CN103500292A - 配体特异性蛋白质-配体绑定区域预测方法 - Google Patents

Abstract

本发明提供一种两阶段配体特异性蛋白质-配体绑定区域预测方法，包括以下步骤：步骤1：基于输入的蛋白质序列信息，基于多视角特征的抽取与组合，利用配体特异性预测模型，预测出蛋白质序列中的蛋白质-配体绑定残基；步骤2：将步骤1所得到绑定残基进行空间聚类，使用空间聚类算法，进行空间聚类，进而得到一个或是多个绑定区域。本发明的优点在于：一是使用配体特异性的模块化预测模型，可以有效提高预测精度；二是使用空间聚类算法，可以从预测出的绑定残基进一步得到绑定区域，从而真正实现蛋白质-配体绑定区域预测。

Description

配体特异性蛋白质-配体绑定区域预测方法

技术领域

本发明涉及蛋白质与配体相互作用预测领域，具体而言涉及一种配体特异性蛋白质-配体绑定区域预测方法。

背景技术

蛋白质在生命活动过程中不是孤立存在的，需要和其他生物分子互相作用来完成特定的功能，这种相互作用在生命过程中普遍存在并且不可或缺。蛋白质通过绑定其他的生物分子来加强或是抑制其生物功能。蛋白质所绑定的生物分子称为配体，它们可以是金属离子、小的有机/无机分子、大分子(例如蛋白质)或核酸等等。在和配体相互作用时，蛋白质中一些关键的残基形成一个口袋形状区域，以完成对特定配体的识别及绑定。这些关键残基称为绑定残基，形成的口袋形状区域又称为绑定区域。

从一个蛋白质中识别出这些关键残基以及这些残基所形成的区域，对于理解蛋白质的功能、药物设计、分析生物分子之间的相互作用，进而指导进一步的生化实验具有重要意义。虽然说，通过生物学实验来测定蛋白质-配体绑定区域是最为准确的方法，但由于使用实验方法所固有的困难性，远远不能满足后基因时代蛋白质测序工作飞速发展的要求，这就对通过使用生物计算技术来对蛋白质-配体绑定区域进行预测提出了极大的需求。

已有预测方法可以大致分为三种类型：基于结构的方法、基于序列的方法以及基于结构和序列的混合方法。

在早期阶段，基于结构的方法占据主导地位，比较著名的方法有：LIGSITE,CASTp,SURFNET,POCKET,fpocket,Q-SiteFinder,以及SITEHOUND等等。通常，这些方法基于某种几何测度，结合蛋白质的3D结构，来定位目标蛋白质的配体绑定区域。

随后，研究人员发现直接从蛋白质的序列出发也可以有效地进行蛋白质-配体绑定区域的预测。例如，ConSurf和Rate4Site使用多序列联配技术获取蛋白质的进化信息，然后基于进化信息特征识别出该蛋白质和配体可能的热点绑定区域；L1pred综合八种基于蛋白质序列的得分函数，使用L1-logreg分类器来预测酶蛋白中的接触反应残基。

最近，集成蛋白质结构与序列信息的混合方法受到密切关注，期望进一步提高蛋白质-配体的预测性能。例如，通过引入蛋白质表面残基的进化信息保留度，基于结构的LIGSITE被进一步扩展为LIGSITE^csc;ConCavity集成了蛋白质序列的进化保留信息和基于结构的方法来预测蛋白质表面的pocket;SURFNET-ConSurf同样也是在基于结构的方法中加入了蛋白质残基的进化信息来进一步提高预测性能。

然而，综合分析以上预测模型，可以发现：一方面，现有的方法通常是在一般意义上来进行预测，而没有充分考虑配体类型之间的差异性，从而降低了预测结果的可靠性；另一方面，现有方法中的绝大多数只是一种绑定状态预测，他们将序列中的每个残基判定为绑定或是非绑定两种状态之一，只是绑定残基预测,而不是真正意义上的绑定区域预测。我们相信，如果能从预测出的绑定残基出发，进一步判定哪些残基会构成绑定区域，对于理解蛋白质-配体的相互作用意义将更为明显。

发明内容

本发明旨在提供一种配体特异性蛋白质-配体绑定区域预测方法，可克服上述现有技术中传统的蛋白质-配体预测方法存在的两个基本问题，预测速度快、预测精度高。

为达成上述目的，本发明所采用的技术方案如下：

一种配体特异性蛋白质-配体绑定区域预测方法，包括以下步骤：

步骤1：基于输入的蛋白质序列信息，使用配体特异性预测模型，预测出蛋白质序列中的蛋白质-配体绑定残基，过程如下：

步骤1.1：多视角特征的抽取与组合

使用PSI-BLAST算法抽取蛋白质序列的进化信息，使用PSIPRED算法抽取蛋白质序列的二级结构信息，以及统计20种基本氨基酸在不同配体上的绑定倾向性；再利用滑动窗口方式，将蛋白质序列中的每个残基进行多视角特征表示；

