基于多視角特征融合與隨機森林的蛋白質結晶預測

李強等

摘 要： X射線晶體結構分析是測定蛋白質結構的重要方法之一，國際蛋白質數據庫（PDB）中已知晶體結構的蛋白質80%～90%均是使用該方法得到的。然而，并不是所有的蛋白質都能良好結晶，使用晶體結構分析方法對不能結晶的蛋白質進行結構測定將浪費大量的資源。因此，研發準確高效的算法來對蛋白質能否結晶進行預測就具有重要意義。在此提出了一種組合蛋白質物理化學特性、序列信息與進化信息的蛋白質結晶預測方法。該方法從不同視角抽取分別抽取蛋白質的物理化學特征、偽氨基酸組成特征（PseAAC）和偽位置特異性得分矩陣特征（PsePSSM），使用隨機森林對組合的特征進行蛋白質結晶預測。在標準數據集上的獨立測試驗證的結果表明，這里所述的蛋白質結晶預測方法具有良好的性能。

關鍵詞： 蛋白質結晶； 偽氨基酸組成； 位置特異性得分矩陣； 隨機森林

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2015）08?0050?04

Protein crystallization prediction based on fusion of multi?view features

and random forest

LI Qiang1， ZHENG Yu?jie2

（1. School of Computer Science and Engineering， NUST， Nanjing 210094， China；

2. The 28th Research Institute， China Electronics Technology Group Corporation， Nanjing 210007， China）

Abstract： The X?ray crystallography analysis is one of the important methods to measure protein structure， by which 80%～90% protein of the known crystalloid structures in the international protein data bank （PDB） has been obtained. However， not all the proteins used for determining structures are crystallizable， which will lead to a low success rate of crystallization projects and a serious waste of resources to measure those non?crystallizable protein. Hence， it is important to develop an accurate and effective method for predicting whether a protein will crystallize. In this study， a new protein crystallization prediction method to combine the protein physicochemical characteristic， serial information and evolutionary information is proposed， which extracts the protein physicochemical properties， pseudo amino acids composition （PseAAC） and pseudo position specific scoring matrix （PsePSSM） at different visual angle respectively. The random forest is taken as classifier predict protein crystallization of the combined Properties. Experimental results on benchmark dataset over cross?validation test and independent validation test show that the proposed method has perfect performance.

Keywords： protein crystallization； pseudo amino acids composition； position specific scoring matrix； random forest

蛋白質的功能特性與它的三維結構密切相關。準確獲取蛋白質的三維結構信息對于理解蛋白質的功能以及蛋白質與其他生物小分子的相互作用至關重要。X射線晶體結構分析、核磁共振光譜法（NMR）以及電子顯微鏡是測定蛋白質三維結構的常用方法。然而，并不是所有的蛋白質都能良好結晶，使用X射線晶體結構分析方法對不能結晶的蛋白質進行結構測定將浪費大量的資源。因此，研發準確高效的算法來對蛋白質能否結晶進行預測就具有重要意義。

目前，研究人員已經研發出很多預測蛋白質結晶的有效方法，如：OB?score，CRYSTALP，XtalPred，ParCrys，MetaPPCP，CRYSTALP2，MCSG?Z score，PCCpred，以及RFCRYS等。分析這些方法可以發現：

（1） 氨基酸組成成分（Amino Acids Composition， AAC）以及偽氨基酸組成成分（Pseudo Amino Acids Composition，PseAAC）是常用的特征表示方法；此外，氨基酸的物理化學屬性以及通過預測方法獲得的蛋白質結構屬性也往往被用于蛋白質的特征表示；

（2） 蛋白質的進化信息是一種有效的特征表示方法，并且已經被廣泛地應用于很多蛋白質屬性預測，但是，蛋白質結晶預測方法中沒有一個使用蛋白質的進化信息來進行特征表示；

（3） 雖然現有方法在蛋白質結晶預測問題上取得了重要進展，但是預測性能還有進一步提高的空間。

基于上述分析，本文首先考察蛋白質進化信息能否用于蛋白質結晶預測問題的特征表示。然后，將蛋白質物理化學信息、序列信息及進化信息進行組合用于蛋白質結晶預測，以進一步提高預測性能。在標準數據集上的交叉驗證及獨立測試驗證的結果表明，本文所述的方法具有良好的性能，是對現有蛋白質結晶預測方法的有益補充。

