NR-2L：基于序列衍生特征识别核受体亚家族的两级预测因子

1.基准数据集

从核受体数据库（NucleaRDB 5.0版）中收集蛋白质序列http://www.receptors.org/NR网站/，这是一个项目的一部分，该项目致力于构建分子类别特定信息系统（MCSIS），以提供、传播和获取异构数据[4]数据库收集并收集了标记有(1)NR1：甲状腺激素样（甲状腺激素、维甲酸、RAR相关孤儿受体、过氧化物酶体增殖物激活、维生素D3样），(2)NR2:HNF4样（肝细胞核因子4、维甲酸X、无尾样、COUP-TF样、USP）(三)NR3：类雌激素（雌激素、雌激素相关、糖皮质激素类）(4)NR4：神经生长因子IB样（NGFI-B样）(5)NR5:fushi tarazu-F1类(6)NR6：生殖细胞核因子样（生殖细胞核因子），以及(7)NR0：刀样（刀，刀相关，胚胎性腺蛋白，ODR7，三胸）和DAX样（DAX，SHP）。有关数据库的详细信息，请参阅NucleaRDB(http://www.receptors.org/NR网站/). 因为NucleaRDB没有以FASTA格式提供核受体序列，所以我们在指定的URL处读取Web内容，并通过文本传递方法提取所有条目。最初的数据集有727个序列，属于7个核受体亚家族。为了避免任何同源性偏差，CD-HIT程序设置了冗余截断，以筛选那些具有以下特征的序列与除NR6亚家族外的同一亚群中的任何其他亚群的成对序列同一性，因为它只包含5个核受体蛋白序列[10]。如果也对该类执行了冗余截止操作，则剩下的样本太少，不会有任何统计意义。最终基准数据集，，因此获得的包含159个序列，分为7个不同的NR亚科，如 表1 ，其中在训练预测员识别非NR。蛋白质序列在UniProt上随机收集网址：http://www.uniprot.org/根据他们在“关键字”字段中的注释，然后进行类似的冗余切断操作，以确保有将序列标识与任何其他标识配对。由此获得的基准数据集的登录号和序列和在中给出支持信息S1同时，为了演示当前预测器的实际应用，相应的独立测试数据集和也建造了(表1)在某种程度上，测试数据集中没有任何蛋白质出现在和.独立测试数据集的登录号和序列和在中给出支持信息S2有必要指出，从这些独立数据集得出的结果只是一种证明，不能用于客观衡量预测值的准确性；测量预测器准确性的真正标准应基于折刀试验，稍后将详细说明。

表1。学习数据集的细分和测试数据集.

属性	培训数据集
	设置	子家族	子集	编号
尼泊尔卢比		尼泊尔卢比1		50
		尼泊尔卢比2		36
		尼泊尔卢比3		37
		尼泊尔卢比4		7
		尼泊尔卢比5		12
		尼泊尔卢比6		5
		尼泊尔卢比		12
非NR		不适用	不适用	500
	独立测试数据集
尼泊尔卢比		尼泊尔卢比1		231
		尼泊尔卢比2		127
		尼泊尔卢比3		148
		尼泊尔卢比4		23
		尼泊尔卢比5		33
		编号6		0
		尼泊尔卢比		6
非NR		不适用	不适用	500

在新选项卡中打开

2.序列衍生特征

如中所述[9]，要开发一种用于识别蛋白质属性的预测器，关键之一是用一个有效的数学表达式来表达蛋白质样本，该表达式能够真正反映它们与待预测属性的内在相关性。

蛋白质序列具有L（左）氨基酸残基可以表示为

(1)

为了从蛋白质序列中获取尽可能多的有用信息，我们将从四个不同的角度来处理这个问题，然后将由此获得的特征元素合并到PseAAC的一般形式中[9].

2.1氨基酸组成（AAC）

如引言中所述，AAC被广泛用于将蛋白质序列转换为20-D（维）数值向量（参见，例如。，[11],[12],[13],[14]). 蛋白质的AAC定义为该蛋白质中20个氨基酸的标准化出现频率；即。，

(2)

哪里每个对应于20种天然氨基酸类型中的一种，以及类型的数量蛋白质中的氨基酸；虽然是转置运算符。

2.2二肽组成（DC）

传统的二肽（氨基酸对）组成用于捕获蛋白质序列的局部顺序信息，该序列给出固定的模式长度400（20×20）[15].每种二肽的分数公式如下

(3)

哪里是u个-th二肽。此外，表达序列间隙大于二肽对的氨基酸的相互作用( 图1 )，让我们考虑以下一般方程

(4)

哪里克 = 0、1、2或更大，以及是u个-th二肽克两个残留物之间的间隙。什么时候？，式4简化为式3，即传统二肽的配方。因此，具有不同间隙的二肽组合物通常可以公式化为

(5)

哪里是gap二肽的归一化出现频率.由于本地残留物之间的耦合效应通常强于远程残留物[16],[17]，这里让我们考虑一下和1分别用DC（0）和DC（1）表示。因此，我们得到用于使用DC配制蛋白质样品的元件，其中400个元件来自DC（0），400个元件来自DC（1）。