步骤1.2：绑定残基预测

使用事先训练好的配体特异性预测模型对蛋白质序列中的每个残基配体的概率进行预测，概率高于指定阈值的残基被预测为绑定残基，其中：配体特异性预测模型使用标准的支持向量机模型；

步骤2：将步骤1所得到绑定残基进行空间聚类，使用空间聚类算法，进行空间聚类，进而得到一个或是多个绑定区域。

进一步的实施例中，如果输入的蛋白质序列信息为PDB文件格式的3D结构，则在所述步骤1进行配体特异性特征抽取时，需要先从3D结构中提取出蛋白质序列。

进一步的实施例中，在所述步骤2进行空间聚类时，如果用户输入的蛋白质序列信息是蛋白质序列而不是PDB文件格式的3D结构，则需要将其进行3D建模得到3D结构后方可进行空间聚类。

进一步的实施例中，对用户输入的蛋白质序列信息进行建模以获得3D结构的方法包括MODELLER算法或者I-TASSER算法。

进一步的实施例中，在所述步骤1.1中，按照下述步骤进行多视角特征的抽取与组合：

①使用PSI-BLAST算法抽取蛋白质序列的进化信息，进化信息特征是一个n×20的位置特异性得分矩阵(P_pssm)：

$P_{\mathrm{pssm}}={\left(\begin{array}{cccc}I& V& ...& R\\ p_{\mathrm{1,1}}& p_{\mathrm{1,2}}& ...& p_{\mathrm{1,20}}\\ p_{\mathrm{2,1}}& p_{\mathrm{2,2}}& ...& p_{\mathrm{2,20}}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{i,1}& p_{i,2}& ...& p_{i,20}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{n,1}& p_{n,2}& ...& p_{n,20}\end{array}\right)}_{n\×20}---\left(1\right)$

其中，参数I、V、…、R表示的20种基本氨基酸；p_i,j表示的位置特异性得分；

②使用PSIPRED算法抽取预测出蛋白质序列的二级结构信息，即二级结构概率矩阵：

其中，C、H、E表示蛋白质的三种二级结构类型，分别对应Coil,Helix,Strand；s_i,j表示蛋白质序列中第i个残基是第j种二级结构类型的概率；

③针对每个不同的配体类型，统计出20种基本氨基酸的配体特异性绑定倾向性；

④从位置特异性得分矩阵(P_pssm)、二级结构概率矩阵(P_ss)、蛋白质残基绑定倾向性这三个视角，使用滑动窗口方式来提取每个残基的特征向量。

进一步的实施例中，在所述步骤2中，空间聚类算法对空间上紧邻的绑定残基簇进行聚类，对于两个绑定残基之间的空间距离大于指定分割阈值的，进行空间聚类，进而预测出的绑定残基聚类为一个或是多个绑定区域。

附图说明

图1为配体特异性蛋白质-配体绑定区域预测方法的实现流程示意图。

其中，(A)表示用户输入的蛋白质序列信息为蛋白质序列；(B)表示用户输入的蛋白质序列信息为蛋白质3D结构。

图2为图1实施例中预测方法的具体实现过程。

图3为多视角特征的抽取与组合的一个示范性示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

如图1-2所示，根据本发明的较优实施例，配体特异性蛋白质-配体绑定区域预测方法，包括以下步骤：步骤1：基于输入的蛋白质序列信息，使用配体特异性预测模型，预测出蛋白质序列中的蛋白质-配体绑定残基，过程如下：步骤1.1：使用PSI-BLAST算法抽取蛋白质序列的进化信息，使用PSIPRED算法抽取蛋白质序列的二级结构信息，以及统计20种基本氨基酸在不同配体上的绑定倾向性；再利用滑动窗口方式，将蛋白质序列中的每个残基进行多视角特征表示；步骤1.2：使用事先训练好的配体特异性预测模型对蛋白质序列中的每个残基配体的概率进行预测，概率高于指定阈值的残基被预测为绑定残基，其中：配体特异性预测模型使用标准的支持向量机模型；步骤2：将步骤1所得到绑定残基进行空间聚类，使用空间聚类算法，进行空间聚类，进而得到一个或是多个绑定区域。

下面以用户输入的一个长度为n的蛋白质序列为例，结合图1和图2所示，详细说明本预测方法的实现原理和过程：

步骤1：基于输入的蛋白质序列信息，使用配体特异性预测模型，预测出蛋白质序列中的蛋白质-配体绑定残基，蛋白质序列信息可以是蛋白质序列，还可以是蛋白质3D结构信息，如果用户输入的蛋白质序列信息为PDB文件格式的3D结构，则在步骤1进行多视角特征的抽取与组合时，需要先从3D结构中提取出蛋白质序列。步骤1的实现过程如下：

