發(fā)布時間：2018-05-01 17:39

  本文選題：金屬離子配體 + 結(jié)合殘基��； 參考：《內(nèi)蒙古工業(yè)大學(xué)》2017年碩士論文

【摘要】：眾所周知,金屬離子在生命進(jìn)程中扮演重要角色。超過三分之一的蛋白質(zhì)結(jié)構(gòu)中包含有金屬離子,它們參與了酶催化,維持蛋白質(zhì)結(jié)構(gòu),以及扮演監(jiān)管角色。這些功能均通過蛋白質(zhì)與金屬離子配體的相互作用來實(shí)現(xiàn)。因此識別蛋白質(zhì)中的金屬離子結(jié)合殘基極為重要,這對分子藥物的設(shè)計具有指導(dǎo)價值�；谛蛄行畔⒆R別蛋白質(zhì)中金屬離子結(jié)合殘基,主要工作如下:(1)十種金屬離子Zn2+,Cu2+,Fe2+,Fe3+,Ca2+,Mg2+,Mn2+,Na+,K+和Co2+結(jié)合殘基數(shù)據(jù)集均來自BioLiP數(shù)據(jù)庫,篩選分辨率好于3?,序列長度大于50個殘基和序列同源性低于30%的蛋白質(zhì)鏈。使用滑動窗口方法得到了十種金屬離子的最佳窗口分別為7,13,9,9,9,9,7,9,11,11。(2)對十種金屬離子結(jié)合殘基數(shù)據(jù)集進(jìn)行統(tǒng)計分析,發(fā)現(xiàn)位點(diǎn)氨基酸具有較強(qiáng)的保守性,以位點(diǎn)氨基酸為特征參數(shù)用位置權(quán)重矩陣打分算法對十種金屬離子結(jié)合殘基進(jìn)行識別,五交叉檢驗(yàn)下的總精度高于62.7%,馬氏相關(guān)系數(shù)高于0.335。結(jié)果顯示Zn2+,Cu2+,Fe2+,Fe3+和Co2+配體結(jié)合殘基的結(jié)果較好,而Ca2+,Mg2+,Mn2+,Na+和K+配體結(jié)合殘基的結(jié)果并不理想。(3)為了進(jìn)一步提高識別結(jié)果,通過研究結(jié)合殘基的生物背景,添加了氨基酸組分、親疏水、極化電荷、預(yù)測的二級結(jié)構(gòu)和溶劑可及性面積信息作為特征參數(shù)。為了避免支持向量機(jī)算法的過訓(xùn)練,使用矩陣打分和離散增量算法將一些特征降維優(yōu)化,并輸入到支持向量機(jī)對十種金屬離子結(jié)合殘基進(jìn)行識別。五交叉檢驗(yàn)下得到了較好的識別結(jié)果,預(yù)測的總精度和馬氏相關(guān)系數(shù)均高于74.8%和0.502。并通過組合特征參數(shù)的支持向量機(jī)計算,分析了各種金屬離子配體結(jié)合殘基對特征參數(shù)的敏感性。為了增強(qiáng)模型的實(shí)用性,對金屬離子數(shù)據(jù)集進(jìn)行了獨(dú)立檢驗(yàn),并與前人研究的結(jié)果進(jìn)行了對比,發(fā)現(xiàn)預(yù)測趨勢與前人的結(jié)果一致。(4)引進(jìn)了隨機(jī)森林算法。把與SVM算法相同的組合特征參數(shù)輸入隨機(jī)森林算法中,五交叉檢驗(yàn)下的識別結(jié)果略低于SVM算法下的識別結(jié)果。將未優(yōu)化降維的特征參數(shù)輸入隨機(jī)森林算法中,五交叉檢驗(yàn)下的識別結(jié)果比SVM算法下的識別結(jié)果稍好,尤其是對Ca2+,Mg2+,Mn2+配體。(5)搭建了預(yù)測平臺,建立了一個金屬離子配體結(jié)合殘基的在線預(yù)測服務(wù)網(wǎng)站,免費(fèi)對外開放,為相關(guān)研究提供便利和幫助。
[Abstract]:It is well known that metal ions play an important role in the life process. More than 1/3 of protein structures contain metal ions that are involved in enzyme catalysis, maintain protein structures, and play regulatory roles. These functions are achieved by the interaction between protein and metal ion ligands. Therefore, it is very important to recognize the metal ion binding residues in proteins, which is valuable for the design of molecular drugs. Based on the sequence information, the main work of identifying metal ion binding residues in proteins is as follows: (1) Ten metal ions, Zn2, Cu2, Fe2, Fe2, Fe3, Ca2 +, Mg2, Mn-2, Na-K, and Co2 binding residues, are all derived from BioLiP databases. The screening resolution was better than 3, the length of the sequence was more than 50 and the sequence homology was less than 30%. The best window of ten metal ions was obtained by sliding window method. The data sets of ten metal ion binding residues were statistically analyzed. It was found that the amino acids of the ten metal ions were highly conserved. Ten metal ion binding residues were identified by the position weight matrix scoring algorithm with amino acid as the characteristic parameter. The total accuracy of the five cross tests was higher than 62.7 and the Markov correlation coefficient was higher than 0.335. The results showed that the binding residues of Zn2 Cu2Fe2Fe3 and Co2 ligands were better, but the binding residues of Ca2 Mg2m2Mn2Mn2N2N2N2Fe3 with K ligand were not ideal.) in order to further improve the recognition results, the biological background of the binding residues was studied. Amino acid composition, hydrophilicity, polarization charge, predicted secondary structure and solvent accessibility area information were added as characteristic parameters. In order to avoid the overtraining of support vector machine (SVM) algorithm, matrix scoring and discrete increment algorithm are used to optimize the dimensionality reduction of some features, and the support vector machine is inputted to recognize ten metal ion binding residues. The total accuracy and Markov correlation coefficient of the prediction are higher than 74.8% and 0.502% respectively. The sensitivity of various metal ion ligand binding residues to the characteristic parameters was analyzed by using support vector machine (SVM). In order to enhance the practicability of the model, the metal ion data set is independently tested and compared with the results of previous studies. It is found that the prediction trend is consistent with the previous results. (4) A stochastic forest algorithm is introduced. The combined characteristic parameters which are the same as the SVM algorithm are input into the stochastic forest algorithm. The recognition results under the five cross test are slightly lower than those under the SVM algorithm. When the unoptimized dimensionality reduction characteristic parameters are input into the stochastic forest algorithm, the recognition results under the five-cross test are better than those under the SVM algorithm, especially the prediction platform for the Ca2 mg _ 2 / mn _ 2 ligands. An online prediction service for metal ion ligand binding residues is established, which is open to the public free of charge and provides convenience and assistance for related research.
【學(xué)位授予單位】：內(nèi)蒙古工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18;O641

