基于二层特征筛选的HIV－1蛋白酶特异位点预测
袁啸尘2，钮 冰2，尹京苑 1，*
【摘 要】摘 要:在抗艾滋病治疗中，HIV－1蛋白酶抑制剂发挥着重要作用。对于HIV－1蛋白酶裂解作用位点的研究有助于找到新的治疗靶点。为了对HIV－1蛋白酶特异位点进行预测，本研究用氨基酸索引数据库(Amino Acid Index，AAIndex)中的531个氨基酸物理化学性质参数直接表征肽样本的结构，通过二层特征筛选，最终将4248个表征参数降为57个表征参数。分别采取四种核函数进行HIV－1蛋白酶特异位点的支持向量机(SVM)建模，并通过10折交叉验证及外部测试集方法来验证建模的准确性。结果表明选取NormalizePolyKernel核函数进行SVM建模效果优于其他核函数(PolyKernel、PUK、RBFKernel)，所建立的模型对于训练集的10组交叉验证预测准确率达到93.947%，对于外部测试集的预测正确率达到93.684%。 【期刊名称】生物信息学 【年(卷),期】2012(010)004 【总页数】6
【关键词】关键词:变量筛选;支持向量机;10折交叉验证;预测模型;HIV－1蛋白酶
1 引言
获得性免疫缺陷综合症(Acquired Immune Deficiency Syndrome，艾滋病，以下简称AIDS)是全球一大医学难题。人类免疫缺损病毒(Human Immunodeficiency Virus，以下简称 HIV)［1，2，3］被证实为 AIDS的致病原，其直径约120nm，大致成球形。病毒外膜是磷脂双分子层，来自宿主细胞，
并嵌有病毒的蛋白gp120与gp41。向内是由蛋白p17形成的球形基质，以及蛋白p24形成的半锥形衣壳。该病毒选择性地感染CD4细胞从而导致机体免疫缺陷。
自1981年首例AIDS病例发生以来，全球科学工作者们一直致力于寻找有效的治疗艾滋病的药物。根据Kramer等人［4］的研究结论，HIV－1蛋白酶可能作为 AIDS药物的突破点。HIV－1蛋白酶［5］是由两条相同的肽链组成的二聚体，每条肽链含99个残基。HIV－1蛋白酶可以裂解Tyr－Pro及Phe－Pro［6］等难以裂解的肽键。HIV－1蛋白酶在病毒复制过程中，HIV的前体蛋白裂解成各种结构和功能酶蛋白，阻止HIV前体蛋白的裂解是一条潜在的病毒抑制途径。HIV－1蛋白酶的活性在体内受到抑制后，产生的子代病毒将不成熟、不具传染性，因而可以有效地阻止病毒进一步感染。
HIV－1蛋白酶的活性部位有8个氨基酸(Amino Acid，以下简称 AA)残基［7］，分别为:S4 －S3 －S2－S1－S1’－S2’－S3’－S4’;有8个相应残基与其结合，分别为:P4－P3－P2－P1－P1’－P2’－P3’－P4’。每个残基位置可出现的氨基酸情况，如以20种常见氨基酸计，可形成2.56X108个肽分子，如逐个通过实验方法验证其裂解特性，工作量巨大。
随着生物信息技术的发展，对生命科学领域的海量数据进行数据挖掘，从而对研究起到推动、辅助，已成为一种重要的手段。在以往的研究中，Chou曾使用0/1氨基酸编码［8］HIV－1/HIV－2蛋白酶来进行其可裂解作用位点的预测，其方法固然直观有效，但对多肽序列表征方法失去一般性，并且难以进一步找出特征与其生化机理之间的联系。近来，也有学者致力于用人工神经网络［9，10，11，12］、KNN(K－ nearest neighbors)［13］算法来进行此方面
的建模预测工作。总体而言，现阶段可用于此方面研究的参数表征、特征筛选以及建模预测的方法很多，因此，此项工作仍有较大的探索发掘空间。 支持向量机(Support Vector Machine，以下简称SVM)是一种监督性的模式识别方法，近年来已被运用在蛋白质的亚细胞定位［14］、结构预测［15］、蛋白质相互作用［16］、蛋白质功能分类［17］等生物学领域。根据现有的结果，SVM建模在预测以上分类问题时相较于其他一些机器学习算法，往往具有一定的优越性。
本研究根据已有的关于HIV－1的文献报道结果，搜集8肽片段样本构建了训练集及外部测试集，并对所有样本的每个氨基酸残基，逐一用AAIndex(Amino Acid Index，氨基酸索引)的531个物理化学参数进行表征描述。对所得数据集进行特征筛选，减少其特征变量的数量，之后用4种核函数进行SVM建模并比较优劣，最终确定了较优的SVM建模参数。
2 材料和方法
2.1 数据集与参数表征
本文中，数据集选自于 Aleksejs Kontijevskis［18］及Chou［19］等相关报告中的8肽片段，共计样本570个，对于其中具有可作用裂解位点的样本，定义其为正样本，反之为负样本。从中随机选取380个为训练数据集，其中正样本159个，负样本221个;190个作为测试数据集，其中正样本80个，负样本110个。对每个8肽样本，逐一按其AA残基组成，用AAIndex中的531个物理化学参数进行表征，得到每个样本由4248个特征变量表征的数据集。 2.2 CFS特征选择算法(Correlation－based Feature Subset)
对于一个含有n个变量的数据集，其变量子集数为2n。从中寻找最优子集的最
基于二层特征筛选的HIV-1蛋白酶特异位点预测
