孫曉芳 劉亞秋 初硯碩

(東北林業(yè)大學(xué)，哈爾濱，150040)

責(zé)任編輯:王廣建。

蛋白質(zhì)在細(xì)胞的各類生物過程中發(fā)揮著重要作用，且功能多樣廣泛(促進(jìn)化學(xué)反應(yīng)、進(jìn)行信息傳遞等)。蛋白質(zhì)通常是以相互作用的形式完成各種生物學(xué)功能。了解蛋白質(zhì)相互作用(PPIs)，可更好的了解蛋白質(zhì)的功能及參與生物學(xué)的過程。

近年來，芥子油苷被證實(shí)是重要的抗癌藥物前體，能被模式植物擬南芥合成。針對(duì)參與芥子油苷生物合成過程的蛋白質(zhì)相互作用進(jìn)行預(yù)測，構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)，從蛋白質(zhì)一級(jí)序列抽取了蛋白質(zhì)結(jié)構(gòu)域信息并建立結(jié)構(gòu)域特征向量，使用一對(duì)對(duì)稱的特征向量表示一對(duì)蛋白質(zhì)關(guān)系，應(yīng)用支撐向量機(jī)方法構(gòu)建蛋白質(zhì)相互作用預(yù)測器。

1 蛋白質(zhì)相互作用預(yù)測研究概況

目前，使用生物實(shí)驗(yàn)來判斷蛋白質(zhì)之間發(fā)生相互作用的方法有酵母雙雜交、免疫共沉淀等，這類生物實(shí)驗(yàn)方法費(fèi)時(shí)費(fèi)力，使用計(jì)算方法預(yù)測蛋白質(zhì)相互作用，能輔助生物學(xué)實(shí)驗(yàn)縮減待測樣本數(shù)量，提高驗(yàn)證效率。

在眾多的基于蛋白質(zhì)結(jié)構(gòu)的蛋白質(zhì)相互作用預(yù)測方法中，一類方法是從蛋白質(zhì)的一級(jí)結(jié)構(gòu)，即氨基酸序列中找到?jīng)Q定蛋白質(zhì)相互作用的子序列;另一類方法是從蛋白質(zhì)的一級(jí)結(jié)構(gòu)中提取蛋白質(zhì)的物理化學(xué)性質(zhì)或者蛋白質(zhì)的高級(jí)結(jié)構(gòu)，通過這類信息進(jìn)行預(yù)測蛋白質(zhì)相互作用。這些方法特征向量的維度過高、計(jì)算復(fù)雜，且其特征向量中含有冗余特征。目前對(duì)特征向量降維方法有很多種，例如:將20 個(gè)氨基酸根據(jù)其極性以及配基的分子量、范德華力等壓縮為幾類氨基酸，或者從樣本中選取幾類主要特征、使用氨基酸的2 元組(3 元組)代替單位為1 個(gè)氨基酸的特征表示形式。

蛋白質(zhì)的結(jié)構(gòu)域被認(rèn)為是構(gòu)成蛋白質(zhì)的框架結(jié)構(gòu)。認(rèn)為蛋白質(zhì)結(jié)構(gòu)域是長期進(jìn)化而來的構(gòu)成蛋白質(zhì)結(jié)構(gòu)和功能的基本單元，蛋白質(zhì)結(jié)構(gòu)域代表了蛋白質(zhì)的結(jié)構(gòu)特征。基于蛋白質(zhì)結(jié)構(gòu)域的蛋白質(zhì)相互作用預(yù)測方法，認(rèn)為蛋白質(zhì)相互作用是蛋白質(zhì)中的結(jié)構(gòu)域和結(jié)構(gòu)域相互作用而導(dǎo)致的。

Chen 等［1-2］使用結(jié)構(gòu)域相互作用數(shù)據(jù)庫中的結(jié)構(gòu)域信息加上文獻(xiàn)中的數(shù)據(jù)作為蛋白質(zhì)相互作用預(yù)測的源數(shù)據(jù)，這些數(shù)據(jù)含有3 713 個(gè)蛋白質(zhì)、9 843個(gè)相互作用、4 239 個(gè)結(jié)構(gòu)域，再加上該對(duì)蛋白是否真正發(fā)生相互作用，共組成了4240 維的蛋白質(zhì)相互作用特征向量。使用決策森林作為蛋白質(zhì)相互作用的學(xué)習(xí)機(jī)，進(jìn)行蛋白質(zhì)相互作用預(yù)測，然后用兩個(gè)蛋白質(zhì)特征向量拼接的方法構(gòu)建特征向量，拼接后的特征向量作為該組蛋白質(zhì)對(duì)是否相互作用的特征。Jefferson 等［3］提出使用結(jié)構(gòu)域的相互作用信息作為預(yù)測蛋白質(zhì)相互作用，實(shí)驗(yàn)結(jié)果表明使用結(jié)構(gòu)域相互作用(DDIs)信息可以提高蛋白質(zhì)相互作用預(yù)測的準(zhǔn)確性。