步骤1.1：多视角特征的抽取与组合

使用PSI-BLAST算法抽取蛋白质序列的进化信息，使用PSIPRED算法抽取蛋白质序列的二级结构信息，以及统计20种基本氨基酸在不同配体上的绑定倾向性；再利用滑动窗口方式，将蛋白质序列中的每个残基进行多视角特征表示。

如图2所示，每个残基的配体特异性特征由三部分组成：特异性得分矩阵(P_pssm)、二级结构概率矩阵、蛋白质残基倾向性。其中，other features就是指蛋白质残基倾向性，同一类型的残基，对于不同的配体，绑定倾向性是不一样的。将上述三个部分组合的特征称为配体特异性特征。

本实施例中，多视角特征的抽取与组合按照如下①-④的顺序执行：

①使用PSI-BLAST算法抽取蛋白质序列的进化信息，进化信息特征是一个n×20的位置特异性得分矩阵(P_pssm)：

$P_{\mathrm{pssm}}={\left(\begin{array}{cccc}I& V& ...& R\\ p_{\mathrm{1,1}}& p_{\mathrm{1,2}}& ...& p_{\mathrm{1,20}}\\ p_{\mathrm{2,1}}& p_{\mathrm{2,2}}& ...& p_{\mathrm{2,20}}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{i,1}& p_{i,2}& ...& p_{i,20}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{n,1}& p_{n,2}& ...& p_{n,20}\end{array}\right)}_{n\×20}---\left(1\right)$

其中，参数I、V、…、R表示的20种基本氨基酸；p_i,j表示的位置特异性得分。

②使用PSIPRED算法抽取预测出蛋白质序列的二级结构信息，即二级结构概率矩阵：

其中，C、H、E表示蛋白质的三种二级结构类型，分别对应Coil,Helix,Strand；s_i,j表示蛋白质序列中第i个残基是第j种二级结构类型的概率；

③针对每个不同的配体类型，统计出20种基本氨基酸的配体特异性绑定倾向性。

例如，对于某一特定类型的配体，例如ATP，假设有N条蛋白质序列和ATP进行相互作用。用T表示这N条蛋白质序列中一共有多少个残基和ATP是绑定的，Ti表示其中与ATP绑定并且类型为第i种基本氨基酸的残基个数（1<=i<=20）。

这样，第i中基本氨基酸绑定ATP的倾向性=Ti/T。

④从位置特异性得分矩阵(P_pssm)、二级结构概率矩阵(P_ss)、蛋白质残基绑定倾向性这三个视角，使用滑动窗口方式来提取每个残基的特征向量。

参考图3所示，例如，在提取蛋白质序列中第k个残基的特征时，使用滑动窗口的大小为17：

以从进化信息视角（视角一）抽取为例：以第k个残基为中心，使用大小为17的滑动窗口，可以从P_pssm得到第k个残基对应的一个17x20的子矩阵，然后，将该子矩阵拉成一个340维向量，这个向量就是从进化信息视角抽取的特征。

类似地，可以分别从其他两个视角，即二级结构信息视角和配体特异性绑定倾向性视角（视角二和视角三），抽取17x3=51维和17x1=17维的特征向量。最后，将这三个特征向量串行组合起来，得到第k个残基的特征向量。

步骤1.2：绑定残基预测

使用事先训练好的配体特异性预测模型对蛋白质序列中的每个残基配体的概率进行预测，依次输入配体特异性预测模型进行预测，预测出每个残基绑定不同配体的概率，也即倾向性，概率高于指定阈值的残基被预测为绑定残基，也即倾向性高于指定阈值的残基被预测为绑定残基，也即绑定位点。其中，该指定阈值取值范围为0～1，该指定阈值满足以下条件：使得预测结果的马氏相关系数（Matthews correlation coefficient）最大化。

配体特异性预测模型使用标准的支持向量机模型。

其中，配体特异性预测模型使用标准的支持向量机模型，如图2所示，例如包含配体Zn2+，AMP，DNA等配体的预测模型，当然并不以此为限制。

步骤2：将步骤1所得到绑定残基进行空间聚类，使用空间聚类算法，进行空间聚类，进而得到一个或是多个绑定区域。

空间聚类算法对空间上紧邻的绑定残基簇进行聚类，例如，对于两个绑定残基之间的空间距离大于指定分割阈值的，进行空间聚类，将预测出的绑定残基聚类为一个或是多个绑定区域。

如下所示，为空间聚类算法的一个示范性的算法过程：

其中，阈值T_ligand是空间聚类的分割阈值，也即以此为空间聚类的聚类簇判断参数，该参数依赖于配体类型。本实施例中，例如先计算出该配体的大小，这个根据国际公开的数据库中是可以得到配体的结构数据信息，然后可以计算出来。

