CN103049679A - 蛋白质潜在致敏性的预测方法 - Google Patents

Abstract

本发明提供了一种蛋白质潜在致敏性的预测方法，包括以下步骤：步骤一，制作训练正集和训练负集；步骤二，对蛋白质的各类属性进行编码，构建特征向量；步骤三，引用最大相关最小冗余方法进行特征排序，引用递增式的特征选择方法进行最优特征选择；步骤四，通过对选择出的特征进行统计分析，给出与蛋白质致敏特性显著相关的特征结果报告。本发明提供的预测方法可以有效地对蛋白质的潜在致敏性进行预测，其准确度比现有的计算生物学预测方法更高，并且能有效分析出同蛋白质的致敏特性相关的蛋白特征，对过敏原预测、蛋白质致敏性机制研究有着重要作用。

Description

蛋白质潜在致敏性的预测方法

技术领域

本发明涉及一种蛋白质特性的计算生物学预测方法，尤其是涉及一种蛋白质潜在致敏性的预测方法。

背景技术

由食物和环境因素导致的过敏及其它的超敏反应是慢性病的主要成因，全世界约有25%的人口受此困扰。过敏原包括食物中的蛋白质、冷空气、热空气、紫外线、金属等等，其中具有致敏性的蛋白质对人类的健康可能造成巨大危害。另外，越来越多的转基因食品进入到我们的日常生活中，食物过敏的潜在风险也随之增高。因此，对蛋白质的潜在致敏性进行评估预测是十分必要的。

目前，计算生物学的过敏原预测方法主要有三种，一是基于序列的方法，二是基于motif（模体）的方法，三是基于SVM（支持向量机）的方法。FAO/WHO（联合国粮食与农业组织/世界卫生组织）提出的基于序列的预测方法，其原理是根据待测蛋白与已知过敏原蛋白在氨基酸序列上的相似度进行判别，该方法可以有效地预测出过敏原蛋白，但其假阳性率非常高；基于motif的预测方法是比较待测蛋白与过敏原特征motifs，该方法同基于序列的方法相比，一定程度上提高了特异性，减少了假阳性率，但总体准确率却只有65%左右，还远达不到实际需求；基于SVM的机器学习方法先建立一个已知过敏原和非过敏原数据集，然后计算它们的氨基酸组成，这些氨基酸组成作为特征输入SVM进行训练，最终形成一个训练模型（分类器），根据待测蛋白的氨基酸组成，分类器进行判断输出结果，该方法大大提高了准确率，但无法得知过敏原特征信息。

发明内容

本发明的目的在于克服现有预测方法的不足，提供一种用于蛋白质潜在致敏性的预测方法，本发明提供的方法具有高灵敏度、高特异性的优点，并且提供与蛋白质致敏特性显著相关的特征。

本发明通过如下技术方案实现，本发明涉及一种蛋白质潜在致敏性的预测方法，包括以下步骤：

步骤一，制作训练正集和训练负集；

步骤二，对蛋白质的各类属性进行编码，构建用于输入SVM的特征向量；

步骤三，引用最大相关最小冗余方法（mRMR）进行特征排序，引用递增式的特征选择方法（IFS）进行最优特征选择；

步骤四，通过对选择出的特征进行统计分析，给出与蛋白质致敏特性显著相关的特征结果报告。

优选的，所述正集包括所有已知的过敏原蛋白序列；所述负集制备随机抽取Swiss-Prot蛋白质序列数据库中的蛋白质序列，移除所有同已知过敏原相似度≥30%的序列和长度小于50个氨基酸的序列。

优选的，步骤二中，所述属性的编码包括以下步骤：将二级结构倾向性、疏水性、极化性、可溶性、标准化的范德华体积和极性，按照序列位置中每个氨基酸的分类对蛋白序列进行重新编码。

