高光芹 宛新生 李曉 黃家榮 王瀟然

摘 要：針對水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測研究，查閱了國家水稻數(shù)據(jù)中心文獻資源，基于國際蛋白質(zhì)數(shù)據(jù)庫（protein data bank，PDB），選擇具有代表性的蛋白質(zhì)（5XQI）作為樣本，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建模技術(shù)，對水稻蛋白質(zhì)二級結(jié)構(gòu)進行預(yù)測研究。結(jié)果表明：先用氨基酸描述子量化一級結(jié)構(gòu)，再用主成分分析綜合描述子，能簡化模型結(jié)構(gòu)，提高模擬預(yù)測準確度和運行速度;構(gòu)建標量型的人工神經(jīng)網(wǎng)絡(luò)模型和仿真函數(shù)預(yù)測式，簡捷直觀，應(yīng)用方便;適宜的模型結(jié)構(gòu)為21∶20∶3，即21個輸入層節(jié)點、20個隱含層神經(jīng)元、3個輸出層神元的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu);模型的整體擬合準確度為0.85，H、E、C三種二級結(jié)構(gòu)的擬合準確度分別為0.92、0.79、0.81;整體預(yù)測準確度為0.72，三種二級結(jié)構(gòu)的預(yù)測準確度分別為0.79、0.65、0.71?；贐P神經(jīng)網(wǎng)絡(luò)的水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測模型的擬合、預(yù)測準確度比以往同類研究高，為水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測提供了一種新的研究方法。

關(guān)鍵詞：水稻;蛋白質(zhì);二級結(jié)構(gòu);預(yù)測;BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：Q518.1

文獻標志碼：A

根據(jù)生物遺傳的中心法則，遺傳信息在不同的大分子之間的轉(zhuǎn)移都是單向的，不可逆的，只能從DNA到RNA（轉(zhuǎn)錄），從RNA到蛋白質(zhì)（翻譯）。這說明核酸的功能是儲存和轉(zhuǎn)移遺傳信息，指導(dǎo)和控制蛋白質(zhì)的合成，而蛋白質(zhì)的主要功能是進行新陳代謝活動和作為細胞結(jié)構(gòu)的組成成分;同時說明基因通過控制蛋白質(zhì)的結(jié)構(gòu)來直接控制生物的性狀。蛋白質(zhì)分子結(jié)構(gòu)很復(fù)雜，可分為一級、二級、三級和四級結(jié)構(gòu)。其中二級結(jié)構(gòu)既可用于進一步預(yù)測三級結(jié)構(gòu)和四級結(jié)構(gòu)，又能應(yīng)用于推測蛋白質(zhì)的功能。因此，水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測研究具有重要的、直接的生物學意義。

國家水稻數(shù)據(jù)中心的文獻資源表明，近年對水稻蛋白質(zhì)的研究很多。如水稻蛋白質(zhì)復(fù)合物和葉綠素合成特性的研究，水稻蛋白質(zhì)表達譜受硫化氫的影響，水稻籽粒儲藏蛋白質(zhì)含量的遺傳解析，高蛋白質(zhì)雜交早稻的研究，水稻條紋病毒病害特異蛋白質(zhì)的篩選研究，水稻中蛋白質(zhì)的檢測及差異表達蛋白質(zhì)鑒定，等等[1-7]。但對水稻蛋白質(zhì)結(jié)構(gòu)的研究很少，尤其是結(jié)構(gòu)預(yù)測研究極少。譚峰等[8]為從分子水平探討水稻病菌的傳播和發(fā)病機制，研究了水稻葉片細胞內(nèi)生物大分子的結(jié)構(gòu)及結(jié)構(gòu)與功能的關(guān)系，尤其對水稻葉片中各部分的二級結(jié)構(gòu)構(gòu)象給出全面的分析和解釋，實現(xiàn)了水稻葉片半定量分析的目的。陳華夏等[9]分析4個植物基因組，分離鑒定了97個水稻、玉米、高粱和擬南芥的CCT結(jié)構(gòu)域基因，并對相應(yīng)蛋白質(zhì)的結(jié)構(gòu)和基因之間的系統(tǒng)演化關(guān)系進行了分析。分析結(jié)果表明，蛋白質(zhì)結(jié)構(gòu)和特性在不同物種之間具有廣泛的變異。

