频| 成人精品一区二区免费| 欧美av亚洲av综合av国产av| a级毛片在线看网站| xxx96com| 波多野结衣高清无吗| 男女之事视频高清在线观看| √禁漫天堂资源中文www| 国产视频一区二区在线看| 一二三四社区在线视频社区8| 狂野欧美白嫩少妇大欣赏| 欧美乱码精品一区二区三区| 亚洲成人精品中文字幕电影| 欧美在线一区亚洲| 丰满人妻熟妇乱又伦精品不卡| 国产亚洲精品久久久久久毛片| 在线免费观看的www视频| 麻豆成人午夜福利视频| 亚洲一区二区三区不卡视频| 久久精品aⅴ一区二区三区四区| 久久久久国内视频| 亚洲欧美日韩高清在线视频| 每晚都被弄得嗷嗷叫到高潮| 久久久国产精品麻豆| 桃色一区二区三区在线观看| 老司机在亚洲福利影院| 露出奶头的视频| 可以免费在线观看a视频的电影网站| 日本成人三级电影网站| 亚洲男人天堂网一区| 免费在线观看亚洲国产| 成年版毛片免费区| АⅤ资源中文在线天堂| 97超级碰碰碰精品色视频在线观看| 色老头精品视频在线观看| 日韩欧美三级三区| 成年女人毛片免费观看观看9| 亚洲午夜精品一区,二区,三区| 日韩欧美一区二区三区在线观看| 欧美成人一区二区免费高清观看 | 午夜免费激情av| 午夜精品一区二区三区免费看| 两个人的视频大全免费| 1024香蕉在线观看| 久久这里只有精品19| 亚洲国产日韩欧美精品在线观看 | 在线看三级毛片| 久久精品亚洲精品国产色婷小说| 男女下面进入的视频免费午夜| 日日干狠狠操夜夜爽| 欧美久久黑人一区二区| 亚洲av成人不卡在线观看播放网| 黄频高清免费视频| 一夜夜www| 国内精品久久久久久久电影| 亚洲最大成人中文| 美女高潮喷水抽搐中文字幕| 非洲黑人性xxxx精品又粗又长| 国产乱人伦免费视频| 久久久国产精品麻豆| 久久伊人香网站| 亚洲av成人不卡在线观看播放网| a级毛片在线看网站| 9191精品国产免费久久| 少妇被粗大的猛进出69影院| 美女 人体艺术 gogo| 久久国产精品影院| 精品久久久久久久毛片微露脸| 精品久久久久久成人av| 日本黄色视频三级网站网址| 91av网站免费观看| 91大片在线观看| 亚洲美女黄片视频| 亚洲成av人片免费观看| 超碰成人久久| 日韩三级视频一区二区三区| 亚洲av电影不卡..在线观看| 精品国产亚洲在线| 亚洲av第一区精品v没综合| 欧美一级a爱片免费观看看 | 国产成人一区二区三区免费视频网站| 国产精品一区二区精品视频观看| 亚洲精品国产精品久久久不卡| 国产精品 欧美亚洲| 久久欧美精品欧美久久欧美| 久久精品国产亚洲av高清一级| 精品一区二区三区av网在线观看| 午夜影院日韩av| 亚洲欧美日韩高清专用| 又黄又爽又免费观看的视频| 久久久久久国产a免费观看| 日本三级黄在线观看| 亚洲全国av大片| 中亚洲国语对白在线视频| 国产亚洲精品av在线| 国产精品,欧美在线| 女人被狂操c到高潮| 老司机靠b影院| 久久天躁狠狠躁夜夜2o2o| 国产午夜精品论理片| 美女高潮喷水抽搐中文字幕| 老司机福利观看| 日本五十路高清| 亚洲色图 男人天堂 中文字幕| 亚洲av五月六月丁香网| 十八禁网站免费在线| 校园春色视频在线观看| 久久欧美精品欧美久久欧美| 黄片大片在线免费观看| 少妇熟女aⅴ在线视频| 久久久精品欧美日韩精品| 精品一区二区三区av网在线观看| 欧美av亚洲av综合av国产av| 亚洲成人久久爱视频| 