文摘

为了便于直观分析的蛋白质序列,一个新颖的蛋白质序列的图形表示形式称为ADLD (对齐对角线图)介绍了第一,然后提出了一个新的基于ADLD方法和利用分析相似/不同的蛋白质序列。与现有的方法相比,基于我们的ADLD方法被证明是有效的相似/不同分析蛋白质序列和有良好的直觉的优点,视像,简单。考试相似/不同的16个不同ND5蛋白质和29个不同的峰值蛋白质说明ADLD建立方法的效用。

1。介绍

同源性分析是一个热门话题在蛋白质序列分析。到目前为止,许多方法已经提出了蛋白质序列的同源性分析1- - - - - -3),其中一个有用的人是蛋白质序列的图形表示,这被证明是一个强大的视觉比较蛋白质序列的工具。

首先,介绍了图形表示方法表示的DNA序列的基础上多维空间(4- - - - - -7]。从图形获得序列不变量后,人们可以比较序列的序列比较基于不变量。图形表示方法提出了另一种方法直接比较的DNA序列,这是计算密集型的(即使是那些限制长度)(8]。蛋白质序列是在某种程度上类似于DNA序列,这是由不同的单位。因此,图形表示方法可以扩展到描述蛋白质序列明显。

目前,许多研究人员提出了不同的蛋白质序列的图形表示方法9- - - - - -24]。例如,冯和张25)建议Zp-curve基于氨基酸残基的疏水性和带电性质沿主序列。Randićet al。26]介绍了一个基于图形表示的蛋白质序列的图形表示形式三胞胎的DNA的室内广场或四面体是用来容纳64个网站的64密码子。白和王27派生的2 d图形表示的蛋白质序列基于核苷酸三联体密码子。姚明et al。(28]提出的2 d图形表示蛋白质的氨基酸序列基于两个分类。Abo血型el Maaty et al。29日)提出了一种新颖独特的3 d图形表示的蛋白质序列基于三个氨基酸侧链的物理化学性质。Abo-Elkhier介绍蛋白质序列的3 d图形表示基于锥的单元和单元高度基于蛋白质序列接口(30.]。El-Lakkani和谢里夫(31日)提出了一个蛋白质序列的图示帮助蛋白质序列的相似性分析基于2 d和3 d氨基酸邻接矩阵。马等。32]介绍了迭代函数系统(IFS)的家庭大纲2 d图形表示的蛋白质序列。

在大多数的现有方法,主要缺点是蛋白质序列图形的维数越高,越重的计算复杂性方法或蛋白质序列图的识别程度越低。例如,在中提出的方法(26,28),主要缺点是线路将相互交叉,这将降低图像的可见性。在中提出的方法29日- - - - - -31日),3 d图形的主要缺点是,似乎更复杂的比2 d图形和能见度较低,而且,此外,得到图形的序列不变量,需要构建复杂的矩阵,需要太多的计算和存储。

序列比对是一种安排方式的序列DNA, RNA,蛋白质或识别区域的相似性可能的功能,结构,或进化序列之间的关系33]。到目前为止,已经有很多种算法实现对序列比对34- - - - - -37]。这些方法通常是有效的但复杂和耗时。与对齐方法相比,现有的图形表示方法也可以显示蛋白质序列的内部结构,可以用来找到相似/不同可见根据他们的图形。在本文中,我们提出了一个新颖的方法来分析相似/不同结合序列比对的概念和图形表示方法在一定程度上避免这两种方法的缺点。

主成分分析(PCA)是一个标准的工具在多元数据分析来减少维度,已被证明是有效的在这个过程中蛋白质序列分析(38- - - - - -40]。因此,为了克服现有方法的主要缺陷,在本文中,一种新型蛋白质序列的图形表示形式称为ADLD (对齐对角线图)介绍了基于主成分分析,然后提出了一个新的基于ADLD方法和利用分析相似/不同的蛋白质序列。此外,验证我们的ADLD建立方法的有效性,我们采用它分析相似/不同的16个不同ND5蛋白质和29个不同的蛋白质,分别,广泛用作测试数据(16- - - - - -26]。分析结果表明,我们的方法不仅是视觉,直观、有效的蛋白质序列相似/不同分析的也很简单,因为没有高维矩阵需要构造。

