分子識別特征預(yù)測算法特性分析*

李 子 夏

（天津大學(xué)應(yīng)用數(shù)學(xué)中心，天津 300072）

0 引 言

固有無序蛋白區(qū)域（intrinsically disordered proteins regions，IDRs）在生物體中占有重要地位.具有IDRs的蛋白質(zhì)能影響分子組裝識別、信號傳導(dǎo)、重排、轉(zhuǎn)錄和翻譯等細(xì)胞功能［1］，并參與小分子的結(jié)合、轉(zhuǎn)運和催化［2］.Habchi等［3］證實約30%～50%的真核蛋白具有一個或多個長的IDRs.固有無序蛋白結(jié)合域是IDRs的功能區(qū)域，在細(xì)胞的信號傳遞和調(diào)節(jié)過程中起著重要作用，是無序蛋白質(zhì)研究的熱點.固有無序蛋白結(jié)合域按照區(qū)域的長短分為短線性基序（short linear motifs，SLiMs）和分子識別特征（molecular recognitionfeatures，MoRFs），其中SLiMs和MoRFs的殘基數(shù)分別是≤5和5～25個.Yan等［4］分析了868個完整蛋白質(zhì)組，結(jié)果顯示真核生物有21%的IDRs具有MoRFs，細(xì)菌和古細(xì)菌有29%的IDRs具有MoRFs.

由于SLiMs和MoRFs長度上的差異，所以預(yù)測這2類功能域的方法不同.目前SLiMs的預(yù)測是基于在一組不同序列中尋找正則表達(dá)式的原理來開發(fā)算法.MoRFs相比于其他無序區(qū)域和結(jié)構(gòu)化區(qū)域有其獨特的序列特征，因此，MoRFs的預(yù)測可以基于序列進(jìn)行精確的計算預(yù)測.另外，MoRFs的長度越長，序列特征越明顯，如：與其他IDRs相比，MoRFs區(qū)域富含大的疏水側(cè)鏈的氨基酸，特別是芳香族氨基酸含量較高；與SLiMs的預(yù)測算法相比，MoRFs的預(yù)測算法更多，準(zhǔn)確率也更高.這些預(yù)測算法的出現(xiàn)，推動了MoRFs計算識別算法的發(fā)展［4］，推定MoRFs不僅有助于闡明蛋白質(zhì)功能，還可用于多種病毒蛋白質(zhì)組、細(xì)胞死亡途徑、通道蛋白的相互作用組、激酶、核小體和核糖體的分析研究［5-10］.

近年來，研究人員相繼提出一批基于不同原理及方法的MoRFs預(yù)測算法［11-12］.Dosztanyi等［11］基于多肽鏈中殘基的3種性質(zhì)，結(jié)合殘基必須處于一個長的無序區(qū)域、殘基不能與其領(lǐng)域折疊以及殘基能夠與球狀結(jié)合域相互作用，開發(fā)了ANCHOR；Malhis等［12］利用貝葉斯規(guī)則結(jié)合了MoRFs的保守性、MoRFs與其側(cè)翼IDRs的理化性質(zhì)差異以及其本身的無序特征，開發(fā)了MoRFCHiBi_web.然而，經(jīng)過生物學(xué)家實驗確認(rèn)的MoRFs數(shù)量很少，只有53條蛋白質(zhì)序列中包含MoRFs［12］，因此MoRFs預(yù)測算法之間有很大差別.近年來，隨機(jī)序列已被廣泛應(yīng)用于生物信息學(xué)多個領(lǐng)域的算法對比分析研究中［13-14］，因此本文構(gòu)造隨機(jī)蛋白序列作為測試集，將其創(chuàng)造性地應(yīng)用于MoRFs的預(yù)測算法比較分析中，選取2種經(jīng)典的MoRFs預(yù)測算法比較其結(jié)果差異與特性，以期將來對MoRFs更深入的研究建立理論基礎(chǔ).

1 材料與方法

1.1 構(gòu)建數(shù)據(jù)集

通過產(chǎn)生隨機(jī)序列作為獨立數(shù)據(jù)集，將20種氨基酸隨機(jī)排列，得到隨機(jī)序列，規(guī)定每種氨基酸的使用頻率為5%.通過等比例隨機(jī)取樣的策略，從固定的20種氨基酸殘基的組合中，即丙氨酸（A）、精氨酸（R）、天冬酰胺（N）、天冬氨酸（D）、半胱氨酸（C）、谷氨酰胺（Q）、谷氨酸（E）、甘氨酸（G）、組氨酸（H）、異亮氨酸（I）、亮氨酸（L）、賴氨酸（K）、蛋氨酸（M）、苯丙氨酸（F）、脯氨酸（P）、絲氨酸（S）、蘇氨酸（T）、色氨酸（W）、酪氨酸（Y）和纈氨酸（V）），隨機(jī)生成10 000條長度均為60個殘基的隨機(jī)蛋白序列，接下來使用CD-HIT工具（相似度閾值參數(shù)設(shè)定為30%）［15］，對這些蛋白質(zhì)序列去冗余.以此數(shù)據(jù)集進(jìn)行實驗驗證，將其記為Rseq.