關(guān)于蛋白質(zhì)二級結(jié)構(gòu)的預(yù)測，本文課題組在林木模式植物楊樹中有較深入的研究[10-13]。研究結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)用于蛋白質(zhì)二級結(jié)構(gòu)預(yù)測，簡單直觀、通俗易懂、數(shù)形統(tǒng)一、應(yīng)用方便。蛋白質(zhì)結(jié)構(gòu)與功能預(yù)測在作物模式植物水稻中的研究較少，特別是蛋白質(zhì)二級結(jié)構(gòu)的預(yù)測研究更少。本文基于分子生物信息數(shù)據(jù)庫，用BP神經(jīng)網(wǎng)絡(luò)研究水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測，旨在給水稻研究提供一種方法參考。

1 材料來源與數(shù)據(jù)處理

1.1 材料來源

國際蛋白質(zhì)數(shù)據(jù)庫（protein data bank， PDB）是目前最主要的蛋白質(zhì)分子結(jié)構(gòu)數(shù)據(jù)庫，數(shù)據(jù)庫的網(wǎng)址是http：//www.rcsb.org/search。通過該網(wǎng)址搜索歷年發(fā)布的水稻蛋白質(zhì)的有關(guān)信息，獲取水稻蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)。數(shù)據(jù)庫中發(fā)布的每個蛋白質(zhì)都有唯一編號，如2020年發(fā)布的水稻蛋白質(zhì)之一的編號是6LCQ。根據(jù)蛋白質(zhì)二級結(jié)構(gòu)的研究目的，在PDB中目測三維構(gòu)像中的二級結(jié)構(gòu)分布，選出具有代表性的水稻蛋白質(zhì)樣本。樣本是2018年發(fā)布，其編號是5XQI。

1.2 數(shù)據(jù)處理

蛋白質(zhì)的一級結(jié)構(gòu)是A，R，…，V等20個氨基酸的排列順序和連接方式;蛋白質(zhì)的二級結(jié)構(gòu)是通過氫鍵使多肽鏈形成的螺旋或折疊片層結(jié)構(gòu)，可以劃分為螺旋、折疊和卷曲三大類，分別用字母H、E和C表示。在PDB中查出5XQI的一、二級結(jié)構(gòu)，并將一級結(jié)構(gòu)按一定的片段長剪切成不同的片段，并建立片段與二級結(jié)構(gòu)的關(guān)系。片段長一般取13～21個氨基酸殘基，本研究按段長21順序剪切，取片段中心氨基酸對應(yīng)的二級結(jié)構(gòu)作為氨基酸片段對應(yīng)的二級結(jié)構(gòu)。水稻蛋白質(zhì)一共剪切了269段，對應(yīng)關(guān)系如表1所示。

應(yīng)用一種新型氨基酸描述子表征樣本的氨基酸結(jié)構(gòu)（每個氨基酸有16個描述子），20個氨基酸的V描述子的樣式如表2所列[13]。為簡化模型，提高模型的運行速度，用主成分分析方法將表2中每個氨基酸的16個V描述子綜合一個總描述子ZV，見表3。

用表3的氨基酸總描述子ZV量化表1中的氨基酸片段，對應(yīng)的二級結(jié)構(gòu)量化向量：H（螺旋）=[1 0 0]T，E（折疊）=[0 1 0] T，C（卷曲）=[0 0 1] T。量化后的樣本數(shù)據(jù)樣式如表4所示，其中每個一級結(jié)構(gòu)片段向量的21個元素，就是21個氨基酸的總描述子ZV。如果不進行簡化處理，每個一級結(jié)構(gòu)片段向量的元素將是336個，使模型結(jié)構(gòu)變得很復(fù)雜，運行速度變得很慢。

2 模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)由于具有算法簡單易行、計算量小、并行性強等諸多優(yōu)點，已成為目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。據(jù)統(tǒng)計，在神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究中，基于BP算法的研究占比接近90%[14]。用BP神經(jīng)網(wǎng)絡(luò)來構(gòu)建水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測模型時，以表1所列的一級結(jié)構(gòu)氨基酸片段所對應(yīng)的21個V描述子向量作為輸入向量X=[x1，x2，…，x21]T，以一級結(jié)構(gòu)片段中心氨基酸對應(yīng)的二級結(jié)構(gòu)向量作為輸出向量Y=[y1，y2，y3]T，構(gòu)建的預(yù)測模型如圖1所示。圖1中符號●、→、○、①、f分別表示輸入層節(jié)點、信息流、神經(jīng)元、輸入值為1的節(jié)點、S形函數(shù)。網(wǎng)絡(luò)模型由三層構(gòu)成，從左至右分別為輸入層、隱含層、輸出層。