2。材料和方法

2.1。蛋白质序列分析的过程的方法

在本节中,我们将说明我们的方法来分析蛋白质序列的整体过程如下。(1)选择相同的9每个氨基酸的不同属性和构造一个20×9矩阵的输入数据主成分分析算法的基础上,共20种不同的氨基酸。(2)根据主成分分析算法,我们可以获得一个独特的特性,为每一个氨基酸。(3)每个蛋白质序列的测试数据,我们将每个氨基酸在蛋白质序列替换为相应的独特特性,然后我们可以将蛋白质序列转换为一个数字序列。(4)对于任何两个数值序列,我们可以画一个图,名叫ADLD,然后抽象一些数值特征,可以用来分析这两个序列的相似/不同。

接下来,在部分2。2- - - - - -2。6我们将介绍的细节建设ADLDs和获得的一些数值特征。节3.1,我们将给该方法构造相似/不同的测试序列组。

2.2。氨基酸及其属性

蛋白质是由20种氨基酸,这些氨基酸有许多不同的物理化学和生物特性如分子量(),水疗法指数(),值终端羧基氨基酸组(),值末端氨基酸组(),等电点()、溶解性(),三联体密码子的数量(),人类蛋白质的频率(),侧链的范德华半径()。的名称和符号价值的20种氨基酸和他们的主要性质见表91。

2.3。主成分分析

主成分分析(PCA)是一种常见的降维技术和模式识别在高维数据集41]。主成分分析的主要目的是分析数据来识别模式和发现模式来减少数据集的维以最少的信息丢失。进行主成分分析的一般步骤如下。

步骤1。为样品,假设每个有组件,让为,然后构造一个矩阵根据以下公式:
接下来,基于矩阵,构造相应的标准化矩阵根据以下公式: 在哪里),,,,因为和。

步骤2。基于矩阵,构建相关矩阵根据以下公式: 我们在哪里可以找到呢为和。

步骤3。从相关矩阵,获得其特征值和相应的特征向量 分别。从现在开始,我们可以获得主成分为如下:

步骤4。为每个主成分为,获得其贡献率 和累积贡献率 分别按照下列公式:
一般来说,为了降低计算复杂度,我们只能保持第一()主成分的累积贡献率th主成分要满足这一事实%。

第5步。为,让 然后,为每个,我们可以获得的总分th示例如下:

2.4。PCA的氨基酸

观察表1,如果我们考虑到20种氨基酸20个不同的样品,每个氨基酸为9的9属性的组件,然后,根据进行主成分分析的一般步骤所示部分2。3,我们可以获得20×9的矩阵及其标准化矩阵,9×9的关联矩阵,9个主成分。因此,如表中所示2,我们可以获得的9个特征值贡献率和累计贡献率的9个主要组件,分别。

从表2我们可以看到,第一个4个主成分的累积贡献率达到0.8588(= 85.88%),已超过85%。因此,我们只能保持第一4个主成分。让是4个特征值对应于第一个4个主成分,分别;然后,如表中所示34,我们可以获得特征向量4对应的特征值分开。

基于表34,我们可以获得第一个主成分如下:

观察上面的4个公式中,很容易发现,有三大系数的公式,0.5036(对应),0.4377(对应),0.4349(对应),分别。因此,它意味着等三个属性,,将有一个重要的角色在第一主成分。同样,我们也可以知道等三个属性,,将有一个重要的角色在第二主成分,第三主成分主要是由和和第四主成分与密切相关和等等。因此,我们可以获得的总得分20种氨基酸如表中所示4根据公式(9)。

2.5。数值序列的蛋白质序列

让和假设代表一个蛋白质序列氨基酸,为;然后我们可以获得一个数字序列对应的蛋白质序列通过每个氨基酸替换在其相应的价值为。

例如,考虑以下3缩写蛋白质序列:胡= MTMHTTMTTL,气油比= MTMYATMTTL,详细的= MKVINISNTM。

根据上面的描述和表4,那么我们就可以获得相应的数值序列如下:

2.6。asd和ADLDs蛋白质序列对

对于一个给定的蛋白质序列对(),假设的蛋白质序列包括氨基酸,包括氨基酸,;然后,为了测量它们之间的相似和不同,在本节中,我们将提出一种新方法对齐散点图(ASD)绘制两个序列的散点图。为了方便起见,我们称之为点在ASDalignment-plots(APs)。蛋白质序列对ASD (可以通过以下步骤)。

步骤1。根据给出的方法2。5,翻译的蛋白质序列对()为两个数值相同的序列长度如下:

步骤2。让是调整宽度(AW)的蛋白质序列对();也就是说,让,;然后,对任何氨基酸在蛋白质序列,我们将对这些进行比较氨基酸在蛋白质序列,然后可以简单的定义如下: 在哪里是一个给定的阈值,保证蛋白质序列对的哦()将不会太小让协会的内部结构蛋白质序列对()。在实际应用程序中,我们建议应不少于10。

