發(fā)布時(shí)間：2020-04-11 03:35

【摘要】：對(duì)蛋白質(zhì)折疊形態(tài)的研究是確定蛋白質(zhì)在各種復(fù)雜因素作用下的有規(guī)律性、穩(wěn)定性和具有生物活性的結(jié)構(gòu)。研究的依據(jù)是如何利用多肽鏈的一級(jí)結(jié)構(gòu)獲得蛋白質(zhì)的空間構(gòu)象。本文圍繞蛋白質(zhì)空間結(jié)構(gòu)預(yù)測(cè)問題,以粒子群算法和遺傳算法為代表的群智能算法為研究基礎(chǔ),并結(jié)合蛋白質(zhì)的折疊能量勢(shì)阱模型,提出了多種優(yōu)化的衍生算法;其中以搜索最小蛋白質(zhì)勢(shì)能對(duì)應(yīng)的空間構(gòu)象為主要的單優(yōu)化目標(biāo),并研究了將氨基酸疏水性和離散性作為輔助對(duì)象的多目標(biāo)優(yōu)化算法。所提出的算法結(jié)合了蛋白質(zhì)折疊的生化過程,并采用多種評(píng)價(jià)指標(biāo)評(píng)測(cè)獲得的蛋白質(zhì)空間結(jié)構(gòu)。本文提出了利用蛋白質(zhì)勢(shì)能勢(shì)阱理論及微觀群落普遍存在的布朗運(yùn)動(dòng)現(xiàn)象所啟發(fā)的粒子群算法(Potential-well Particle Swarm Optimization,PPSO),其中具備布朗運(yùn)動(dòng)效應(yīng)的粒子數(shù)量由社會(huì)學(xué)中的學(xué)習(xí)效應(yīng)來確定。在12個(gè)基本測(cè)試函數(shù)和選出的蛋白質(zhì)HP格點(diǎn)模型的優(yōu)化上進(jìn)行了PPSO算法測(cè)試,在算法效率上PPSO算法優(yōu)于選出的7個(gè)代表性的粒子群衍生算法,同時(shí),在選出的三個(gè)蛋白質(zhì)HP序列的折疊問題上也優(yōu)化于作為對(duì)比的基本(Particle Swarm Optimization,PSO)算法。與大多數(shù)現(xiàn)代啟發(fā)式優(yōu)化算法相比,PPSO粒子群算法具有易于實(shí)現(xiàn),控制參數(shù)少的特點(diǎn),且易于解決蛋白質(zhì)的二維HP格點(diǎn)結(jié)構(gòu)預(yù)測(cè)問題。本文提出了基于人口的增量學(xué)習(xí)(Population Based Incremental Learning,PBIL)的蛋白質(zhì)預(yù)測(cè)的衍生算法(Protein-Population Based Incremental Learning,PPBIL)。P-PBIL采用了概率向量來搜索最優(yōu)值,利用蛋白質(zhì)勢(shì)能勢(shì)模型來進(jìn)行粒子的學(xué)習(xí),它支持復(fù)雜的等位基因結(jié)構(gòu),機(jī)器學(xué)習(xí)水平要求大大低于傳統(tǒng)的遺傳算法(Genetic algorithm,GA)。此外,P-PBIL沒有復(fù)雜的遺傳算子,具有計(jì)算成本較少和搜索空間大的特點(diǎn)。實(shí)驗(yàn)中,本文采用了CB513和智人蛋白數(shù)據(jù)集作為訓(xùn)練集,得到了不同氨基酸長(zhǎng)度的釋放概率矩陣,并成功應(yīng)用于蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè),結(jié)果表明P-PBIL在單序列蛋白質(zhì)的預(yù)測(cè)上優(yōu)于目前的主流算法,是一種較好的預(yù)測(cè)學(xué)習(xí)方法。根據(jù)蛋白質(zhì)肽鏈形成的生物過程,本文提出了邊形成邊折疊的蛋白質(zhì)折疊設(shè)想,該設(shè)想和蛋白質(zhì)空間結(jié)構(gòu)的形成過程的生物學(xué)發(fā)現(xiàn)相符,同時(shí)設(shè)計(jì)了改進(jìn)的3D Off-lattice蛋白質(zhì)結(jié)構(gòu)模型,該模型采用基于布朗運(yùn)動(dòng)策略的粒子群優(yōu)化算法(PPSO)來預(yù)測(cè)蛋白質(zhì)空間結(jié)構(gòu),算法中進(jìn)行空間搜索的粒子數(shù)量?jī)H限于最后進(jìn)入肽鏈的氨基酸和少數(shù)幾個(gè)隨機(jī)選出的粒子。本文不僅對(duì)Fibonacci序列進(jìn)行了數(shù)值模擬,而且還對(duì)真實(shí)蛋白質(zhì)toy模型也進(jìn)行了預(yù)測(cè)計(jì)算,結(jié)果顯示本算法具有收斂快和較強(qiáng)的全局搜索能力,能夠用很少的計(jì)算時(shí)間得到各氨基酸的空間坐標(biāo)。實(shí)驗(yàn)表明,PPSO比基本PSO具有更好的性能,是解決3D Off-lattice蛋白質(zhì)空間構(gòu)象的有效方法。蛋白質(zhì)折疊過程中涉及到很多除了力場(chǎng)模型外的影響因素,由于蛋白質(zhì)折疊的過程是在力場(chǎng)模型主導(dǎo)下的多目標(biāo)優(yōu)化問題,本文提出了多指標(biāo)梯度排序多目標(biāo)進(jìn)化算法(Gradient Stochastic Ranking Algorithm,GSRA)。GSRA引入了小生境高斯距離存檔方法,為了保持多樣性和收斂性之間的平衡,本文選取了兩個(gè)具有不同偏向的指標(biāo)進(jìn)行數(shù)據(jù)的環(huán)境選擇。實(shí)驗(yàn)結(jié)果顯示,在多目標(biāo)標(biāo)準(zhǔn)測(cè)試函數(shù)集MaF上,GSRA算法優(yōu)于7種用于對(duì)比的多目標(biāo)算法。在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)問題上,本文在最低折疊能量的主目標(biāo)下引入了疏水性指標(biāo)和離散性指標(biāo)指標(biāo)來優(yōu)化蛋白質(zhì)空間構(gòu)象,結(jié)果顯示大部分測(cè)試蛋白在敏感性、特異性及MCC值上都優(yōu)于本文提出的PPSO算法。
【圖文】：

