1、第 7 章 蛋白质结构预测一种生物体的基因组规定了所有构成该生物体的蛋白质，基因规定了蛋白质的氨基酸序列。虽然蛋白质由氨基酸的线性序列组成，但是它们只有折叠成特定的空间构象才能具有相应的活性和生物学功能。了解蛋白质的空间结构不仅有利于认识蛋白质的功能，也有利于认识蛋白质是如何执行其功能的。确定蛋白质的结构对于生物学研究是非常重要的。目前，蛋白质序列数据库的数据积累的速度非常快，但是已知结构的蛋白质相对比较少。尽管蛋白质结构测定技术有了较为显著的进展，但是通过实验方法确定蛋白质结构的过程仍然非常复杂，代价较高，因此实验测定的蛋白质结构比已知的蛋白质序列要少得多。另一方面，随着 DNA 测序技术的
2、发展，人类基因组及更多的模式生物基因组已被或将被完全测序，DNA 序列数量将会急增，而由于 DNA 序列分析技术和基因识别方法的进步，我们可以从 DNA 推倒导出大量的蛋白质序列。这意味着已知序列的蛋白质数量和已测定结构的蛋白质数量（如蛋白质结构数据库 PDB 中的数据）的差距将会越来越大。人们希望产生蛋白质结构的速度能够跟上产生蛋白质序列的速度，或者减小两者的差距。那么如何缩小这种差距呢？不能完全依赖现有的结构测定技术，需要发展理论分析方法，这对蛋白质结构预测提出了极大的挑战。20 世纪 60 年代后期，Anfinsen 首先发现去折叠蛋白或者说变性(denatured)蛋白质在允许重新折叠
3、的实验条件下可以重新折叠到原来的结构，这种天然结构(native structure)对于行使生物功能具有重要作用，大多数蛋白质只有在折叠成它们天然结构的时候才能具有完全的生物活性。自从Anfinsen 提出蛋白质折叠的信息隐含在蛋白质的一级结构中，科学家们对蛋白质结构的预测进行了大量的研究，分子生物学家将有可能直接运用适当的算法从氨基酸序列出发，预测蛋白质的结构。本章主要着重介绍蛋白质二级结构及空间结构预测的方法。7.1 引言基因是生命的蓝图，蛋白质是生命的机器。来自于四种字符字母表（A，T（U） ，C，G）的核酸序列中蕴藏着生命的信息，而蛋白质则执行着生物体内各种重要的工作，如生物化学反应
4、的催化、营养物质的输运、生长和分化控制、生物信号的识别和传递等工作。蛋白质序列由相应的核酸序列所决定，通过对基因的转录和翻译，将原来四字符的 DNA 序列，根据三联密码翻译成 20 字符的蛋白质氨基酸序列。蛋白质具有不同的长度、不同的氨基酸排列和不同的空间结构，实验分析表明蛋白质能够形成特定的结构。蛋白质中相邻的氨基酸通过肽键形成一条伸展的链，肽链上的氨基酸残基形成局部的二级结构，各种二级结构组合形成完整的折叠结构。蛋白质分子很大，其折叠的空间结构会将一些区域包裹在内部，而将其它的区域暴露在外。在蛋白质的空间结构中，序列上相距比较远的氨基酸可能彼此接近。在水溶液中，肽链折叠成为特定的三维结构。
5、主要的驱动力来自于氨基酸残基的疏水性，氨基酸残基的疏水性要求将氨基酸疏水片段放置于分子的内部。图 7.1（a）是酪氨酸磷酸酶的蛋白质序列，图 7.1（b）是对应的二级结构，其中 H 代表螺旋，E 代表折叠，B 表示 桥，G表示 310 螺旋，I 表示 螺旋，T 表示氢键转角，S 代表转向，图 7.1（c）显示的是该蛋白质的折叠结构。研究蛋白质的结构意义重大，分析蛋白质结构、功能及其关系是蛋白质组计划中的一个重要组成部分。研究蛋白质结构，有助于了解蛋白质的作用，了解蛋白质如何行使其生物功能，认识蛋白质与蛋白质（或其它分子）之间的相互作用，这无论是对于生物学还是对于医学和药学，都是非常重要的。对于
6、未知功能或者新发现的蛋白质分子，通过结构分析，可以进行功能注释，指导设计进行功能确认的生物学实验。通过分析蛋白质的结构，确认功能单位或者结构域，可以为遗传操作提供目标，为设计新的蛋白质或改造已有蛋白质提供可靠的依据，同时为新的药物分子设计提供合理的靶分子及结构。1AAX:_ PROTEIN TYROSINE PHOSPHATASE 1B （321 ）MEMEKEFEQIDKSGSWAAIYQDIRHEASDFPCRVAKLPKNKNRNRYRDVSPFDHSRIKLHQEDNDYINASLIKMEEAQRSYILTQGPLPNTCGHFWEMVWEQKSRGVVMLNRVMEKGSLKCAQY