步骤3。让是不同程度上(DD)两种氨基酸;也就是说,如果,就意味着两个氨基酸是相同的;否则,它意味着两个氨基酸不同于在某种程度上,然后APs ASD的蛋白质序列对()可以简单定义如下: 在哪里,,亥维赛功能,可以定义如下:
此后,我们可以获得一个一致性矩阵()如下:

步骤4。为元素排列矩阵,我们可以画出点- - - - - -飞机的这些元素与和。为了方便起见,我们称之为获得图对齐散点图(ASD)的蛋白质序列对()。

例如,考虑到三个β球蛋白的蛋白质序列的黑猩猩(基因库AAA16334.1):人类基因库:CAA26204.1],和大猩猩(基因库CAA43421.1):从基因库,获得分别,我们说明的asdβ球蛋白的蛋白质序列(人类,黑猩猩)和一对β球蛋白的蛋白质序列(人类,大猩猩)的数据1(一)和1 (b)分开,让。

从图1,很容易看到有大量的无序点在这些自闭症,这将降低视像asd非常,阻碍我们的区分蛋白质序列之间的相似/不同对直观地观察这些自闭症。因此,为了改善自闭症的直觉,我们将提出一个简化的ASD的变异图,这叫做对齐对角线图(ADLD)。

为了方便起见,在ASD,我们称其主要对角线动脉跟踪(at)和线平行的主对角线路径的跟踪分别(BTs)。此外,我们定义一组与不少于组成连续APs在或BTs帽,是一个给定的阈值。

对于一个给定的帽帽₁,如果没有帽帽₂令人满意的,然后我们所说的帽子₁最高上限。为了方便起见,我们称之为线由连接所有的APs的最大上限类似的片段(旧金山),同时我们叫上所有的APs在任何SFs但不是自由点(FPs)。

显然,ASD,只要保持所有的SFs和FPs和省略那些其他APs,然后我们将获得一个简化的ASD的变异图,为了方便起见,我们叫它对齐对角线图(ADLD)。显然,如果,然后一个ADLD将沦为一个自闭症。因此,在实际应用中,我们建议将不少于2。特别是,为了找到更准确的SFs ADLD的蛋白质序列,蛋白质的序列在蛋白质序列的时间越长对更大的价值应。

为便于分析,ADLD,假设不同的SFs和在不同的帧,不同的BTs定位高于其在,不同的BTs低于其在定位;然后我们得到以下。(1)对于这些不同的SFs和在FPs的ADLD不同,我们将这些数量SFs和FPs从左到右和利用和代表这些SFs和单独FPs。,此外,我们还将调用这些SFs ADLD asf的。(2)对于这些不同BTs定位在上面,我们将这些BTs从数量和利用分别代表这BTs,不同BTs定位在下面,我们将这些BTs从数量和利用分别代表这些BTs。(3)为每一个,在那里,假设不同的SFs;然后我们将这些数量从左到右SFs和利用分别表示这些SFs。,此外,我们还将调用这些SFs的BTs ADLD生物沙子饮用水过滤系统。

根据上述假设,在图2,我们展示了两个ADLDs asd见对应的数字1(一)和1 (b)而让。此外,ADLDs更多视觉和直观,在图2,我们使用红”“代表的FPs和蓝线代表的SFs BTs或。

从图2(一个),很容易看到,有两个SFs的ADLD序列一对(人类,黑猩猩);一个是,即点的线段重要的是,另一个是,即点的线段重要的是。此外,有完全6 FPs ADLD,,,,,,,分别。

观察图2 (b),我们可以很容易地发现还有两个SFs的ADLD序列(人类,大猩猩)。但是,不同于图2(一个),这两个SFs图2 (b)都是asf;一个是,即点的线段重要的是,另一个是,即点的线段重要的是。此外,两个asf图2 (b)由一个差距,存在没有FPs或生物沙子饮用水过滤系统或BTs。

通过分析,我们可以知道,对于一个给定的蛋白质序列,如果存在一些缺失或插入两个蛋白质序列之间的氨基酸片段,然后将存在一些失调的SFs ADLD;也就是说,一些asf BTs将转化为生物沙子饮用水过滤系统一些。,此外,如果存在一些替换两个蛋白质之间的氨基酸序列,然后,ADLD,会存在一些差距两个相邻SFs或FPs。此外,如果存在插入、删除或替换的氨基酸片段的最后两个蛋白质序列,然后,在他们ADLD,会存在没有SFs或FPs BTs或。

从上面的描述,很容易知道ADLD上面获得的任何蛋白质序列对我们的方法反映了一些内部和具体差异这两个蛋白质序列在给定的蛋白质序列,这可能是有用的蛋白质序列相似/不同分析的对。