1 數據來源

數據集S表示為：

[S=S+?S-] （1）

式中：S+表示正樣本集，其中包含的是能結晶的蛋白質序列； S-表示負樣本集，其中包含的是不能結晶的蛋白質序列；符號[?]表示集合理論中的并集。本文中使用Kurgan等構建的數據集[1]，該數據集包含一個訓練子集（Train1500）和一個獨立測試子集（Test500）。Train1500中包含756個正樣本和744個負樣本，Test500中包含244個正樣本和256個負樣本。為了進一步驗證本文所述方法的泛化能力，還使用了Overton等人構建的另外一個獨立測試集Test144，其中包含72個正樣本和72個負樣本[2]。在數據集的構建過程，已經考慮了蛋白質之間的同源冗余性消除，蛋白質序列之間的同源性[1]小于25%。

2 多視角特征提取

2.1 物理化學特征

蛋白質的一些物理化學性質對蛋白質能否結晶有著重要影響。因此，本文依據氨基酸屬性集AAIndex1，篩選出7個物理化學性質：疏水性指數、平均極性、正電荷、負電荷、凈電荷、等電位和分子質量。每條蛋白質的上述7個物理化學性質構成一個維數為7的特征向量。

2.2 偽氨基酸組成成分特征提取

PseAAC是由Chou在經典的AAC特征基礎上提出來的，分為I型和Ⅱ型。一個蛋白質的Ⅱ型PseAAC特征向量可表示為[20+iλ]（其中[i]表示生成PseAAC時使用的氨基酸屬性的數量，[λ]表示序列相關因子）。PseAAC生成方法如下：

4 實驗結果和討論

4.1 獨立測試驗證結果

表1和表2分別列出了本文方法與其他蛋白質結晶預測方法在獨立測試集Test144及Test500上的性能對比[3]。圖1給出了本文方法在獨立測試集Test144和Test500上的ROC曲線。

從表1可以看出，在Test144獨立測試上，本文所述方法的亦獲得了較好的性能，Acc以及MCC分別為81.94%和0.64，取得了和RFCRYS相當的預測性能。另一方面，雖然OB?score的Sen達到了88.00%，但是其Spe僅僅為47.00%，表明OB?score方法的預測結果中存在大量的假陽性（FP）。

表2 在Test500獨立測試集上的性能對比

從表2的結果來看，本文所述方法在獨立測試集Test500上再次取得了最好的性能。Spe、Acc以及MCC分別為83.98%，83.80%和0.68，比RFCRYS分別高出了約9%，2%以及7%。結合表1及表2的結果，可以看出本文所述的方法較之于已有的蛋白質結晶預測方法有著更為良好的泛化能力。這得益于使用了多種有效的蛋白質特征以及強有力的隨機森林分類算法。

5 結 語

本文提出一種組合蛋白質物理化學特征、偽氨基酸組成特征以及偽位置特異性得分矩陣特征的蛋白質結晶預測方法。該方法同時利用了蛋白質的序列及進化信息，因此所抽取的特征更具有鑒別能力。在標準數據集上獨立測試驗證結果表明，本文所述的方法具有良好的性能，是對已有蛋白質結晶預測方法的有益補充。

參考文獻

[1] KURGAN L， RAZIB A A， AGHAKHANI S， et al. CRYSTALP2： sequence?based protein crystallization propensity prediction [J]. BMC Structural Biology， 2009， 9： 50?63.

[2] OVERTON I M， PADOVANI G， GIROLAMI M A， et al. ParCrys： a Parzen window density estimation approach to protein crystallization propensity prediction [J]. Bioinformatics， 2008， 24（7）： 901?907.

[3] JAHANDIDEH S， MAHDAVI A. RFCRYS： Sequence?based protein crystallization propensity prediction by means of random forest [J]. Journal of Theoretical Biology， 2012， 306： 115?119.

[4] YU D J， HU J， WU X W， et al. Learning protein multi?view features in complex space [J]. Amino Acids， 2013， 44（5）： 1365?1379.

[5] 王建，王彩蕓.基于改進牛頓算法的蛋白質二級結構預測[J].現代電子技術，2009，32（14）：135?137.

[6] 李秀娟，田川，馮欣.數據挖掘分類技術研究與分析[J].現代電子技術，2010，33（20）：86?88.