7、WPQKEEKEMIFEDTNLKLTLISEDIKSYYTVRQLELENLTTQETREILHFHYTTWPDFGVPESPASFLNFLFKVRESGSLSPEHGPVVVHSSAGIGRSGTFCLADTCLLLMDKRKDPSSVDIKKVLLEMRKFRMGLIQTADQLRFSYLAVIEGAKFIMGDSSVQDQWKELSHEDLEPPPGHIPPPPRPPKRILEPHN（a ）H=helix;B=residue in isolated beta bridge; E=extended beta strand; G=310 helix; I=pi helix; T=hydro
8、gen bonded turn; S=bend（b）（c）图 7.1 酪氨酸磷酸酶的序列及结构。 （a）氨基酸序列；（b）二级结构；（c）空间结构。生物信息学的一个基本观点是：分子的结构决定分子的性质和分子的功能。因此，生物大分子蛋白质的空间结构决定蛋白质的生物学功能。但是，蛋白质的空间结构又是由什么决定的呢？当一个蛋白质的空间结构被破坏以后，或者蛋白质解折叠，可以恢复其自然的折叠结构。大量的实验结果证明：蛋白质的结构由蛋白质序列所决定。虽然影响蛋白质空间结构的另一个因素是蛋白质分子所处的溶液环境，但是决定蛋白质结构的信息则是被编码于氨基酸序列之中。然而，这种编码是否能被破译呢？或者说是否能够
9、直接从氨基酸序列预测出蛋白质的空间结构呢？ 蛋白质结构预测的问题从数学上讲，是寻找一种从蛋白质的氨基酸线性序列到蛋白质所有原子三维坐标的一种映射。典型的蛋白质含有几百个氨基酸、上千个原子，而大蛋白质（如载脂蛋白）的氨基酸个数超过4500。所有可能的序列到结构的映射数随蛋白质氨基酸残基个数而呈指数增长，是天文数字。然而幸运的是，自然界实际存在的蛋白质是有限的，并且存在着大量的同源序列，可能的结构类型也不多，序列到结构的关系有一定的规律可循，因此蛋白质结构预测是可能的。蛋白质结构预测主要有两大类方法。一类是理论分析方法或从头算方法（Ab initio） ，通过理论计算（如分子力学、分子动力学计算）
10、进行结构预测。该类方法假设折叠后的蛋白质取能量最低的构象。从原则上来说，我们可以根据物理、化学原理，通过计算来进行结构预测。但是在实际中，这种方法往往不适合。主要有几个原因，一是自然的蛋白质结构和未折叠的蛋白质结构，两者之间的能量差非常小（1kcal/mol 数量级） ，二是蛋白质可能的构象空间庞大，针对蛋白质折叠的计算量非常大。另外，计算模型中力场参数的不准确性也是一个问题。 另一类蛋白质结构预测方法是统计的方法，该类方法对已知结构的蛋白质进行统计分析，建立序列到结构的映射模型，进而对未知结构的蛋白质根据映射模型直接从氨基酸序列预测结构。映射模型可以是定性的，也可以是定量的。这是进行蛋白质结
11、构预测较为成功的一类方法。这一类方法包括经验性方法、结构规律提取方法、同源模型化方法等。所谓经验性方法就是根据一定序列形成一定结构的倾向进行结构预测，例如，根据不同氨基酸形成特定二级结构的倾向进行结构预测。通过对已知结构的蛋白质（如蛋白质结构数据库 PDB、蛋白质二级结构数据库 DSSP 中的蛋白质）进行统计分析，发现各种氨基酸形成不同二级结构的倾向，形成一系列关于二级结构预测的规则。与经验性方法相似的另一种办法是结构规律提取方法，这是更一般的方法。该方法从蛋白质结构数据库中提取关于蛋白质结构形成的一般性规则，指导建立未知结构的蛋白质的模型。有许多提取结构规律的方法，如通过视觉观察的方法，基于
12、统计分析和序列多重比对的方法，利用人工神经网络提取规律的方法。同源模型化方法通过同源序列分析或者模式匹配预测蛋白质的空间结构或者结构单元（如锌指结构、螺旋-转角-螺旋结构、DNA 结合区域等）。其原理是基于下述事实：每一个自然蛋白质具有一个特定的结构，但许多不同的序列会采用同一个基本的折叠，也就是说，具有相似序列的蛋白质倾向于折叠成相似的空间结构。一对自然进化的蛋白质，如果它们的序列具有 2530%的等同部分或者更多，则可以假设这两个蛋白质折叠成相似的空间结构。这样，如果一个未知结构的蛋白质与一个已知结构的蛋白质具有足够的序列相似性，那么可以根据相似性原理给未知结构的蛋白质构造一个近似的三维模