為通過實(shí)驗(yàn)獲取蛋白質(zhì)的結(jié)構(gòu)，蛋白質(zhì)需要通過離心、沉淀、電泳和色種技術(shù)從其他細(xì)胞成分中純化，基因工程技術(shù)的出現(xiàn)和發(fā)展促進(jìn)了蛋白質(zhì)和空間結(jié)構(gòu)的研究，常用的蛋白質(zhì)結(jié)構(gòu)研究方法有免疫組化、定點(diǎn)誘變、X晶體學(xué)。2.3 蛋白質(zhì)分子的結(jié)構(gòu)蛋白質(zhì)分子是由氨基酸首尾相連通過縮合而成的共價(jià)多肽鏈，天然蛋白不是松散多肽鏈，，每種蛋白質(zhì)都具有其特有的空間結(jié)構(gòu)或稱三維結(jié)構(gòu)。蛋然折疊的形狀被稱為其原生構(gòu)象。生物化學(xué)家通常將蛋白質(zhì)的構(gòu)象劃分為構(gòu)，圖 1-1 描述了血紅蛋白的結(jié)構(gòu)層級(jí)圖：一級(jí)結(jié)構(gòu)：組成蛋白質(zhì)多肽鏈的線性氨基酸序列。二級(jí)結(jié)構(gòu)： 在不同氨基酸間由氫鍵鏈接的有一定規(guī)律重復(fù)形成的局部構(gòu)。α 螺旋，β 折疊和無規(guī)則轉(zhuǎn)角是常見的二級(jí)結(jié)構(gòu)。二級(jí)結(jié)構(gòu)僅包含殘局部空間結(jié)構(gòu)，不包括與肽鏈其他區(qū)段的相互關(guān)系及側(cè)鏈構(gòu)象。三級(jí)結(jié)構(gòu)：球狀蛋白質(zhì)的二級(jí)結(jié)構(gòu)中α螺旋、β折疊、β轉(zhuǎn)角和無規(guī)則

1 緒論很長(zhǎng)時(shí)間主要依靠純實(shí)驗(yàn)的測(cè)量，直到二初，Joseph Bryngelson 和 Peter Wolynes定折疊構(gòu)象的研究才得到轉(zhuǎn)變。這種方法為自然選擇決定了氨基酸序列的構(gòu)象以使的蛋白質(zhì)處于非常穩(wěn)定的狀態(tài)。此外，狀態(tài)的次數(shù)逐漸減少，使折疊過程能夠快出錯(cuò)程度。實(shí)驗(yàn)中，可以觀察到蛋白質(zhì)的小值的現(xiàn)象。將蛋白質(zhì)結(jié)構(gòu)折疊過程用勢(shì)含全局最優(yōu)點(diǎn)和多個(gè)局部最優(yōu)點(diǎn)的“漏斗白質(zhì)最小勢(shì)能值對(duì)應(yīng)了蛋白質(zhì)的最穩(wěn)定
【學(xué)位授予單位】：中國(guó)礦業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP18;Q51

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 李紹新;張延?jì)?;改進(jìn)的遺傳算法在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用[J];華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

本文編號(hào)：2623096