1.2 MoRFs預(yù)測算法

選取ANCHOR和MoRFCHiBi_web算法進(jìn)行對比分析.ANCHOR被嵌入到MobiDB3.0數(shù)據(jù)庫中用于預(yù)測MoRFs，是一個非常經(jīng)典的算法；MoRFCHiBi_web是2016年被開發(fā)出來的算法，比之前開發(fā)的其他MoRFs預(yù)測算法準(zhǔn)確率高.其中，MoRDCHiBi_web算法比ANCHOR的計算時間長，因為MoRDCHiBi_web算法為了計算保守性特征需使用 PSI-BLAST工具［16］.

1.3 評估指標(biāo)

1.3.1 氨基酸類型偏好

統(tǒng)計數(shù)據(jù)庫中每種氨基酸在MoRFs區(qū)域或非MoRFs區(qū)域上出現(xiàn)的頻率與其在整個數(shù)據(jù)集中的出現(xiàn)頻率之差，來表示MoRFs區(qū)域中各種氨基酸的使用偏好，公式如下：

除此之外，將每一條序列分為MoRFs區(qū)域、Flanks區(qū)域（MoRFs兩側(cè)各含8個殘基）和Others區(qū)域（除MoRFs和Flanks區(qū)域外）共3個區(qū)域，統(tǒng)計這3個區(qū)域的氨基酸類型偏好.

1.3.2 相關(guān)性分析

使用Pearson相關(guān)系數(shù)（r）衡量2種預(yù)測方法預(yù)測結(jié)果的相關(guān)程度，將數(shù)據(jù)集Rseq中的隨機(jī)序列隨機(jī)等分為10組，每組的全部殘基在2種方法的預(yù)測概率分?jǐn)?shù)分別構(gòu)成一個向量，對其進(jìn)行相關(guān)性分析.相反系數(shù)計算公式為

式中：r∈［-1，1］，r＞0為正相關(guān)，r＜0為負(fù)相關(guān)，|r|越大則相關(guān)性越高.

1.3.3 平均得分

統(tǒng)計分析2種算法預(yù)測每條序列時，每個殘基的概率值與其在序列中的位置關(guān)系.計算Rseq上從1～60的每個位置上殘基得分的算術(shù)平均數(shù)（pavg），計算公式為

式中：pi表示第i條序列上某個位置上的預(yù)測得分值，n為序列的總個數(shù).當(dāng)算法在所有位置上的平均得分都相近時，表明該算法對每個殘基預(yù)測得分與殘基所在位置無關(guān)，否則表明該算法對殘基預(yù)測得分與殘基所在位置有關(guān).

2 結(jié)果與分析

2.1 預(yù)測結(jié)果比較

ANCHOR算法預(yù)測時，10 000條序列均返回預(yù)測結(jié)果；MoRFCHiBi_web算法預(yù)測時，有9 271條序列返回預(yù)測結(jié)果.MoRFCHiBi_web算法使用了PSI-BLAST用以計算序列保守性特征，當(dāng)序列在此過程中找到同源序列才得以計算后續(xù)特征，否則不能得到預(yù)測結(jié)果.ANCHOR和MoRFCHiBi_web算法對Rseq的隨機(jī)蛋白序列預(yù)測的總無序殘基和與其對應(yīng)的蛋白質(zhì)序列數(shù)目的關(guān)系如圖1所示.2種算法都預(yù)測出了MoRFs殘基，并且都有大量的序列沒有被預(yù)測到正樣本.ANCHOR和MoRFCHi-Bi_web分別在5 628和4 595條序列上均預(yù)測為非MoRFs殘基.ANCHOR能夠預(yù)測到的一條序列上的MoRFs殘基數(shù)大多集中在1～8個，MoRFCHi-Bi_web預(yù)測到的一條序列上的MoRFs殘基數(shù)大多集中在0～10個.與ANCHOR算法相比，MoRFCHi-Bi_web算法預(yù)測的MoRFs殘基長度整體偏大.