13、型。如果目标蛋白质序列的某一部分与已知结构的蛋白质的某一结构域区域相似，则可以认为目标蛋白质具有相同的结构域或者功能区域。在蛋白质结构预测方面，预测结果最可靠的方法是同源模型化方法。蛋白质的同源性比较往往是借助于序列比对而进行的，通过序列比对可以发现蛋白质之间进化的关系。在蛋白质结构分析方面，通过序列比对可以发现序列保守模式或突变模式，这些序列模式中包含着非常有用的三维结构信息。利用同源模型化方法可以预测所有 1030%蛋白质的结构。然而，有许多具有相似结构的蛋白质是远程同源的，它们的等同序列不到 25%。也就是说，具有相似空间结构的蛋白质序列等同程度可能小于 25%。这些蛋白质的同源性不能被
14、通过传统的序列比对方法所识别。如果按照一个未知序列搜索一个蛋白质序列数据库，并且搜索条件为序列等同程度小于25%的话，那么将会得到大量不相关的蛋白质。因此，搜索远程同源蛋白质就像在干草堆里寻找一根针。寻找远程同源蛋白质是一项困难的任务，处理这个困难任务的技术称为“线索（THREADING）技术” 。对于一个未知结构的蛋白质，仅当我们找不到等同序列大于 25%的已知结构的同源蛋白质时，才通过线索技术寻找已知结构的远程同源蛋白质，进而预测其结构。找到一个远程同源蛋白质后，利用远程同源建模方法来建立蛋白质的结构模型。如果既没有找到一般的同源蛋白质，又没有找到远程同源蛋白质，那么如何进行结构预测呢？一
15、种可行的办法就是充分利用现有数据库中的信息，包括二级结构和空间结构的信息，首先从蛋白质序列预测其二级结构，然后再从二级结构出发，预测蛋白质的空间结构；或者采用从头算方法进行结构预测。7.2 蛋白质二级结构预测蛋白质的二级结构预测的基本依据是：每一段相邻的氨基酸残基具有形成一定二级结构的倾向。因此，进行二级结构预测需要通过统计和分析发现这些倾向或者规律，二级结构预测问题自然就成为模式分类和识别问题。蛋白质二级结构的组成规律性比较强，所有蛋白质中约 85%的氨基酸残基处于三种基本二级结构状态（ 螺旋、折叠和转角） ，并且各种二级结构非均匀地分布在蛋白质中。在有些蛋白质中含有大量的 螺旋，如血红蛋白
16、和肌红蛋白；而另外一些蛋白质中则不含或者仅含很少的螺旋，如铁氧蛋白；有些蛋白质的二级结构以折叠为主，如免疫球蛋白。二级结构预测的目标是判断每一段中心的残基是否处于螺旋、折叠、转角（或其它状态）之一的二级结构态，即三态。至今人们已经发展了几十种预测方法。7.2.1 利用的信息及预测准确性蛋白质二级结构的预测开始于 20 世纪 60 年代中期。二级结构预测的方法大体分为三代，第一代是基于单个氨基酸残基统计分析，从有限的数据集中提取各种残基形成特定二级结构的倾向，以此作为二级结构预测的依据。第二代预测方法是基于氨基酸片段的统计分析，使用大量的数据作为统计基础，统计的对象不再是单个氨基酸残基，而是氨基
17、酸片段，片段的长度通常为 11-21。片段体现了中心残基所处的环境。在预测中心残基的二级结构时，以残基在特定环境形成特定二级结构的倾向作为预测依据。这些算法可以归为几类：（1）基于统计信息；（2）基于物理化学性质；（3）基于序列模式；（4）基于多层神经网络；（5）基于图论；（5）基于多元统计；（6）基于机器学习的专家规则；（7）最邻近算法。第一代和第二代预测方法有共同的缺陷，它们对三态预测的准确率都小于 70%，而对折叠预测的准确率仅为 2848%，其主要原因是这些方法在进行二级结构预测时只利用局部信息，最多只用局部的 20 个残基的信息进行预测。二级结构预测的实验结果和晶体结构统计分析都表明
