一种基于Top-n-gram的蛋白质远程同源性检测和折叠识别方法

摘要

一种基于Top-n-gram的蛋白质远程同源性检测和折叠识别方法，涉及一种蛋白质远程同源性检测和折叠识别方法。本发明为了解决现有的蛋白质远程同源性检测和折叠识别方法中，二进制谱无法找到最优阈值，无法区分氨基酸出现频率的差别的问题。具体步骤：一、运行PSI-BLAST，输入测试蛋白质序列进行多序列比对，计算氨基酸i的伪计数；二、生成频率谱；三、将频率谱转化为Top-n-gram；四、获得测试蛋白质序列对应的潜在语义表达向量；五、将测试蛋白质序列对应的潜在语义表达向量输入SVM分类器进行分类，得到预测结果。应用于蛋白质同源性检测和折叠识别领域。

主权项

一种基于Top‑n‑gram的蛋白质远程同源性检测和折叠识别方法，其特征是，它的具体步骤为：步骤一：运行PSI‑BLAST，输入测试蛋白质序列进行多序列比对，计算氨基酸i的伪计数gi： g i = Σ j = 1 20 f i * ( q ij / p j ) 其中fj是氨基酸j的观测频率，pj是氨基酸j的背景频率，qij是氨基酸i和氨基酸j之间对应的替换矩阵的分数；步骤二：根据氨基酸i的伪计数生成频率谱；步骤三：将频率谱转化为Top‑n‑gram；步骤四：通过统计每种Top‑n‑gram出现的次数，将测试蛋白质序列转化为固定长度的向量，然后构建词‑文档矩阵W；步骤五：对生成的词‑文档矩阵W进行奇异值分解，获得测试蛋白质序列对应的潜在语义表达向量；步骤六：将测试蛋白质序列对应的潜在语义表达向量输入SVM分类器进行分类，SVM分类器赋给测试蛋白质序列一个分数，分数值大于0的测试蛋白质序列具有同源性或折叠，从而得到预测结果。