基于氨基酸约化和统计特征的蛋白质亚细胞定位预测

杨红1,2,徐慧敏2,严寿江2,陈静2，耿丽丽2,姚玉华2*

(1．青岛滨海学院，青岛 266555；

2．浙江理工大学生命科学学院，杭州 310018)

摘要：蛋白质亚细胞定位预测对蛋白质的功能、相互作用及调控机制的研究具有重要意义。本文基于物化性质和结构性质对氨基酸的约化，描述序列局部和全局信息的“组成”、“转换”和“分布”特征，并利用氨基酸亲疏水性的数值统计特征，提出了一种新的蛋白质特征表示方法(NSBH)。分别使用三种分类器KNN、SVM及BP神经网络进行蛋白质亚细胞定位预测，比较了几种方法和特征融合方法的预测结果，显示融合特征表示及结合SVM分类器时能够达到更好的预测准确率。同时，还详细讨论了不同参数对实验结果的影响，具体的实验及比较结果显示了该方法的有效性。

关键词：蛋白质亚细胞定位；氨基酸物化性质；支持向量机

中图分类号：Q811文献标志码：A

收稿日期：2015-03-05;修回日期：2015-04-08.

基金项目：生物信息学数据库技术课程教学改革，福建农林大学研究生教学改革项目(No.112501234)。

作者简介：郑珂晖，男,讲师，博士研究生，研究方向：生物信息学；E-mail：zhkehui@tom.com.

doi:10.3969/j.issn.1672-5565.2015.02.06

Protein subcellular localization prediction based on reduced representation of

amino acid and statistical characteristic

YANG Hong1,2,XU Huimin2,YAN Shoujiang2,CHEN Jing2,GENG Lili2,YAO Yuhua2*

(1．QingdaoBinhaiUniversity,Qingdao266555,China；

2．CollegeofLifeSciences,ZhejiangSci-TechUniversity,Hangzhou310018,China)

Abstract：The protein subcellular localization prediction is important to study the protein function, protein interaction and their regulation mechanism. In this paper, based on four amino acids physicochemical properties and structural properties,We describe the local and global information of sequence by ‘component’, ‘transition’ and ‘distribution’. Using the numerical statistical characteristic of hydrophobic/hydrophilic amino acid, we proposed a new protein feature representation. We compare the prediction results between the proposed methods and fusion method with the classification algorithm KNN, SVM and BP. The results show that fusion method with SVM can get better prediction accuracies. Meantime, we also discuss the effects of different parameters on the experimental results. The detailed experimental and comparison results show the effectiveness of the proposed method.

Keywords：Subcellular localization; Physicochemical properties; Support vector machine (SVM)

蛋白质是生命的物质基础，是构成细胞的基本有机物，是生命活动的主要承担者。然而，蛋白质只有在特定的亚细胞位置中才能行使其特定的功能。随着高通量技术的发展，很大数量的蛋白质序列正日益增长并被整理和存入到公共的生物数据库。根据2014年2月发布的统计表明，UniProtKB/Swiss-Prot包含542 258条序列，然而在1986年仅仅是3 939条[1]。……