基于k近邻和BLOSUM62矩阵方法的磷酸化位点预测

磷酸化是真核细胞蛋白质的一种重要的翻译后修饰作用。由于对蛋白质激酶底物的实验测定方法通常非常费时,而且会受多种实验条件的限制。因此通过机器学习的方法,利用蛋白质的一级序列信息对不同激酶家族作用的磷酸化位点进行有效的预测,不仅具有快速、自动等优点,还可以对相应的实验测定进行指导,具有重要的意义。本研究提出了一种基于Euclidean距离的k近邻算法,并使用了改进的判决函数,特征向量由基于BLOSUM62矩阵的平均分值构成。对多个磷酸激酶家族的测试结果显示,Sn和Sp的综合评价均高于目前常用的Scansite,KinasePhos和NetPhosK,同时该方法具有简单、高效、鲁棒性好等优点。

一种基于亲疏水性的替代矩阵

主要利用蛋白质统计信息和氨基酸与疏水级映射关系,提出一种基于亲疏水性的替代矩阵HB62,解决蛋白质疏水级序列相似性计算问题.采用CB513数据集,分别利用Blosum62和HB62计算蛋白质间的相似程度,结果显示,两种方法计算结果具有一致性,验证了HB62的正确性与有效性.HB62的设计,极大地简化了蛋白质疏水级序列相似性计算问题,有效地降低预测算法复杂度,提高预测准确率,推动蛋白质亲疏水性的相关理论的发展.