用离散量的方法识别蛋白质的超二级结构

用离散量的方法,对2208个分辨率在2.5I以上的高精度的蛋白质结构中四类超二级结构进行了识别。从蛋白质一级序列出发,以氨基酸(20种氨基酸加一个空位)和其紧邻关联共同为参数,当序列模式固定长取8个氨基酸残基时,对“822”序列模式3交叉检验的平均预测精度达到78.1%,jack-knife检验的平均预测精度达到76.7%;当序列模式固定长取10个氨基酸残基时,对“1041”序列模式3交叉检验的平均预测精度达到83.1%,jack-knife检验的平均预测精度达到79.8%。

用人工神经网络方法预测蛋白质超二级结构

蛋白质超二级结构，即由α－螺旋和β－折叠等二级结构单元和连接短肽组成的超二级结构，是蛋白质结构研究中的一个重要层次。目前蛋白质超二级结构的预测工作尚属摸索阶段，还没有成熟的方法。人工神经网络预测方法是近年来在二级结构预测中发展起来的新方法。本文成功的将人工神经网络引入蛋白质超二级结构的预测工作中，结果表明蛋白质的超二级结构的发生与其局域的氨基酸的序列模式有重要联系，可以由蛋白质的一级结构序列预测该蛋白质是否包含某一结构形式的超一级结构（ＳｕｐｅｒｓｅｃｏｎｄａｒｙＳｔｒｕｃｔｕｒｅ），并且具有比二级结构高的结构预测精度。本文对神经网络的反向传播算法进行了修正，在计算中引入了动力因子，取得了良好的预测结果。

α螺旋和β折叠连接短肽的构象分析──蛋白质超二级结构模块（MOTIF）研究（Ⅰ）

对２４０个分辨率在２５Ａ以上较高度蛋白质结构中α螺旋和β折叠的连接短肽进行了系统分析。着重研究了一个至五个残基长的短连接肽，依它们所连接的二级结构分成四种类型分析，即αααβ和ββ。对非规则结构区，作者采用了五种残基构象状态－ａ，ｂ，ｃ，ｌ，ｔ－，进行系统研究，识别出５０种发生频率在５次以上的非规则结构，其中出现次数多于２５次的有１１种类型。这１１种类型的连接多肽是较普遍发生的。此结果对揭示蛋白质非规则结构区的结构规律有一定意义为超二级结构结构模型和预测的进一步研究建立了基础。

基于支持向量机的整体分类器算法 预测酶蛋白质中四类简单超二级结构

酶是一种具有催化功能的蛋白质,研究酶蛋白质中的超二级结构对研究酶的结构及功能有重要作用。本文从酶蛋白质序列出发,首次对酶蛋白质中的四类简单超二级结构进行研究。以位点氨基酸及其紧邻关联为参数,选取五种序列片段截取方式,采用7-交叉检验,使用矩阵打分方法预测的结果不理想;将矩阵打分值作为特征参数输入支持向量机,并用整体分类器进行加权融合,得到了较好的预测结果,预测总精度达到72.64%,Matthew’s相关系数在0.57以上,因此,基于支持向量机的整体分类器方法是一种有效的预测酶蛋白质中超二级结构的方法。

蛋白质中四类简单超二级结构的分类

蛋白质超二级结构预测是三级结构预测的一个非常重要的中间步骤。本文从蛋白质的一级序列出发,运用了一种改进的预测算法:以氨基酸组分和紧邻氨基酸分别作为参数,输入离散增量算法的单分类器中,通过加权融合单分类器的计算结果,对四类超二级结构进行了预测,取得了较好的预测结果。四类超二级结构的平均预测总精度达到78.3%,Matthew's相关系数在0.65以上。

蛋白质中五类超二级结构模体的统计分析

[目的]对蛋白质中的5类超二级结构模体进行统计分析。[方法]选取5类超二级结构模体序列片段为分析材料,对它们Loop位置上的20种氨基酸出现频率进行统计分析。[结果]5类模体在左1、右1、-3、-2、-1、1、2、3 6个位置上N、G、D、S、Q的含量较低,而I、V、L、E含量变化较大。[结论]在区分5类模体时可重点考虑I、V、L、E在这6个位置的出现频率。