輸入層，是網(wǎng)絡(luò)獲取樣本的入口層，其節(jié)點數(shù)目等于氨基酸片段描述子向量的維數(shù)21，各節(jié)點是簡單的分布單元，直接將輸入變量傳遞給隱含層。

隱含層，其神經(jīng)元個數(shù)可變，設(shè)為s，具體值用變結(jié)構(gòu)法確定，即在模型訓練中用具體訓練樣本對s由少到多取不同的值進行訓練比較，并定性定量相結(jié)合地確定[14]。

輸出層，即網(wǎng)絡(luò)輸出模型運行結(jié)果的出口層，其神經(jīng)元個數(shù)與輸出層的節(jié)點數(shù)相等，即Y=[y1，y2，y3]T。

用MATLAB數(shù)學算式將圖1所示的關(guān)系表達為：

yk=tansig（∑w2j，kHj+b2k）

Hj=tansig（∑w1i，jxi+b1j）

i=1，2，…，21; j=1，2，…，s; k=1，2，3（1）

式中：tansig（）是MATLAB的正切S形函數(shù);xi為輸入層第i節(jié)點的輸入變量;Hj為隱含層第j神經(jīng)元的輸出變量;yk為輸出層第k神經(jīng)元的輸出變量;w1i，j為輸入層第i節(jié)點到隱含層第j神經(jīng)元的連接權(quán);w2j，k為隱含層第j神經(jīng)元到輸出層第k神經(jīng)元的連接權(quán);b1j、b2k分別為隱含層第j神經(jīng)元和輸出層第k神經(jīng)元的閾值。

3 模型訓練

用表4的3/4樣本數(shù)據(jù)，在MATLAB的nntool工具箱中，按訓練樣本定義與導(dǎo)入、神經(jīng)網(wǎng)絡(luò)設(shè)置與初始化、神經(jīng)網(wǎng)絡(luò)訓練與結(jié)果導(dǎo)出等步驟對式（1）取不同的隱含層神經(jīng)元數(shù)進行訓練。其結(jié)果對應(yīng)的擬合準確度Q3如表5所列。準確度Q3的計算公式為[10]

Q3=PH×QH+PE×QE+PC×QC（2）

式中：Q3為總的準確度;QH、QE、QC分別為螺旋H、折疊E、卷曲C的準確度，用模型計算值按“勝者通吃”原則與實測值比較確定;PH、PE、PC分別為H、E、C三種二級結(jié)構(gòu)的例比。在表4的3/4樣本數(shù)據(jù)（每4個樣本取3個）中，樣本總數(shù)為202，H、E、C三種二級結(jié)構(gòu)樣本數(shù)分別為86、52、64，計算對應(yīng)的比例，并代入式（2），得模型的擬合準確度算式為：

Q3=0.425 7QH+0.257 4QE+0.316 8QC

QH=CH/86;QE=CE/52;QC=CC/64（3）

式中：CH、CE、CC分別為H、E、C三種二級結(jié)構(gòu)擬合準確的樣本數(shù)。不同隱含層神經(jīng)元個數(shù)s的CH、QH，CE、QE，CC、QC和Q3的計算結(jié)果見表5。由表5可以看出：隨著隱含層神經(jīng)元個數(shù)s的增大，QH、QE、QC和Q3都呈拋物線趨勢;QH的最大值對應(yīng)的隱含層神經(jīng)元個數(shù)s為21，QE、QC和Q3的最大值對應(yīng)的s都為20。綜合QH、QE、QC和Q3計算結(jié)果，水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測最佳隱含層神經(jīng)元個數(shù)s=20，對應(yīng)的模型Network4為最佳模型，將其命名為PRPSS（predicting rice protein secondary structure），作為最終擬合結(jié)果，其結(jié)構(gòu)為21∶20∶3，即21個輸入層節(jié)點、20個隱含層神經(jīng)元、3個輸出層神經(jīng)元。PRPSS隱含層和輸出層的部分權(quán)值、閾值分別見表6和表7。調(diào)取全部權(quán)值、閾值的命令函數(shù)為：PRPSS.iw{1，1}（輸入層到隱含層權(quán)值）;PRPSS.b{1}（隱含層閾值）;PRPSS.lw{2，1}（隱含層到輸出層權(quán)值）;PRPSS.b{2}（輸出層閾值）。

4 模型預(yù)測

在MATLAB中，直接由水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測模型的仿真函數(shù)式作為預(yù)測式：