本文使用數(shù)據(jù)庫AtPIN［4］中的擬南芥蛋白質(zhì)相互作用數(shù)據(jù)作為源數(shù)據(jù)，用Pfam25.0［5］中的結(jié)構(gòu)域隱馬爾科夫模型，從蛋白質(zhì)一級(jí)序列中識(shí)別結(jié)構(gòu)域，DOMINE 數(shù)據(jù)庫中的結(jié)構(gòu)域相互作用信息作為額外補(bǔ)充特征。根據(jù)以上數(shù)據(jù)，構(gòu)建對(duì)稱的蛋白質(zhì)相互作用特征向量。使用該特征向量作為訓(xùn)練樣本，訓(xùn)練支撐向量機(jī)學(xué)習(xí)機(jī);在參數(shù)選擇中，使用5 折交叉驗(yàn)證的網(wǎng)格尋優(yōu)方法，優(yōu)化高斯徑向基核函數(shù)的降噪?yún)?shù)(c)和核寬參數(shù)(γ)。然后，使用高斯徑向支撐向量機(jī)作為蛋白質(zhì)相互作用預(yù)測器，使用數(shù)據(jù)庫中的蛋白質(zhì)相互作用對(duì)進(jìn)行驗(yàn)證，使用預(yù)測器預(yù)測蛋白質(zhì)的相互作用。

2 蛋白質(zhì)相互作用預(yù)測器的構(gòu)建

2.1 蛋白質(zhì)相互作用特征表示

蛋白質(zhì)相互作用預(yù)測的問題可以形式化為兩類問題:每一個(gè)蛋白質(zhì)對(duì)作為一個(gè)樣本，屬于相互作用類或者不相互作用類。蛋白質(zhì)A 和蛋白質(zhì)B 組成的蛋白質(zhì)對(duì)屬于相互作用(或者不相互作用)類，可表述為A 與B 有相互作用(沒有相互作用)，或者B與A 有相互作用(或沒有相互作用)。蛋白質(zhì)A 和蛋白質(zhì)B 組成的蛋白質(zhì)對(duì)有無相互作用關(guān)系，表示為，那么，向量可以表示為同時(shí)使用這兩個(gè)對(duì)稱的向量來表示蛋白質(zhì)對(duì)AB 之間的關(guān)系(有相互作用或無相互作用)。