蛋白质结构层次中的超二级结构

近年来关于蛋白质超二级结构（ｓｕｐｅｒｓｅｃｏｎｄａｒｙｍｏｔｉｆｓ，Ｍｏｔｉｆｓ）的研究已成为国际上一个热点课题，国内也开始出现有关的研究论文，蛋白质超二级结构是两个或几个规则二级结构单元的进一步组合，或看成是二级结构的局域折叠．文章就蛋白质Ｍｏｔｉｆｓ结构的定义，特点，及对这一结构层次开展研究的意义作了综述，并对蛋白质Ｍｏｔｉｆｓ研究的进展作了简要的介绍．

蛋白质超二级结构序列片段的统计分析

从蛋白质的氨基酸序列出发，用统计分析的方法，对序列相似性小于40％、分辨率低于2．57的4729个蛋白质中的超二级结构序列片断进行了统计分析，统计结果得到区分四类超二级结构的有用信息，这些统计结果对蛋白质超二级预测是非常有益的。

基于组合的序列特征识别蛋白质复杂超二级结构βαβ模体

从已知蛋白质结构的氨基酸序列出发,利用DSSP和PROMTIF构建了蛋白质复杂超二级结构strand-loop-helix-loop-strand模体数据集。数据集含1458条蛋白质链,其中βαβ模体数为3632个,非βαβ模体数为3148个。将亲疏水组分、优化的位点氨基酸组分、预测的模体信息和二级结构信息共同作为序列特征输入支持向量机,5交叉检验的预测总精度和马氏相关系数达到了79.7%和0.59;独立检验的预测总精度和马氏相关系数达到了73.4%和0.47。

蛋白质超二级结构的分类及LOOP序列的统计分析

本文对6819个相似性小于40%的7个结构类的蛋白质序列进行分析、整理,给出五类超二级结构序列模式α-α、α-β、β-α、β-β hairpin和β-β link共61824个;并根据Loop的长度进一步分类,建立了相应的蛋白质超二级结构数据库,最后对五类超二级结构中loop序列的氨基酸使用进行了统计分析,并与相关工作做了比较.

基于残差网络的蛋白质超二级结构图像分类

为解决SVM、Bayes、RNN(recurrent neural network)等传统算法在蛋白质结构分类任务中精度低的问题,提出一种基于残差网络的蛋白质超二级结构图像分类方法。将PDB(protein data bank)和SCOP(structural classification of proteins)数据库中的4类蛋白质超二级结构3D模型转化为14角度拍摄的2D图像,针对每类图像,通过残差网络单元进行深度特征提取和优化,利用神经网络模型训练,将验证精度最高的模型保存下来并进行测试。实验结果表明,分类精度达到了90.2%,验证了模型的可行性和算法的有效性。

杭(州)沈(家门)线超二级汽车专用公路设计及若干技术问题的探讨

本文着重探讨了超二级汽车专用公路设计中的若干技术问题。

蛋白质中频繁发生的超二级结构模式

近年来,高分辨X射线衍射的蛋白构象分析表明,超二级结构的构象类型是有限的.本文对240个分辨率在0.25nm以上的较高精度蛋白结构中的超二级结构进行了系统分析,识别出频繁发生的超二级结构模式.最普遍发生的共11种超二级结构.依其在蛋白结构中的作用,它们属于4类.研究表明超二级结构模式与α螺旋和β折叠之间的连接短肽(Loop)的长度、与连接短肽残基的构象、与连接短肽所连接的二级结构元件的类型有关;

基于离散增量的支持向量机算法预测蛋白质中四类简单超二级结构

蛋白质超二级结构预测是三级结构预测的一个非常重要的中间步骤。本文从蛋白质的一级序列出发,对5793个蛋白质中的四类简单超二级结构进行预测,以位点氨基酸为参数,采用3种片段截取方式,分别用离散增量算法预测的结果不理想,将组合的离散增量值作为特征参数输入支持向量机,取得了较好的预测结果,5交叉检验的平均预测总精度达到83.0%,Matthew’s相关系数在0.71以上。

蛋白质空间结构中的“超二级结构”“模体”和“结构域”概念浅析

生物化学教材中关于蛋白质结构中的“超二级结构”“模体”和“结构域”的概念存在着一些模糊区域。不同的教材对这些概念解释不一,甚至是相互矛盾的,导致学生理解这些概念相对困难,是教学的难点。作者根据蛋白质空间结构定义和教学经验,对这些概念进行对比解析,提出理清这些模糊概念的基本方法。该文旨在促进这几个模糊不一的概念能在教学和研究中统一描述,便于教学和学术交流。