2.3复杂性因素（CF）

蛋白质序列实际上是一个符号序列，其复杂性度量因子可以用来反映其序列特征或模式，并已成功用于某些蛋白质属性预测[18]在已知的复杂性度量中，Lempel-Ziv（LZ）复杂性[19]反映了序列中保留的顺序，因此被本研究采用。

序列的LZ复杂性可以通过在某一过程中合成它所需的最少步骤来衡量。对于每个步骤，流程中只允许两个操作：要么生成一个额外的符号，以确保每个组件的唯一性或从合成序列的部分复制最长的片段。其子字符串表示为

(6)

复杂性度量因子，，根据以下程序合成的非空序列的定义为

(7)

让我们假设已被程序重建到剩余部分、和已新插入。最大字符串为将用表示，其中点表示新插入以检查字符串的其余部分可以通过简单的复制来重建。首先，假设，看看是否可从中复制，这意味着删除字符串中的最后一个字符。如果答案是“否”，则插入到后面跟着一个点的序列中。因此，无法通过复制操作获得。如果答案是“是”，则不需要新符号，我们可以继续并重复相同的步骤。LZ复杂性是点数（如果字符串没有以点结尾，则加一）。例如，对于序列，合成的LZ模式生成以下组件以及相应的复杂性:

（8）

2.4傅里叶频谱成分（FSC）

给定蛋白质序列，假设是第一个残留物的特定物理化学性质值,第二渣油等等。根据这些属性值，蛋白质序列可以转换为数字信号，我们对其进行离散傅里叶变换，获得频域值，

(9)

哪里j个表示虚数。对于每个我们可以计算它的振幅分量和相位分量

(10)

(11)

在哪里？防抱死制动系统获得复数幅值和角获取相位角。因此，我们可以生成2L离散傅里叶谱数，如下所示：

(12)

第2个L（左）傅里叶谱数字包含有关数字信号的大量信息，因此也可以用来反映蛋白质序列顺序的特征。此外，在L（左）相位分量，高频分量噪声更大，因此只有低频分量更重要。这就像蛋白质内部运动一样，低频成分在功能上更为重要[20].因此，对于某些物理化学性质，我们只需要考虑1^标准10相分量及其相应的振幅，即。

(13)

至于物理化学性质值，我们采用了每个组成氨基酸的疏水性，以及其亲水性和侧链质量，如[6]。这些值可以从网站获取，网址为http://www.csbio.sjtu.edu.cn/bioinf/PseAAC/PseAAReadme.htm因此，我们可以得到60个傅里叶谱分量。

2.5特征融入伪氨基酸成分（PseAAC）

最后，我们共获得881个特征元素，其中20个来自AAC，800个来自DC，1个来自CF，60个来自FSC。因此，根据PseAAC的一般公式（参见[9])，蛋白质样本可以通过以下公式表示为881-D载体

(14)

哪里

（15）

哪里是氨基酸组成，是来自二肽组成、复杂性因子和傅里叶谱分量的剩余861（=881-20）个特征元素；是权重因素。在这项研究中，DC的所有特征元素的权重因子设置为20，对于来自CF的人员，以及对于FSC人员。

2.6模糊K最近邻（FKNN）分类器

这个K（K）-最近的邻居(K（K）-NN）规则[21]是执行非参数分类的最简单但功能强大的方法之一。的主要思想K（K）-NN可以表示为：给定一个标签未知的测试样本，其标签是根据其标签分配的K（K）训练集中最近的邻居。最近K（K）-神经网络分类器已成功用于预测蛋白质亚细胞定位[22]，膜蛋白类型，蛋白酶类型，以及许多其他蛋白质属性（参见最近综述中引用的一长串论文[9]). 为了直观地说明如何K（K）-NN分类器工作，见图5[9].

模糊的K（K）-NN分类方法[23]是K（K）-NN分类系列。而不是根据来自K（K）最近邻，它试图估计表示查询样本属于相关类的程度的隶属度值。显然，任何特征描述都不可能包含完整的信息，这会导致分类不明确。有鉴于此，模糊原理在这种情况下是非常合理和特别有用的。

假设是表示训练集中的蛋白质类：，其中表示我-第个类。因此，对于查询蛋白，它的模糊隶属度值我-第h类由以下公式给出：

(16)

哪里K（K）是计算的最近邻居的数量；是蛋白质的模糊隶属值到我-th类（如果是; 否则为0）；是查询蛋白之间的距离及其j-th最近蛋白在训练数据集中；和是模糊系数，用于确定在计算每个最近邻居对成员值的贡献时，距离的权重有多大。可以为例如欧几里德距离、汉明距离和马氏距离[11],[24]本文使用了欧几里德度量。的值和稍后将提到。计算完查询蛋白的所有成员身份后，将其分配给具有最高成员身份值的类；即查询蛋白的预测类应该是

(17)

哪里是的论点最大化.

由此建立的预测器称为NR-2L型，其中“2L”表示由两层组成的预测。第1个^标准层是将查询蛋白识别为NR或非NR；如果是NR，则2^第图层将自动继续，以进一步识别七个子家族中的NR。为了提供直观的图片，以下给出了显示分类器工作过程的流程图 图2 .