18、，二级结构的形成并非完全由局域的序列片段决定，长程相互作用不容忽视。蛋白质的二级结构在一定程度上受远程残基的影响，尤其是折叠。从理论上来说，局部信息仅包含二级结构信息的 65%左右，因此，可以想象只用局部信息的二级结构预测方法，其准确率不会有太大的提高。二级结构预测的第三代方法运用蛋白质序列的长程信息和蛋白质序列的进化信息，使二级结构预测的准确程度有了比较大的提高，特别是对折叠的预测准确率有较大的提高，预测结果与实验观察趋于一致。一般 75%的氨基酸残基可以被置换而不改变蛋白质的结构，然而有时改变几个关键的残基则可能导致破坏蛋白质的结构。这好像是两个矛盾的结论，但解释又非常简单。一个蛋白质在其
19、进化过程中探查了每个位置上氨基酸可能的与不可能的变化，不可能变化的部分是进化保守区域。可变部分的变化不改变结构，而不可变部分的变化则改变蛋白质的结构，由此失去蛋白质原有的功能，因而也就难以延续下去。这些不可变部分体现了蛋白质功能对结构的特定要求。这样，从一个蛋白质家族中提取的残基替换模式高度反映了该家族特异的结构。通过序列的比对可以得到蛋白质序列的进化信息，得到蛋白质家族中的特定残基替换模式，此外，通过序列的比对也可以得到长程信息。目前，许多二级结构预测的算法都是基于序列比对的，通过序列比对可以计算出目标序列（待预测其二级结构的序列）中每个氨基酸的保守程度。对于二级结构三态（，none）预测准
20、确率首先达到 70%的方法是基于统计的神经网络方法 PHDsec。PHDsec 利用通过多重序列比对得到的进化信息作为神经网络的输入，另外采用了一个全局的描述子，即所有氨基酸组成（20 种氨基酸中每个所占的比例）作为蛋白质序列的全局信息。这类算法预测的准确率能达到 70至 75。各种方法预测的准确率随蛋白质类型的不同而变化。例如，一种预测方法在某些情况下预测的准确率能够达到 90%，而在最差的情况下仅达到 50%，甚至更低。在实际应用中究竟使用那种方法，还需根据具体的情况。虽然二级结构预测的准确性有待提高，其预测结果仍然能提供许多结构信息，尤其是当一个蛋白质的真实结构尚未解出时更是如此。通过对
21、多种方法预测结果的综合分析，再结合实验数据，往往可以提高预测的准确度。二级结构预测通常作为蛋白质空间结构预测的第一步。例如，二级结构预测是内部折叠、内部残基距离预测的基础。更进一步，二级结构预测可以作为其它工作的基础，例如，用于推测蛋白质的功能，预测蛋白质的结合位点等。7.2.2 Chou-Fasman 方法Chou-Fasman 方法是一种基于单个氨基酸残基统计的经验参数方法，由 Chou 和 Fasman 在 20世纪 70 年代提出来。通过统计分析，获得的每个残基出现于特定二级结构构象的倾向性因子，进而利用这些倾向性因子预测蛋白质的二级结构。每种氨基酸残基出现在各种二级结构中倾向或者频率
22、是不同的，例如 Glu 主要出现在螺旋中，Asp 和 Gly 主要分布在转角中，Pro 也常出现在转角中，但是绝不会出现在螺旋中。因此，可以根据每种氨基酸残基形成二级结构的倾向性或者统计规律进行二级结构预测。另外，不同的多肽片段有形成不同二级结构的倾向。例如：肽链 Ala(A)-Glu(E)-Leu(L)-Met(M) 倾向于形成螺旋，而肽链 Pro(P)-Gly(G)-Tyr(Y)-Ser(S)则不会形成螺旋。一个氨基酸残基的二级结构倾向性因子定义为(i= ,t,c) （7-1）式中下标 i 表示二级结构态，如螺旋、 折叠、转角、无规卷曲等； Ti是所有被统计残基处于二级结构态 i 的比例；
23、 Ai是第 A 种残基处于结构态 i 的比例； Pi大于 1.0 表示该残基倾向于形成二级结构 i，小于 1.0 则表示倾向于形成其它二级结构。通过对大量已知结构的蛋白质进行统计，为每个氨基酸残基确定其二级结构倾向性因子。在Chou-Fasman 方法中，这几个因子是 P、 P 和 Pt ，它们分别表示相应的残基形成 螺旋、 折叠和转角的倾向性。另外，每个氨基酸残基同时也有四个转角参数， f(i)、 f(i+1)、 f(i+2)和f(i+3)。这四个参数分别对应于每种残基出现在转角第一、第二、第三和第四位的频率，例如，脯氨酸约有 30%出现在转角的第二位，然而出现在第三位的几率不足 4%。表