Y=sim（PRPSS，X）（4）

式中：sim（）為MATLAB的仿真函數(shù);PRPSS為已經(jīng)創(chuàng)建的網(wǎng)絡(luò)模型，它儲存了網(wǎng)絡(luò)結(jié)構(gòu)、屬性等全部參數(shù);X，Y為預(yù)測模型的輸入、輸出向量，與預(yù)測樣本同維。用式（4），代入一個21維的輸入向量X，就可算出一個3維的預(yù)測向量Y;如果X是多個21維的輸入向量構(gòu)成的矩陣，則Y是多個3維預(yù)測向量構(gòu)成的矩陣。

用式（4）計算出的Y按“勝者通吃”原則換算為[1 0 0]或[0 1 0]或[0 0 1]后，與預(yù)測樣本的Y值（實測值）比較，以確定預(yù)測正確與否。在表4的樣本數(shù)據(jù)中，每4個樣本取1個，得預(yù)測樣本總數(shù)為67，H、E、C三種二級結(jié)構(gòu)預(yù)測樣本數(shù)分別為29、17、21，計算得對應(yīng)的比值為0.432 8、0.253 7、0.313 4，將這些比值和樣本數(shù)代換式（3）中相應(yīng)的比值和樣本數(shù)就得相應(yīng)的預(yù)測準確度計算式（省列），并計算PRPSS的預(yù)測準確度，見表5。H、E、C三種二級結(jié)構(gòu)預(yù)測準確度分別為0.79、0.65、0.71，整體預(yù)測準確度為0.72;對應(yīng)的擬合準確度分別為0.92、0.79、0.81，整體擬合準確度為0.85。

與以往同類研究比較，準確度有所提高。楊樹蛋白質(zhì)二級結(jié)構(gòu)的預(yù)測研究[10]，整體預(yù)測準確度為0.65，整體擬合準確度為0.71，H的擬合準確度為0.81;本文對水稻蛋白質(zhì)二級結(jié)構(gòu)的預(yù)測研究，整體預(yù)測準確度為0.72，整體擬合準確度為0.85，H的擬合準確度為0.92。

5 結(jié)論

針對蛋白質(zhì)結(jié)構(gòu)與功能預(yù)測在作物模式植物水稻中的研究較少，以國際蛋白質(zhì)數(shù)據(jù)庫中的水稻蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)為基礎(chǔ)，用人工神經(jīng)網(wǎng)絡(luò)建模方法研究了水稻蛋白質(zhì)二級結(jié)構(gòu)預(yù)測模型，得出以下結(jié)論。

1）根據(jù)蛋白質(zhì)二級結(jié)構(gòu)的研究目的，在PDB中先目測三維構(gòu)像中的二級結(jié)構(gòu)分布，選出具有代表性的蛋白質(zhì)樣本（5XQI）作為模型研究樣本，是一個可供參考的經(jīng)驗。

2）在字符數(shù)據(jù)的量化處理中，先用一種新型氨基酸描述子表征樣本的氨基酸結(jié)構(gòu)（每個氨基酸有16個描述子），再用主成分分析方法將16個描述子綜合為一個總的描述子的方法，能提高模型精度，并能簡化模型結(jié)構(gòu)，提高模型運行速度。

3）用標量構(gòu)建模型，便于模型結(jié)構(gòu)的理解和應(yīng)用。特別是用仿真函數(shù)表示的預(yù)測式，是一種超常規(guī)的數(shù)學表達，簡捷直觀，應(yīng)用方便。

4）模型的適宜結(jié)構(gòu)為21∶20∶3，即21個輸入層節(jié)點、20個隱含層神經(jīng)元、3個輸出層神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。

5）模型的總體擬合準確度為0.85，H、E、C三種二級結(jié)構(gòu)的擬合準確度分別為0.92、0.79、0.81;整體預(yù)測準確度為0.72，三種二級結(jié)構(gòu)的預(yù)測準確度分別為0.79、0.65、0.71。與以往同類研究比較，準確度有所提高。

參考文獻：

[1]蔣苑， 劉莉， 呂春芳， 等. 水稻葉色突變體812HS蛋白質(zhì)復(fù)合物和葉綠素合成特性的研究[J]. 江蘇農(nóng)業(yè)科學， 2016， 44（10）： 127-131.

[2] 陳露， 徐慧芳， 孟丹， 等. 硫化氫對水稻幼苗葉片中蛋白質(zhì)表達譜的影響[J]. 江蘇農(nóng)業(yè)科學， 2016， 44（11）： 81-84.

[3] 趙琳琳， 李楠， 呂志偉， 等. 野栽滲入系水稻籽粒儲藏蛋白質(zhì)含量的QTL遺傳解析[J]. 江蘇農(nóng)業(yè)科學， 2015， 43（3）： 50-53.