二级超喂湿扩幅设备与工艺

纯棉针织物尺寸稳定性差,缩水率高,是一个长期存在的质量问题.十几年来许多针织厂家、科研单位从纱线的捻度、坯布组织的设计、针织机的选用、漂染工艺与设备后整理工艺与设备等多方面进行研究,取得了一系列可喜的成果.山东单县纺机厂研制的二级超喂湿扩幅机,采取机械二级超喂湿扩幅预缩,有效地解决双面针织物的缩水问题,工艺设备简单,效果明显,便于推广应用.

基于二级结构预测蛋白质复合体亚基相互作用

蛋白质相互作用在生命活动中起着核心作用,蛋白质复合体亚基的结合是蛋白质相互作用的一种重要形式.由于实验方法耗时耗力,因此从理论上预测蛋白质相互作用有着特殊的意义.首先对蛋白质复合体的结合区统计其二级结构、超二级结构和二级结构组合的频数,以及这些结构占整个蛋白质氨基酸链中各类统计数目的百分比,得到各类型结构出现在结合区的相对倾向值.而后,根据相对倾向值给出相结合的两个蛋白亚基的氨基酸链的打分规则.选取64个氨基酸长度为标准滑动窗口,以1为步长,将每一对蛋白链得到一组分值作为特征值输入支持向量机,构建模型.用10折交叉检验评价其预测能力,得到整体准确率、敏感性、阳性预测值和相关系数分别是64.52%、66.87%,63.92%和0.291.这表明本方法有一定的区分度,用于预测蛋白质亚基相互作用是可行的.

弱筋小麦扬麦13号种子超稀扩繁及稻草全量还田高产栽培技术

扬麦13号高产稳产性能十分突出,主要得益于其穗粒结构协调、适应性广、品种一致性稳定性好等优点。尽管该品种已在江苏省推广种植达9年之久,但仍是弱筋小麦的主推品种。应用二级超稀扩繁原种生产技术可以在保证原种质量不断提高的前提下,扩大原种的生产数量而满足弱筋小麦产业带对扬麦13号原良种的需求。在稻草全量还田旋耕灭茬后,通过机械匀播且总用氮量在270 kg/hm2左右的情况下,扬麦13号可以获得7 500 kg/hm2以上的高产。

蛋白质中两种Strand-Loop-Strand模体的判断

目的:蛋白质的结构决定其功能,为了解蛋白质功能,需要了解蛋白质结构。随着基因测序的发展,大量蛋白质一级结构被测出,但直接从蛋白质的序列出发来预测高级结构,仍很困难,尤其是三级结构的预测。然而由超二级结构获得的结构信息可用于三级结构的预测,对蛋白质三维结构及功能预测有重大意义。方法:由一级结构出发,考虑氨基酸序列信息以及氨基酸的亲疏水性,利用Fisher判别法区分两种Strand-Loop-Strand超二级结构模体。结果:采用7交叉检验,Loop长为2~8时,最后平均结果为Q=71.8%,Q_(L)=68.2%,Q_(H)=73.4%,MCC=0.39。如Loop长度相差不大时,预测结果更好,如选取Loop长为2、3、4的序列,7交叉检验结果为Q=75.2%,Q_(L)=69.4%,Q_(H)=77.7%,MCC=0.45。结论:以氨基酸信息为特征指标,利用Fisher判别法能较好地区分两种Strand-Loop-Strand超二级结构模体。

用支持向量机识别β-发夹模体

基于蛋白质序列,提出了一种新的超二级结构模体β-发夹的预测方法。利用离散增量构成的向量来表示序列信息,并将6个离散增量输入支持向量机,在六维向量空间中寻找最优超平面,将β-发夹和非β-发夹进行分类。计算结果表明,利用所设计的算法预测β-发夹,有较高的预测能力。对于训练集,5-交叉检验的预测总精度为81.24%,相关系数为0.57,β-发夹敏感性为83.06%;对于独立的检验集,预测总精度为78.34%,相关系数0.56,β-发夹敏感性为77.24%。将此预测模型应用于CASP6的63个蛋白质进行检验,得到较好结果。