优选的，步骤二中，所述构建特征向量包括如下步骤：整合蛋白质的属性；每类属性分别计算其特征向量；然后整合成一个156维的表示蛋白质的特征向量。

优选的，步骤三中，所述递增式的特征选择方法包括如下步骤：首次选用排序最靠前的1个特征进行建模，计算其10-折叠交叉验证的性能参数，然后选用排序最靠前的2个特征进行建模，计算其10-折叠交叉验证的性能参数，以此类推，每次增加一个排序在最前面的特征，直至所有特征添加完毕。

与现有技术相比，本发明具有如下有益效果：使用本发明的蛋白质潜在致敏性预测方法，可以准确判断出过敏原蛋白，灵敏度和特异性都较之前的方法有了大幅提高。本发明首次结合了蛋白质的各类特征进行训练、建模，可以有效分析出与蛋白质致敏特性相关的蛋白特征。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例的流程示意图；

图2为本发明实施例中逐一递增特征的特征选择下，各训练模型的10折叠交叉验证的性能输出图；

图3为本发明实施例中与致敏特性相关的特征分析和统计结果图，其中SL：亚细胞定位，AAC：氨基酸组成，Pola：极性，Hydr：疏水性，Len：序列长度，NWV：标准化的范德华体积，MW：分子量，Polz：极化性；

图4为本发明实施例中过敏原蛋白亚细胞定位分布图；

图5为本发明实施例中过敏原类别间保守性示意图；

图6为本发明实施例提供的预测方法不同过敏原类别间的性能比较图；

图7为本发明实施例提供的预测方法与现有预测方法的性能比较图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

实施例1、预测方法的数据集制备

过敏原蛋白数据集制备：数据来源数据库包括Swiss-Prot Allergen Index（一个权威蛋白质数据库）；IUIS Allergen Nomenclature（国际免疫学会联盟-过敏原命名表）；SDAP(过敏蛋白的结构数据库)和ADFS（用于食品安全的过敏原数据库），去冗余后共得到1176条过敏原蛋白序列，这些序列作为训练模型时的正集；

非过敏原蛋白数据集制备：为构建一个可行的负集，采用如下步骤实现：1.下载Swiss-Prot（版本：2010_11）的所有蛋白序列共522,019条；2.移除所有同已知过敏原相似度>=30%的序列；3.移除所有长度小于50个氨基酸的序列；4.从3的结果中随机选取同正集相同数目的蛋白序列作为负集。

实施例2、输入SVM的特征向量构建

物理化学特征：本实施例中采集的蛋白质的物理化学特征包括八个方面，1.氨基酸组成；2.分子量；3.二级结构倾向性；4.疏水性；5.极化性；6.可溶性；7.标准化的范德华体积；8.极性；9.序列长度。氨基酸组成的计算公式为 $\mathrm{Fraction\; of\; a}\min \mathrm{o\; acid\; i}=\frac{\mathrm{total\; number\; of\; a}\min \mathrm{o\; acids}\left(i\right)}{\mathrm{total\; number\; of\; a}\min \mathrm{o\; acids\; in\; protein}};$ 除氨基酸组成、分子量与序列长度外，其它六方面的属性与单个氨基酸相关且可分为2到3个类别（如表1所示），采用类似的编码方式先重新编码，然后计算特征向量组成；

表1蛋白特征分类表

以一个蛋白序列的疏水性为例说明其特征向量组件的计算方法，序列为“MSDKPDMAEIEKFSKETIEQEKQAGESTQEKNPLPMLLPATDKSKLKKTE”，因为疏水性分为P(polar)，N(neutral)和H(hydrophobic)，所以，序列重新编码为“HNPPNPHNPHPPHNPPNHPPPPPNNPNNPPPPNHNHHHNNNPPNPHPPNP”。接下来计算编码后序列的C(composition)，T(transition)和D(distribution)。C指的是P、N、H在序列中的含量百分比，T指的是字母间转换的频率百分比，D指的是每个字母在全序列中的分布模式，即第25%，50%，75%，和100%个该字母在全序列中的位置（仍以百分比表示）。按此方法，例中序列计算后C=(10/50=20.0%,16/50=32%,24/50=48%)，T=(8/31=25.81%,16/31=51.61%and7/31=22.58%)，D=(2%,20%,36%,74%,92%,4%,28%,54%,78%,98%,6%,24%,44%,64%,and100%)，其它5方面属性的特征向量组件可同理计算得到；