源數(shù)據(jù)集合中共含有1913 個(gè)不重復(fù)Pfam 結(jié)構(gòu)域，每一個(gè)結(jié)構(gòu)域使用數(shù)字0 到1912 來一一對(duì)應(yīng)標(biāo)記。這樣每一個(gè)蛋白質(zhì)使用一個(gè)1913 維數(shù)字向量表示，其每一維對(duì)應(yīng)該位置序號(hào)的結(jié)構(gòu)域數(shù)量。例如:如果一個(gè)蛋白質(zhì)含有一個(gè)標(biāo)記為5 的結(jié)構(gòu)域，那么特征向量中對(duì)應(yīng)的第5 個(gè)數(shù)字為1。Pfam25.0 可將蛋白質(zhì)結(jié)構(gòu)域分為5 個(gè)類型(Domain、Motif、Repeat、Family、PfamB)。根據(jù)蛋白質(zhì)結(jié)構(gòu)域的類型，統(tǒng)計(jì)一個(gè)蛋白質(zhì)對(duì)應(yīng)的所有由Pfam25.0 發(fā)現(xiàn)的各自類型結(jié)構(gòu)域的數(shù)目。在原特征向量末尾額外連接5 個(gè)特征(D、M、R、F、P)。為表示一對(duì)蛋白質(zhì)的關(guān)系，將兩個(gè)分別表示蛋白質(zhì)的結(jié)構(gòu)域的特征向量拼接成一個(gè)向量。即，蛋白質(zhì)A 的特征向量表示為VA=［fA0，fA1，fA2，…，fAn-1，DA，F(xiàn)A，RA，MA，PA］，其中，n=1 913，fA0表示蛋白質(zhì)A 中標(biāo)號(hào)為0 的結(jié)構(gòu)域的數(shù)量，DA表示蛋白質(zhì)A 中Domain 類型的結(jié)構(gòu)域的數(shù)量，F(xiàn)A表示蛋白質(zhì)A 中Family 類型結(jié)構(gòu)域的數(shù)量，RA表示蛋白質(zhì)A 中Repeat 的數(shù)量，MA表示蛋白質(zhì)A 中Motif 的數(shù)量，PA表示蛋白質(zhì)A 中PfamB 的數(shù)量。蛋白質(zhì)A 和B 的相互作用關(guān)系可以表示為［VA，VB］或［VB，VA］。在結(jié)構(gòu)域相互作用數(shù)據(jù)庫DOMINE中，結(jié)構(gòu)域相互作用按照可信度分為高可信、中可信、低可信預(yù)測［6］。在特征向量［VA，VB］和［VB，VA］末尾拼接額外三維向量，分別對(duì)應(yīng)該三類可信度結(jié)構(gòu)域相互作用的數(shù)量。最終得到蛋白質(zhì)A 和B 的相互作用關(guān)系的特征向量［VA，VB，HCPs，MCPs，LCPs］和［VB，VA，HCPs，MCPs，LCPs］。進(jìn)一步對(duì)所有特征向量進(jìn)行歸一化，使每一維度數(shù)值范圍在［0，1］。如式(1)所示，特征矩陣S'm，n中的每一行對(duì)應(yīng)m 個(gè)樣本中相應(yīng)的特征向量，特征矩陣歸一化方法如式(2)所示，

2.2 數(shù)據(jù)

結(jié)構(gòu)域相互作用數(shù)據(jù)庫DOMINE 搜集了已知和預(yù)測的蛋白質(zhì)結(jié)構(gòu)域相互作用。DOMINE 含有26 219 個(gè)結(jié)構(gòu)域相互作用，涉及5 410 個(gè)不重復(fù)結(jié)構(gòu)域，包含6 634 個(gè)直接從PDB 預(yù)測而來的DDIs，以及21 620 個(gè)由13 種預(yù)測算法預(yù)測而來的DDIs。在所有DDIs 中，共有2 989 個(gè)高可信DDIs、2 537 個(gè)中可信DDIs、2 537 個(gè)低可信DDIs。

擬南芥蛋白質(zhì)相互作用數(shù)據(jù)庫AtPIN 收集了擬南芥蛋白質(zhì)相互作用、本體、亞細(xì)胞定位等信息，是一個(gè)高可信的擬南芥蛋白質(zhì)相互作用數(shù)據(jù)庫。在AtPIN 中，所有的蛋白質(zhì)相互作用被分為2 類。

使用AtPIN 中，至少含有一個(gè)結(jié)構(gòu)域的蛋白質(zhì)對(duì)作為正樣本。經(jīng)過濾，我們得到6320 個(gè)經(jīng)過實(shí)驗(yàn)驗(yàn)證的蛋白質(zhì)相互作用對(duì)，表示為POS，POS 包含有2695 個(gè)蛋白質(zhì)。使用Pfam25.0 從氨基酸序列中識(shí)別結(jié)構(gòu)域。蛋白質(zhì)對(duì)應(yīng)的氨基酸序列由數(shù)據(jù)庫BiowebDB(http://biowebdb.org/)中下載，該數(shù)據(jù)庫收集了擬南芥中的統(tǒng)一蛋白質(zhì)資源(UniProt)。本文中使用的負(fù)樣本由隨機(jī)生成，生成負(fù)樣本的方法是在正樣本所涉及的蛋白質(zhì)中隨機(jī)選取一對(duì)不在At-PIN 數(shù)據(jù)庫中的蛋白質(zhì)對(duì)作為一例負(fù)樣本。本文生成了與正樣本同樣大小的負(fù)樣本，共含有2695 對(duì)蛋白質(zhì)。

2.3 參數(shù)優(yōu)化

使用5 折交叉驗(yàn)證的網(wǎng)格搜索高斯徑向基核(k(u，v)=exp(-γ＊‖u-v‖2))支撐向量機(jī)中的降噪?yún)?shù)和核寬參數(shù)。參數(shù)(c)的網(wǎng)格范圍設(shè)置為logc2∈［-5，-3，-1，…，13］，γ 設(shè)置為logy2∈［-15，-13，-11，…，3］。