圖1 2種算法對Rseq中不同總MoRFs殘基長度上的序列分布

2.2 氨基酸類型偏好分析

ANCHOR和MoRFCHiBi_web算法預(yù)測的氨基酸類型偏好結(jié)果如圖2.可知2種算法得到的結(jié)果整體一致，MoRFs區(qū)域上偏好的氨基酸類型有10種，分別是A、R、I、M、L、F、P、W、Y和V；非MoRFs區(qū)域上偏好的氨基酸類型也有10種，分別是N、D、C、Q、E、G、H、K、S和T.這與Yu等［13］的研究結(jié)果略有不同，其研究顯示固有無序區(qū)域和有序區(qū)域上偏好的氨基酸類型分別有12和8種，無序區(qū)域偏好的氨基酸類型為A、R、N、D、Q、E、G、H、K、P、S和T，有序區(qū)域偏好的氨基酸類型為C、I、L、M、F、W、Y和V.MoRFs區(qū)域偏好的氨基酸類型與無序區(qū)域上偏好的氨基酸類型有很多的區(qū)別，這是由于MoRFs區(qū)域相對于其他無序區(qū)域有結(jié)構(gòu)化的趨勢，氨基酸類型使用偏好上會有結(jié)構(gòu)蛋白的特征.

圖2 在MoRFs區(qū)域上2種算法預(yù)測的氨基酸類型偏好

2種算法預(yù)測的3個區(qū)域的氨基酸類型偏好結(jié)果如圖3所示.ANCHOR算法預(yù)測的MoRFs區(qū)域偏好的氨基酸類型有6種，分別為A、I、L、M、F、W和V；Flanks區(qū)域偏好的氨基酸類型有5種，分別為A、Q、E、I和V；其在Others區(qū)域偏好的氨基酸偏好類型有2種，分別為C和Y.MoRFCHiBi_web算法預(yù)測的MoRFs區(qū)域偏好的氨基酸類型有6種，分別為R、I、F、P、W 和 Y；Flanks區(qū)域偏好的氨基酸類型有8種，為A、N、D、Q、E、G、K和S；其在Others區(qū)域偏好的氨基酸類型有3種，分別為C、H和V.比較可知，MoRFs和Flanks區(qū)域上的氨基酸類型偏好值均較大，Others區(qū)域上的20種氨基酸類型偏好值均較小.

圖3 不同算法在3個區(qū)域上預(yù)測的氨基酸類型偏好

2.3 預(yù)測算法相關(guān)性分析

10組向量的r分布在0.19～0.25，r的平均值為0.21，說明2種算法的預(yù)測存在正相關(guān)，但相關(guān)性較低.本文結(jié)果與Yu等［13］的分析結(jié)果不同，說明相對于蛋白質(zhì)無序的預(yù)測，MoRFs的預(yù)測難度要更大，MoRFs預(yù)測算法的一致性更低.

2.4 平均得分

Rseq上從1～60的每個位置上殘基的平均得分與位置分布如圖4所示.ANCHOR和MoRFCHi-Bi_web算法預(yù)測殘基的60個位置的平均得分分別為 0.162～0.176和 0.576～0.613.可知，ANCHOR算法對殘基預(yù)測的平均得分與其在序列中的位置幾乎沒有關(guān)系，MoRFCHiBi_web算法預(yù)測殘基的平均得分與殘基所在的位置有較明顯的關(guān)系，即序列兩端位置的殘基平均得分更高，序列中間位置殘基平均得分更低，表明序列兩端位置的殘基更容易被預(yù)測為MoRFs.

圖4 殘基所處位置與平均概率的關(guān)系

3 結(jié)束語

本文基于隨機(jī)蛋白序列，系統(tǒng)地對比分析了2種MoRFs預(yù)測算法在數(shù)據(jù)集Rseq上的預(yù)測結(jié)果.MoRFs殘基分布的分析表明，與ANCHOR算法相比，MoRFCHiBi_web算法預(yù)測的MoRFs殘基長度整體偏大；氨基酸類型偏好分析表明，MoRFs雖然是無序區(qū)域的一部分，但MoRFs上的氨基酸類型偏好與無序區(qū)域的氨基酸類型偏好有很大的差別，MoRFs與Flanks區(qū)域的氨基酸偏好較為明顯，這為MoRFs的研究提供了新的思路；就預(yù)測的位置而言，MoRFCHiBi_web算法在序列兩端的殘基更容易被預(yù)測為MoRFs，但ANCHOR算法預(yù)測的結(jié)果與殘基所處位置基本沒有關(guān)系.綜上，2種方法的預(yù)測結(jié)果存在差異.因此，為了提升實際工作效率，科研人員應(yīng)根據(jù)實際需要選擇不同的MoRFs預(yù)測算法.