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 戎關(guān)鏞;金屬離子酸性的量度[J];南方冶金學(xué)院學(xué)報;1992年01期

2 劉云;吳平霄;葉代啟;黨志;;柱撐粘土吸附去除水中重金屬離子的實(shí)驗(yàn)研究[J];地質(zhì)學(xué)報;2006年04期

3 潘世蕊;;金屬離子水解的研究[J];山西農(nóng)業(yè)大學(xué)學(xué)報;1983年02期

4 艾兵;楊池明;;含色氨酸過渡金屬離子受體的合成與識別[J];濟(jì)南大學(xué)學(xué)報(自然科學(xué)版);2011年01期

5 楊修造;;金屬離子水介常數(shù)的計算[J];安徽師大學(xué)報(自然科學(xué)版);1981年02期

6 沈杰,張朝暉,周曉云,董麗輝;生物法去除水中重金屬離子的研究[J];水處理技術(shù);2005年03期

7 溫元凱,邵俊;離子極化和金屬離子水解規(guī)律性[J];科學(xué)通報;1977年06期

8 陳藎;陳萬雄;孫中溪;;金屬離子活化石英的判據(jù)及規(guī)律[J];金屬礦山;1982年06期

9 鈕淦襄,鄭化,漆守華,魏登貴;金屬離子的水解與極化[J];建材高教理論與實(shí)踐;1996年02期

10 管宗甫;何軍志;;混凝土固化廢棄物中有害金屬離子浸出研究[J];安陽師范學(xué)院學(xué)報;2007年02期

相關(guān)會議論文 前1條

1 黨淑琴;;Al-ATP配合物的~(27)Al．~1H和~(31)P NMR研究[A];第四屆全國波譜學(xué)學(xué)術(shù)會議論文摘要集[C];1986年

相關(guān)重要報紙文章 前1條

1 陸志城;鼠基因序列研究 助藥物研發(fā)加速[N];醫(yī)藥經(jīng)濟(jì)報;2003年

相關(guān)博士學(xué)位論文 前1條

1 張健;基于智能計算的蛋白質(zhì)殘基溶劑可及性和功能的分析預(yù)測[D];東北師范大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 曹曉勇;基于序列信息對十種金屬離子結(jié)合殘基的識別[D];內(nèi)蒙古工業(yè)大學(xué);2017年

2 邱曉婷;注意資源對內(nèi)隱序列學(xué)習(xí)的影響[D];蘇州大學(xué);2010年

3 邱艷姿;基于ELM的蛋白質(zhì)相互作用界面熱點(diǎn)殘基預(yù)測方法的研究[D];湘潭大學(xué);2017年

4 柴海挺;基于進(jìn)化保守性的DNA綁定殘基的分析與預(yù)測[D];東北師范大學(xué);2017年

5 馬春芳;化學(xué)改性甘草廢渣吸附劑的制備及其對重金屬離子和染料分子吸附性能的研究[D];寧夏醫(yī)科大學(xué);2015年

6 湯俊怡;PP2Cα磷酸酶中M2金屬離子催化機(jī)制研究[D];山東大學(xué);2015年

7 馬辛;典型重金屬離子在碳納米管上的吸附與解吸附研究[D];上海大學(xué);2015年

8 張浩;電控離子交換技術(shù)分離回收水中鎳、釔等過渡金屬離子[D];太原理工大學(xué);2013年

9 寧晶;纖維素水凝膠的改性及其對重金屬離子的吸附的性能和機(jī)理研究[D];濟(jì)南大學(xué);2015年

10 陳思思;漢麻纖維對重金屬離子的吸附性能研究[D];浙江理工大學(xué);2016年

，

本文編號：1830438