由圖1所示，最佳精確度logc2=1 和logy2=-1，該坐標(biāo)的5 折交叉驗(yàn)證的高斯徑向基核支撐向量機(jī)的精確度為85.4549%，最優(yōu)參數(shù)c=2，γ=0.5。

圖1 5 折交叉驗(yàn)證網(wǎng)格尋優(yōu)準(zhǔn)確度熱力圖

圖2是根據(jù)最優(yōu)參數(shù)c=2，y=0.5 的5 折交叉驗(yàn)證ROC 曲線和最優(yōu)參數(shù)訓(xùn)練，得到支撐向量機(jī)的驗(yàn)證ROC 曲線(模型預(yù)測)。這兩條ROC 曲線的下面積(AUC)分別用AUCCV、AUCMFP。一般地，由所有可用的正樣本POS 訓(xùn)練而得的RBF-SVM 的分類性能，優(yōu)于部分正樣本訓(xùn)練而得的RBF-SVM。所以，最終由全部正樣本訓(xùn)練得到RBF-SVM 的真實(shí)分類性能在這兩個(gè)下面積之間，即:0.905 72(AUCCV)到0.995 53(AUCMFP)。

3 基于結(jié)構(gòu)域(RBF-SVM)的擬南芥芥子油苷合成相關(guān)蛋白質(zhì)相互作用

芥子油苷是擬南芥中的次代謝產(chǎn)物，富含氮、硫。芥子油苷是模式植物擬南芥與環(huán)境發(fā)生相互作用的媒介，是植物學(xué)研究的熱點(diǎn)［7-8］。另外，已證實(shí)，芥子油苷與擬南芥中的芥子降解酶發(fā)生相互作用時(shí)，生成異硫代氰酸鹽，該產(chǎn)物具有抗癌活性［9］。

圖2 5 折交叉驗(yàn)證和PPI 預(yù)測模型的ROC 曲線

在模式植物擬南芥中，芥子油苷是一種次代謝產(chǎn)物，由氨基酸經(jīng)過乙醛肟、氧化腈、酸式硝基化合物、脫硫芥子油苷等中間產(chǎn)物生成。其中，多種酶在此過程中起催化作用(細(xì)胞色素P450(CYS450)、P79(CYS79)，谷胱甘肽轉(zhuǎn)移酶(G-ST)，S-糖基轉(zhuǎn)移酶(SGT)，磺基轉(zhuǎn)移酶(ST)等)。應(yīng)用PPI 預(yù)測器構(gòu)建擬南芥中芥子油苷合成途徑相關(guān)的PPI 網(wǎng)絡(luò)。

AtPIN 中的5697 個(gè)預(yù)測而得的蛋白質(zhì)相互作用，所涉及的蛋白質(zhì)結(jié)構(gòu)域都存在于正樣本POS中;AtPIN 中的90043 個(gè)預(yù)測蛋白質(zhì)相互作用不是高可信，且其數(shù)量巨大，若以該數(shù)據(jù)構(gòu)建PPI 網(wǎng)絡(luò)將給研究擬南芥帶來很大的噪聲。將AtPIN 中的低可信的預(yù)測蛋白質(zhì)相互作用標(biāo)記出來，會(huì)有助于芥子油苷合成相關(guān)的蛋白質(zhì)網(wǎng)絡(luò)相互作用的研究。

文獻(xiàn)［10］中列出了擬南芥中與芥子油苷合成相關(guān)的46 個(gè)基因。基于AtPIN 中的蛋白質(zhì)相互作用，這46 個(gè)基因?qū)?yīng)的蛋白質(zhì)作為種子蛋白，來尋找新的與這46 個(gè)蛋白質(zhì)相互作用的蛋白質(zhì)。在At-PIN 中有4 個(gè)實(shí)驗(yàn)證實(shí)的蛋白質(zhì)相互作用，237 個(gè)預(yù)測相互作用。

圖3為該芥子油苷相關(guān)PPI 網(wǎng)絡(luò)，基于表1中列出的46 個(gè)種子蛋白質(zhì)而構(gòu)建的，該P(yáng)PI 網(wǎng)絡(luò)的深度為1。

表1 芥子油苷合成相關(guān)的46 個(gè)基因

續(xù)(表1)

