王 婷

(长治职业技术学院，山西 长治 046000)

本文使用chou和shen相同的数据库[3]，从蛋白酶的一级序列出发，以氨基酸组分，氨基酸二肽组分和亲疏水三肽组分为参数，采用离散增量结合支持向量机(ID-SVM)的方法对蛋白酶的类型进行预测，获得了较好的预测效果。

1 材料和方法

1.1 数据来源

本文选取了chou和shen创建的蛋白酶数据库[4](http://merops.sanger.ac.uk/(version 8.1,released on 05-May-2008))。此数据库的特点：序列同源性小于25%；序列长度不小于50个氨基酸；去除所有含有未知残基的序列。基于以上标准，最终得到3051个蛋白酶序列，可以分为6个类型：258个丝氨酸蛋白酶(aspartic)序列；589个苏氨酸蛋白酶(cysteine)序列；39个半胱氨酸蛋白酶(glutamic)序列；1040个天冬氨酸蛋白酶(metallo)序列；1063个金属蛋白酶(serine)序列；62个谷氨酸蛋白酶(threonine)序列。本文以这6类蛋白酶的一级结构为研究对象。

1.2 特征参数

1.2.1 氨基酸n肽组分

肽是构成蛋白质的结构片段，也是蛋白质发挥作用的活性基础部分。当n=1时，氨基酸n肽组分就退化为氨基酸组分，即20种氨基酸出现的频数，其表达相对简单，但丢失了各氨基酸间的关联信息。当n=2时定义为二肽组分，即400种氨基酸二联体出现的频数，此时加入了氨基酸间的排列次序和关联信息[5]。以此类推，n个氨基酸缩合成的n联体就称为n肽组分。

1.2.2 氨基酸序列的亲疏水性分布

蛋白质是由20种不同的氨基酸组成的生物大分子，蛋白质分子中的氨基酸残基靠酰胺键连接，形成含多达几百个氨基酸残基的多肽链，不同类型的氨基酸所包含的侧链结构和性质也各不相同，因此类型不同的氨基酸具有不同的物理化学性质。……