计算出该配体的大小：就是用一个最小的球来包含该配体，大小就是球的直径，该直径值也即T_ligand。

本实施例，在空间聚类过程中，需要用到蛋白质的3D结构。因此，如果用户输入的是蛋白质序列，那么需要使用适当的方式，例如MODELLER，I-TASSER等对序列进行3D建模，得到3D结构后再进行空间聚类。

综上所述，本发明与现有的预测方法相比，其显著优点在于：(1)基于配体特异性，可以对不同配体进行有针对性地绑定位点预测，提高了预测的效率与精度；(2)使用空间聚类算法将预测出的绑定残基进行空间聚类，从而能够真正实现绑定区域的预测。而且本发明的预测方法还具有预测速度快、预测精度高的优点。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种配体特异性蛋白质-配体绑定区域预测方法，其特征在于，包括以下步骤：

步骤1：基于输入的蛋白质序列信息，使用配体特异性预测模型，预测出蛋白质序列中的蛋白质-配体绑定残基，过程如下：

步骤1.1：多视角特征的抽取与组合

使用PSI-BLAST算法抽取蛋白质序列的进化信息，使用PSIPRED算法抽取蛋白质序列的二级结构信息，以及统计20种基本氨基酸在不同配体上的绑定倾向性；再利用滑动窗口方式，将蛋白质序列中的每个残基进行多视角特征表示；

步骤1.2：绑定残基预测

使用事先训练好的配体特异性预测模型对蛋白质序列中的每个残基配体的概率进行预测，概率高于指定阈值的残基被预测为绑定残基，其中：配体特异性预测模型使用标准的支持向量机模型；

步骤2：将步骤1所得到绑定残基进行空间聚类，使用空间聚类算法，进行空间聚类，进而得到一个或是多个绑定区域。

2.根据权利要求1所述的配体特异性蛋白质-配体绑定区域预测方法，其特征在于，如果基于输入的蛋白质序列信息为PDB文件格式的3D结构，则在所述步骤1进行配体特异性特征抽取时，需要先从3D结构中提取出蛋白质序列。

3.根据权利要求1所述的配体特异性蛋白质-配体绑定区域预测方法，其特征在于，在所述步骤2进行空间聚类时，如果用户输入的蛋白质序列信息是蛋白质序列而不是PDB文件格式的3D结构，则需要将其进行3D建模得到3D结构后方可进行空间聚类。

4.根据权利要求3所述的配体特异性蛋白质-配体绑定区域预测方法，其特征在于，对用户输入的蛋白质序列信息进行建模以获得3D结构的方法包括MODELLER算法或者I-TASSER算法。

5.根据权利要求1所述的配体特异性蛋白质-配体绑定区域预测方法，其特征在于，在所述步骤1.2中，所述指定阈值取值范围为0～1，该指定阈值满足以下条件：使得预测结果的马氏相关系数最大化。

6.根据权利要求1所述的配体特异性蛋白质-配体绑定区域预测方法，其特征在于，在所述步骤1.1中，按照下述步骤进行多视角特征的抽取与组合：

①使用PSI-BLAST算法抽取蛋白质序列的进化信息，进化信息特征是一个n×20的位置特异性得分矩阵：

$P_{\mathrm{pssm}}={\left(\begin{array}{cccc}I& V& ...& R\\ p_{\mathrm{1,1}}& p_{\mathrm{1,2}}& ...& p_{\mathrm{1,20}}\\ p_{\mathrm{2,1}}& p_{\mathrm{2,2}}& ...& p_{\mathrm{2,20}}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{i,1}& p_{i,2}& ...& p_{i,20}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{n,1}& p_{n,2}& ...& p_{n,20}\end{array}\right)}_{n\&times;20}---\left(1\right)$

其中，参数I、V、…、R表示的20种基本氨基酸；p_i,j表示的位置特异性得分；

②使用PSIPRED算法抽取预测出蛋白质序列的二级结构信息，即二级结构概率矩阵：

其中，C、H、E表示蛋白质的三种二级结构类型，分别对应Coil,Helix,Strand；s_i,j表示蛋白质序列中第i个残基是第j种二级结构类型的概率；

③针对每个不同的配体类型，统计出20种基本氨基酸的配体特异性绑定倾向性；

④从位置特异性得分矩阵、二级结构概率矩阵、蛋白质残基绑定倾向性这三个视角，使用滑动窗口方式来提取每个残基的特征向量。

7.根据权利要求1所述的配体特异性蛋白质-配体绑定区域预测方法，其特征在于，在所述步骤2中，空间聚类算法对空间上紧邻的绑定残基簇进行聚类，对于两个绑定残基之间的空间距离大于指定分割阈值的，进行空间聚类，进而预测出的绑定残基聚类为一个或是多个绑定区域。

Images