亚细胞定位：由于对真核生物蛋白来说，共有22个亚细胞位置，所以亚细胞定位属性由一个22维向量表示L=(l₁,l₂,l₃,…,l₂₂)，其中l_i=1表示蛋白位于第i个位置，否则l_i＝0；另外，由于只有少数蛋白质的亚细胞位置信息已知，为得到该信息，本发明中采用预测的方法。首先收集UniProt中所有有亚细胞位置注释信息的蛋白，然后执行BLAST计算序列间的相似度，如果某待测蛋白同亚细胞位置已知的蛋白BLAST的得分大于120，则认为该待测蛋白具有与对应蛋白同样的亚细胞位置。

实施例3、构建模型的特征选择

利用mRMR(最大相关最小冗余)方法进行建模前的特征排序，mRMR程序的参数设置为λ=1,m=MID。排序后的特征列表用于后续的递增特征选择过程；

利用IFS（递增的特征选择）过程进行建模，评估性能和获取最优特征组成，具体原理为，首次选用排序最靠前的1个特征进行建模，计算其10-折叠交叉验证的性能参数，然后选用排序最靠前的2个特征进行建模，计算其10-折叠交叉验证的性能参数，以此类推，每次增加一个排序在最前面的特征，直至所有特征添加完毕，共得到同特征数目相同的性能参数对，绘制性能曲线。此方法获得的性能曲线，由低到高逐渐上升，到达峰值后趋于平稳或稍微降低。

实施例4、预测结果分析

图2所示为实施例1中训练集所得的IFS曲线，首先用实施例2中的方法进行特征向量的构建，其次用实施例3中所述的方法进行特征的选择，最后得到性能曲线。整体趋势符合由低到高逐渐上升，到达峰值后趋于平稳或稍微降低的规律；由图2可得，当特征数为30时，性能达到峰值，说明此时30个特征对过敏原与分过敏原的分类贡献最大，是蛋白质致敏特性的相关特征。

实施例5、过敏原相关特征分析

根据实施例4所得结果，本实施例进一步提炼与蛋白质致敏特性相关的特征组成。首先绘制热图分析各类属性对分类器的贡献，如图3所示，贡献度用处于深黑色和浅灰色之间的颜色来表达，颜色越深表示贡献度越小，颜色越浅表示贡献度越大，由图3可分析得，亚细胞定位和氨基酸组成对分类器贡献显著，可能同蛋白质的过敏特性相关；

为验证这一结果，本发明同时进行了统计学上的分析，结果如表2所示，校正后的p值亚细胞定位和氨基酸组成依然显著（p<0.05），表明蛋白质的亚细胞定位与氨基酸组成对其致敏特性起着关键作用；

表2过敏原相关特征统计分析

过敏原的亚细胞位置偏好分析：由于亚细胞定位对蛋白质的致敏特性起着关键作用，本发明进一步对过敏原对亚细胞位置的偏好性进行分析，以提供对过敏原致敏机理研究的基础支持；

本实施例以过敏原含量较多的大豆、小麦和花生为例进行亚细胞偏好性的分析，其中大豆（小麦、花生）中的过敏原为实验组，大豆（小麦、花生）的所有蛋白为对照组，超几何检验结果见表3和图4；

表3过敏原亚细胞偏好性分析

花生的统计结果见图4，星号表示统计显著。显然，过敏原蛋白显著倾向位于细胞表面和液泡。

实施例6、分类预测比较

人们往往更加关注一些特定物种或者类别的过敏原，比如食用植物，基于此，本发明实现了类别内的过敏原预测器；

1、类内/类间过敏原蛋白保守性分析

为类内的过敏原预测器提供理论支持，需要分析过敏原蛋白在类别内和类别间的保守性差异，若过敏原蛋白在类内的保守性大于类间的保守性，说明按类别的预测器才有实际意义，才可以有更高的准确率。本发明中依据官方和文献对过敏原进行分类，每类随机取一定数量的过敏原构建进化树，结果如图5所示，图中颜色相同深浅的实心圆表示蛋白源于相同过敏原类别，结果表明相同的类别聚在同一分支内，不同类别分化为不同的树分支，由此证明过敏原蛋白在类别内的保守性更强；