4 結(jié)束語

蛋白質(zhì)結(jié)構(gòu)域是不同蛋白質(zhì)家族中結(jié)構(gòu)保守區(qū)域。蛋白質(zhì)相互作用是通過分子間的作用產(chǎn)生，而這種相互作用存在在蛋白質(zhì)的特定的結(jié)構(gòu)域中，因此，在結(jié)構(gòu)域?qū)用鎸?duì)蛋白質(zhì)相互作用的理解，能夠加深對(duì)蛋白質(zhì)功能的了解。使用結(jié)構(gòu)域信息，預(yù)測芥子油苷相關(guān)的蛋白質(zhì)相互作用并構(gòu)建PPI 網(wǎng)絡(luò)。用對(duì)稱訓(xùn)練方法解決蛋白質(zhì)相互作用的對(duì)稱問題，即使用一對(duì)對(duì)稱的特征向量表示一對(duì)蛋白質(zhì)的相互作用關(guān)系。特征向量基于從氨基酸序列中抽取的結(jié)構(gòu)域和結(jié)構(gòu)域相互作用信息構(gòu)建。高斯徑向基核的降噪?yún)?shù)(c)和核寬參數(shù)(γ)由5 折交叉驗(yàn)證的網(wǎng)格尋優(yōu)而得。使用ROC 曲線下面積來衡量RBF-SVM的預(yù)測性能。最優(yōu)RBF 為k(u，v)= exp(-0.5＊‖u-v‖2)，最佳降噪?yún)?shù)c=2。使用RBF-SVM 驗(yàn)證了AtPIN 數(shù)據(jù)庫中的預(yù)測類蛋白質(zhì)的可信度，并發(fā) 現(xiàn) 了 蛋 白 質(zhì) AGI，標(biāo) 號(hào) 為 AT4G14800、AT5G54810、AT5G05730、AT4G18040、AT1G04510、AT5G05260 是相互作用的蛋白質(zhì)對(duì)。目前，擬南芥中實(shí)驗(yàn)證實(shí)的蛋白質(zhì)相互作用的數(shù)量遠(yuǎn)遠(yuǎn)達(dá)不到研究所需，同時(shí)，在預(yù)測類的蛋白質(zhì)相互作用數(shù)據(jù)中還含有未知數(shù)量的噪聲，因此，蛋白質(zhì)相互作用的預(yù)測仍然是一大難題。

圖3 AtPIN 中芥子油苷合成相關(guān)的PPI 網(wǎng)絡(luò)

［1］ Xuewen Chen，Mei Liu.Prediction of protein-protein interactions using random decision forest framework［J］.Bioinformatics，2005，21(24):4394-4400.

［2］ Xuewen Chen，Mei Liu.Domain-based predictive models for protein-protein interaction prediction［J］.Eurasip Journal on Advances in Signal Process-ing，2006，2006:1-8.

［3］ E R Jefferson，T P Walsh，G J Barton.Biological units and their effect upon the properties and prediction of Protein-Protein interactions［J］.Journal of Molecular Biology，2006，364(5):1118-1129.

［4］ Brand?o M M，Dantas L L，Silva-Filho M C.Atpin:Arabidopsis thaliana protein interaction net-work［J］.BMC Bioinformatics，2009，10(1):454-458.

［5］ Robert D F，John T，Jaina M，et al.The pfam protein families database［J］.Nucleic Acids Research，2008，36:281-288.

［6］ S Yellaboina，A Tasneem，D V Zaykin，et al.Domine:a comprehensive collection of known and predicted domain-domain interactions［J］.Nucleic Acids Research，2011，39(1):730-735.

［7］ Michael Reichelt，Paul D Brown，Bernd Schneider，et al.Benzoic acid glucosinolate esters and other glucosinolates from arabidopsis thaliana［J］.Phytochemistry，2002，59(6):663-672.

［8］ S J Tonsor，C Alonso-Blanco，M Koornneef.Gene function beyond the single trait:natural variation，gene effects，and evolutionary ecology in arabidopsis thaliana［J］.Plant，Cell ＆ Environment，2005，28(1):2-20.

［9］ C Douglas Grubb，Steffen Abel.Glucosinolate metabolism and its control［J］.Trends in Plant Science，2006，11(2):89-100.

［10］ Yazhou Chen，Xiufeng Yan，Sixue Chen.Bioinformatic analysis of molecular network of glucosinolate biosynthesis［J］.Computational Biology and Chemistry，2011，35(1):10-18.