3所示。结果与讨论

3.1。蛋白质序列的相似/不同分析方法基于ADLDs

根据上面的分析,我们已经知道ADLDs可能是有用的在分析蛋白质序列的内在结构的差异对。在本节中,我们将展示如何利用ADLDs分析相似/不同的一组蛋白质序列。

一般来说,假设有蛋白质序列;然后在应用ADLDs分析相似/不同的这些这些序列,相似/不同矩阵可以通过下面的步骤序列。

步骤1。根据给出的方法2。5,把这些蛋白质序列进数值序列。

步骤2。对于一个给定的蛋白质序列,,通过采用方法,我们可以获得他们ADLD提出了部分2。6,然后我们可以获得所有的SFs(包括asf和生物沙子饮用水过滤系统)和ADLD FPs。因此,我们可以获得这些asf的长度,这些生物沙子饮用水过滤系统的长度,分别和这些帧的数量。

步骤3。假设有完全不同的asf如,不同的生物沙子饮用水过滤系统如,不同的FPs如ADLD。此外,对于每一个和,让他们的长度和分别在哪里和;然后我们可以定义相似度()如下:
因此,根据这些蛋白质序列,我们可以获得一个匹配矩阵()如下: 在哪里

步骤4。基于匹配矩阵和它的所有组件,在那里和,那么我们就可以获得一个相似/不同矩阵()这些蛋白质序列如下: 在哪里

根据上面的步骤,我们通过一个例子实现ADLDs分析相似/不同的16 ND5蛋白(见表5),而让并说明结果相似/不同的矩阵表6。

观察表6,很容易发现,有一些类似的双如(c-chim pi-chim)的距离0.0510(人类,c-chim)的距离0.0814(人类,pi-chim)的距离0.0720(大猩猩,c-chim)的距离0.0865(大猩猩,pi-chim)的距离0.0833,(长须鲸,蓝鲸)的距离0.0324。其中,负鼠似乎是一个独特的哺乳动物,因为之间最短的距离和剩下的哺乳动物多0.4023。很明显,结果是符合事实,负鼠是最偏远的物种从剩下的哺乳动物。

此外,背带似乎比负鼠更特殊,因为之间最短的距离,剩下的动物多0.4423,这是比0.4023(负鼠和剩下的哺乳动物)之间最短的距离。很明显,结果是符合事实,背带不是一种哺乳动物。

因此,很明显,结果见表6是完全符合进化的已知事实的结果。也就是说,我们基于ADLDs方法可以利用作为一个有效的方法来分析蛋白质序列的相似/不同。

3.2。蛋白质序列的系统发育树基于ADLDs

一个种系发生树是一个图,是用来代表生物体的进化关系被认为是一个共同的祖先,这是一种常用的工具,在某些领域的研究者,帮助他们分析不同物种的集群。

显然,只有通过观察相似/不同矩阵见表6,我们会发现它不是很方便区分相似/不同的蛋白质序列。因此,为了显示相似/不同的蛋白质序列更生动和直观,根据相似/不同矩阵见表6,那么我们将构建的系统发育树上面16 ND5蛋白质通过采用软件超级6.06提供的田村et al。41),结果如图3。

从图3,很明显,我们不仅可以发现这些16 ND5蛋白质序列的进化关系可视化,直观但也知道很容易构建的系统树与已知事实的结果是一致的在某种程度上的进化。

进一步验证我们的ADLDs建立方法的性能,我们应用方法分析相似/不同的冠状病毒的另一组蛋白质包括29日峰值蛋白质相比,我们的方法与方法提出的温家宝和张(17)在此基础上给出16 ND5蛋白质和以下29蛋白质,分别。29日峰值蛋白质的基本信息见表7。

29日的峰值蛋白质见表7,我们构建系统树图4。自峰值蛋白质序列很长(超过1100个氨基酸),因此,在仿真中,我们设置为了避免噪声点的影响。

一般来说,冠状病毒总是可以分为四类,如我组,第二组,第三组,冠(严重急性呼吸系统综合症冠状病毒)。这四个类之间,我包含了犬冠状病毒(CCoV)猫科动物冠状病毒(FCoV)人类冠状病毒229 e (hcov - 229 e)猪流行性腹泻病毒(PEDV),传染性胃肠炎病毒(TGEV)。第二组包括牛冠状病毒(BCoV),人类冠状病毒OC43 (HCoV-OC43)小鼠冠状病毒,鼠肝炎病毒(MHV),猪红血球凝聚性脑脊髓炎病毒(HEV),大鼠冠状病毒(RtCoV)。第三组包含禽传染性支气管炎病毒(IBV)和土耳其冠状病毒(TCoV)。