2、按类别的过敏原预测器效果验证

本发明实现了六个子类别的预测器，分别为：空气中的真菌,动物,苹果,食用植物,螨类和花粉。图6为按花粉和苹果建模的预测器性能与按照全部过敏原建模的预测器性能比较图，对于花粉内的预测器，虽然其灵敏度与全过敏原预测器相比有0.01个点的下降，但是其特异性有0.1个点的上升；对于苹果内的预测器，执行实施例3的IFS（递增式的特征选择）过程，其正确率很快就可以达到100%。

实施例7、本发明的预测方法与现有方法的性能比较

本实施例对本发明预测方法（如图1所示）和现有方法进行了性能上的比较，包括FAO/WHO（联合国粮食与农业组织/世界卫生组织）的基于序列的方法、基于motif（模体）的方法和以氨基酸组成为特征的基于SVM（支持向量机）的预测方法；

经比较发现，FAO/WHO规则1和规则2都具有较高的灵敏度，可以很好的防止过敏原蛋白的错失，但这点却以非常高的阳性率作为代价，尤其是规则1的特异性只有23.05%；基于motif的预测方法，虽然优于FAO/WHO的判别规则，但同以氨基酸组成为特征的SVM预测方法相比，其准确率还有很大差距；以氨基酸组成为特征的基于SVM的预测方法，准确度达到91.71%；本发明的方法，无论是灵敏度还是特异性都超过了93%。因此，本发明的预测方法能更准确、有效地预测过敏原蛋白，比较结果见表4，各方法的ROC曲线见图7；

表4本发明与现有过敏原预测方法的性能比较

本发明预测方法的准确性、灵敏度和特异性都优于现有方法，并且能有效分析出同蛋白质的致敏特性相关的蛋白特征，对过敏原预测、蛋白质致敏性机制研究有着重要作用。

通过以上实施例的描述，所属领域的技术人员可以清楚地了解到本发明可以借助一些软件来实现，基于此，本发明的技术方案本质上可以以软件的形式体现出来。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (5)

1.一种蛋白质潜在致敏性的预测方法，其特征在于，包括以下步骤：

步骤一，制作训练正集和训练负集；

步骤二，对蛋白质的各类属性进行编码，构建特征向量；

步骤三，引用最大相关最小冗余方法进行特征排序，引用递增式的特征选择方法进行最优特征选择；

步骤四，通过对选择出的特征进行统计分析，给出与蛋白质致敏特性显著相关的特征结果报告。

2.如权利要求1所述的蛋白质潜在致敏性的预测方法，其特征在于，所述正集包括所有已知的过敏原蛋白序列；所述负集制备随机抽取Swiss-Prot蛋白质序列数据库中的蛋白质序列，移除所有同已知过敏原相似度≥30%的序列和长度小于50个氨基酸的序列。

3.如权利要求1所述的蛋白质潜在致敏性的预测方法，其特征在于，步骤二中，所述属性的编码包括以下步骤：将二级结构倾向性、疏水性、极化性、可溶性、标准化的范德华体积和极性，按照序列位置中每个氨基酸的分类对蛋白序列进行重新编码。

4.如权利要求1所述的蛋白质潜在致敏性的预测方法，其特征在于，步骤二中，所述构建特征向量包括如下步骤：整合蛋白质的属性；每类属性分别计算其特征向量；然后整合成一个156维的表示蛋白质的特征向量。

5.如权利要求1所述的蛋白质潜在致敏性的预测方法，其特征在于，步骤三中，所述递增式的特征选择方法包括如下步骤：首次选用排序最靠前的1个特征进行建模，计算其10-折叠交叉验证的性能参数，然后选用排序最靠前的2个特征进行建模，计算其10-折叠交叉验证的性能参数，以此类推，每次增加一个排序在最前面的特征，直至所有特征添加完毕。

Images