夜夜看夜夜爽夜夜摸| 免费人成视频x8x8入口观看| 免费一级毛片在线播放高清视频| 香蕉av资源在线| 色综合欧美亚洲国产小说| 国产精品久久久久久亚洲av鲁大| 青草久久国产| 国语自产精品视频在线第100页| 国产精品av久久久久免费| 免费观看精品视频网站| 少妇被粗大的猛进出69影院| 久久草成人影院| 亚洲全国av大片| 欧美色视频一区免费| 老司机在亚洲福利影院| 香蕉丝袜av| 天堂av国产一区二区熟女人妻 | av视频在线观看入口| 精品久久久久久久人妻蜜臀av| 久久中文看片网| 99热这里只有精品一区 | 国产亚洲精品综合一区在线观看 | 亚洲天堂国产精品一区在线| 国产一区二区在线观看日韩 | 人人妻人人看人人澡| 99在线人妻在线中文字幕| 黄色丝袜av网址大全| 美女免费视频网站| 国产成人欧美在线观看| 精品人妻1区二区| 国产精品美女特级片免费视频播放器 | 日本撒尿小便嘘嘘汇集6| 国产午夜福利久久久久久| 日韩av在线大香蕉| 色综合婷婷激情| 草草在线视频免费看| 国产成人影院久久av| 制服人妻中文乱码| 国产精品98久久久久久宅男小说| 国产蜜桃级精品一区二区三区| 一本久久中文字幕| 中文在线观看免费www的网站 | 亚洲av日韩精品久久久久久密| 一本精品99久久精品77| 黄色女人牲交| 欧美一级毛片孕妇| 国产精品影院久久| 国产真实乱freesex| 不卡一级毛片| 男人的好看免费观看在线视频 | 黄色视频,在线免费观看| 久久 成人 亚洲| 99在线人妻在线中文字幕| 九色国产91popny在线| 亚洲激情在线av| 国产高清videossex| 草草在线视频免费看| 91麻豆av在线| 天天躁狠狠躁夜夜躁狠狠躁| 国产日本99.免费观看| 97碰自拍视频| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲中文字幕日韩| 久久久久九九精品影院| 黑人巨大精品欧美一区二区mp4| 久久亚洲真实| 又黄又粗又硬又大视频| 国产精品自产拍在线观看55亚洲| 波多野结衣巨乳人妻| 久久香蕉国产精品| 日日摸夜夜添夜夜添小说| 哪里可以看免费的av片| www.熟女人妻精品国产| 少妇被粗大的猛进出69影院| 亚洲第一电影网av| 国产免费av片在线观看野外av| 欧美中文综合在线视频| avwww免费| 国产精品 欧美亚洲| 国产精品av视频在线免费观看| 国产久久久一区二区三区| 亚洲成人中文字幕在线播放| 久久久国产成人精品二区| 丁香欧美五月| 免费在线观看亚洲国产| 免费看a级黄色片| 国产区一区二久久| 天天躁狠狠躁夜夜躁狠狠躁| 91麻豆av在线| 亚洲精品久久成人aⅴ小说| svipshipincom国产片| 91麻豆精品激情在线观看国产| 两个人看的免费小视频| 国产高清视频在线观看网站| 日韩大尺度精品在线看网址| 国产亚洲欧美在线一区二区| 看黄色毛片网站| 舔av片在线| 亚洲自偷自拍图片 自拍| 亚洲av第一区精品v没综合| www日本在线高清视频| 男女视频在线观看网站免费 | 性色av乱码一区二区三区2| 搡老熟女国产l中国老女人| 少妇裸体淫交视频免费看高清 | 日韩欧美精品v在线| 亚洲第一欧美日韩一区二区三区| 国产不卡一卡二| 国产精品 欧美亚洲| 国产精品,欧美在线| 人妻丰满熟妇av一区二区三区| 亚洲中文av在线| 欧美高清成人免费视频www|