通过观察图4,很容易知道29日飙升冠状病毒的蛋白质可以完全由我们ADLDs分为上述四类基础方法。

最后,为方便比较,我们说明上述给定的系统发育树29飙升的蛋白质冠状病毒和16 ND5蛋白质,由温采用提出的方法和张17),在图5和6,分别。

比较图3与图6和图4与图5很明显,分别提出的系统发育树的方法获得的温家宝和张很不合理,不符合进化论的已知事实。但是,相反,我们获得的系统发育树ADLDs基础方法不仅很合理,也符合进化在某种程度上的已知事实。因此,毫无疑问,我们的方法的性能比这更好的方法提出的温家宝和张。

3.3。直觉和分析ADLDs的视像

节2。6,我们已经指出,蛋白质序列对的ADLDs直观和视觉。在本节中,我们将进一步讨论直觉和视像ADLDs的细节。

从表6等,我们可以获得一些类似双(长须鲸,蓝鲸),(pi-chim c-chim),(人类,c-chim),(吱,山羊),(人类,pi-chim)和(兔子,兔子)等不同的双(人类,负鼠)和(人类,背带),在上面给16 ND5蛋白质。从这些相似/不同的对,我们将选择三对包括(人类,大猩猩),(人类,负鼠)和(人类,背带)为例,进一步显示的直觉和视像ADLDs这三个蛋白质序列对。这三个相似/不同对的ADLDs见图7,而让。

观察图7的总长度,我们可以清楚地发现所有这三个ADLDs SFs的满足所有的SFs的总长度ADLD图7(一)>所有的SFs的总长度ADLD图7 (b)>所有的SFs的总长度ADLD图7 (c)。因此,我们可以直观地识别相似的蛋白质在这三个蛋白序列对满足对蛋白质的相似性(人类,大猩猩)>相似的蛋白质在两人(人类,负鼠)>相似的蛋白质对(人类,背带)。

此外,从图7直观上,我们也可以发现两个蛋白质序列的蛋白质序列一对(人类,大猩猩)非常相似,因为所有的SFs的总长度ADLD图7(一)看起来很长。但是,相反,我们可以直观地识别两个蛋白质序列的蛋白质序列对(人类,负鼠)或蛋白质序列对(人类,背带)显然是不同的,因为所有的SFs的总长度ADLD图7 (b)ADLD的图7 (c)看起来很短。

通过统计,我们可以知道实际的总长度的SFs ADLDs这三个蛋白质序列对(人类,大猩猩),(人类,负鼠),(人类,背带)是556年,288年和248年,分别。

此外,观察数据2(一个)和2 (b),我们几乎能区分所有的SFs的总长度(包括asf和净水器的ADLD图2(一个)ADLD的图2 (b),因为所有的SFs的总长度这两个ADLDs看起来几乎一样。通过统计,我们可以知道所有的SFs的实际总长度的ADLDs数字2(一个)和2 (b)分别是123和120,非常接近对方。但是,通过比较图2(一个)与图2 (b)更仔细,我们可以进一步发现,不同于图2 (b),除了SFs,还有6种ADLD FPs的人物2(一个),而没有ADLD FPs的图2 (b);因此,我们可以直观地识别这两个蛋白质序列的蛋白质序列一对(人类,黑猩猩)更类似于蛋白质序列中的两个蛋白质序列(人类,大猩猩)。

因此,从上面的描述,我们可以知道ADLDs通过新方法相当视觉和直观的,可能是一个强大的和有效的工具的视觉比较蛋白质序列和数字序列在其他研究领域。

4所示。结论

本文基于小说ADLDs蛋白质序列的图形表示形式,提出了利用分析相似/不同的蛋白质序列。验证新方法的性能,我们选择两组有名的蛋白质序列为例,,此外,为了观察相似/不同的蛋白质序列更直观,我们构建蛋白质序列的系统发育树。结果表明,基于我们的ADLDs方法不仅具有良好的性能和效果相似/不同的蛋白质序列分析,也不需要复杂的计算,因为有不需要高维矩阵。因此,这意味着我们的ADLDs建立方法可以在蛋白质序列的分析工作。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢匿名裁判建议,有助于大幅提高纸。和项目部分由湖南省高校开放创新平台基金(没有。13 k041),中国湖南省自然科学基金(没有。14 jj2070),湖南省重点学科的建设项目,国家教育部科学研究基金会归侨学者,湘潭大学引进人才创业基金项目(没有。11 qdz45)。