[4] 陳世建， 張振華， 諶興中， 等. 高蛋白質(zhì)雜交早稻新組合奧富優(yōu)655[J]. 雜交水稻， 2015， 30（1）： 86-87.

[5] 秦發(fā)亮， 劉文文， 李莉， 等. 利用酵母雙雜交技術(shù)篩選介體灰飛虱中與水稻條紋病毒病害特異蛋白互作的蛋白質(zhì)[J]. 中國農(nóng)業(yè)科學， 2014， 47（14）： 2784-2794.

[6] 牛東東， 郝育杰， 榮瑞娟， 等. 轉(zhuǎn)基因水稻中GUS蛋白質(zhì)的檢測及其表達特征[J]. 中國農(nóng)業(yè)科學， 2014， 47（14）： 2715-2722.

[7] 廖江林， 宋宇， 鐘平安， 等. 耐熱和熱敏感水稻應(yīng)答灌漿初期高溫脅迫過程中的差異表達蛋白質(zhì)鑒定[J]. 中國農(nóng)業(yè)科學， 2014， 47（16）： 3121-3131.

[8] 譚峰， 才巧玲， 馬志欣， 等. 基于拉曼光譜分析寒地水稻葉片的有機結(jié)構(gòu)[J]. 江蘇農(nóng)業(yè)科學， 2016， 44（4）： 358-361.

[9] 陳華夏， 申國境， 王磊， 等. 4個物種CCT結(jié)構(gòu)域基因家族的序列進化分析[J]. 華中農(nóng)業(yè)大學學報， 2010， 29（6）： 669-676.

[10]高光芹， 孟慶玲， 黃家榮. 楊樹蛋白質(zhì)二級結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)預(yù)測[J]. 西北林學院學報， 2014， 29（5）： 59-63， 69.

[11]高光芹， 黃家榮， 周俊朝， 等. 楊樹蛋白質(zhì)磷酸化位點預(yù)測[J]. 生物信息學， 2015， 13（3）： 165-169.

[12]孟慶玲， 黃家榮. 林木蛋白質(zhì)結(jié)構(gòu)預(yù)測研究綜述[J]. 遼寧林業(yè)科技， 2009（6）： 38-41.

[13]周俊朝. 楊樹蛋白質(zhì)二級結(jié)構(gòu)和磷酸化位點預(yù)測[D]. 鄭州： 河南農(nóng)業(yè)大學， 2016.

[14]李志良， 李根容， 舒茂， 等. 一種新型氨基酸拓撲結(jié)構(gòu)信息矢量及在肽定量構(gòu)效關(guān)系研究中的應(yīng)用[J]. 中國科學B輯： 化學， 2008， 38（8）： 745-754.

[15]黃家榮， 任誼群， 高光芹. 森林生長的人工神經(jīng)網(wǎng)絡(luò)建模[M]. 北京： 中國農(nóng)業(yè)出版社， 2006： 42-61.

（責任編輯：周曉南）

Prediction of Rice Protein Secondary Structure

GAO Guangqin1， WAN Xinsheng1， LI Xiao1， HUANG Jiarong2， WANG Xiaoran*3

（1.College of Science， Henan Agricultural University， Zhengzhou 450002， China; 2.College of Forestry， Henan Agricultural University， Zhengzhou 450002， China; 3.College of Life Science， Henan Agricultural University， Zhengzhou 450002， China）

Abstract：

In view of the scarcity of rice protein secondary structure prediction research， based on the international protein database， PDB， the representative protein （5XQI） was selected as a sample， and BP neural network modeling technology was applied to predict rice protein secondary structure. The results show that quantifying the first-order structure with amino acid descriptors and then synthesizing the descriptors with principal component analysis can simplify the model structure and improve the accuracy and speed of simulation prediction. The scalar artificial neural network model and simulation function prediction formula are constructed， simple and intuitive， easy to use. The appropriate model structure is 21∶20∶3， that is， the BP model structure has 21 input layer nodes， 20 hidden layer neurons and 3 output layer primitives. The overall fitting accuracy of the model is 0.85， and the fitting accuracy of H， E and C secondary structures is 0.92， 0.79 and 0.81， respectively.The overall prediction accuracy is 0.72， and the prediction accuracy of the three secondary structures is 0.79， 0.65 and 0.71， respectively.Compared with previous similar studies， the accuracy has been improved. This paper， employing a unique BP artificial neural network mathematical model， has provided a new method for studying the secondary structure of rice protein.

Key words：

rice;protein;secondary structure;prediction;BP neural network

1998500520337