24、7.1 中显示了 Chou-Fasman 预测方法中所用到的各种参数，其中参数值 P、 P和 Pt是分别在原有相应倾向性因子的基础上乘以 100 而得到的。根据 P 和 P 的大小，可将 20 种氨基酸残基分类，如谷氨酸、丙氨酸是最强的螺旋形成残基，而缬氨酸、异亮氨酸则是最强的折叠形成残基。除各个参数之外，还有一些其它的统计经验，如，脯氨酸和甘氨酸最倾向于中断螺旋，而谷氨酸则通常倾向中断折叠。表 7.1 20 种常见氨基酸的 Chou-Fasman 参数。氨基酸 P P Pt f(i) f(i+1) f(i+2) f(i+3)丙氨酸（A） 142 83 66 0.06 0.076 0.035
25、0.058精氨酸（R） 98 93 95 0.070 0.106 0.099 0.085天冬酰胺（N） 67 89 156 0.161 0.083 0.191 0.091天冬氨酸（D） 101 54 146 0.147 0.110 0.179 0.081半胱氨酸（C） 70 119 119 0.149 0.050 0.117 0.128谷氨酸（E） 151 37 74 0.056 0.060 0.077 0.064谷氨酰胺（Q） 111 110 98 0.074 0.098 0.037 0.098甘氨酸（G） 57 75 156 0.102 0.085 0.190 0.152组氨酸（H） 10
26、0 87 95 0.140 0.047 0.093 0.054异亮氨酸（I） 108 160 47 0.043 0.034 0.013 0.056亮氨酸（L） 121 130 59 0.061 0.025 0.036 0.070赖氨酸（K） 114 74 101 0.055 0.115 0.072 0.095甲硫氨酸（M） 145 105 60 0.068 0.082 0.014 0.055苯丙氨酸（F） 113 138 60 0.059 0.041 0.065 0.065脯氨酸（P） 57 55 152 0.102 0.301 0.034 0.068丝氨酸（S） 77 75 143 0.12
27、0 0.139 0.125 0.106苏氨酸（T） 83 119 96 0.086 0.108 0.065 0.079色氨酸（W） 108 137 96 0.077 0.013 0.064 0.167酪氨酸（Y） 69 147 114 0.082 0.065 0.114 0.125缬氨酸（V） 106 170 50 0.062 0.048 0.028 0.053iiTP在统计得出氨基酸残基倾向性因子的基础上，Chou 和 Fasman 提出了二级结构的经验规则，其基本思想是在序列中寻找规则二级结构的成核位点和终止位点。在具体预测二级结构的过程中，首先扫描待预测的氨基酸序列，利用一组规则发现可能
28、成为特定二级结构成核区域的短序列片段，然后对于成核区域进行扩展，不断扩大成核区域，直到二级结构类型可能发生变化为止，最后得到的就是一段具有特定二级结构的连续区域。下面是 4 个简要的规则。1. 螺旋规则 沿着蛋白质序列寻找 螺旋核，相邻的 6 个残基中如果有至少 4 个残基倾向于形成 螺旋，即有 4 个残基对应的 P 100，则认为是螺旋核。然后从螺旋核向两端延伸，直至四肽片段 P 的平均值小于 100 为止。按上述方式找到的片段长度大于 5，并且 P 的平均值大于 P 的平均值，那么这个片段的二级结构就被预测为 螺旋。此外，不容许 Pro 在螺旋内部出现，但可出现在 C 末端以及 N 端的前
29、三位，这也用于终止螺旋的延伸。2. 折叠规则 如果相邻 6 个残基中若有 4 个倾向于形成 折叠，即有 4 个残基对应的 P 100，则认为是折叠核。折叠核向两端延伸直至 4 个残基 P 的平均值小于 100 为止。若延伸后片段的 P 的平均值大于 105，并且 P 的平均值大于 P 的平均值，则该片段被预测为 折叠。3. 转角规则 转角的模型为四肽组合模型，要考虑每个位置上残基的组合概率，即特定残基在四肽模型中各个位置的概率。在计算过程中，对于从第 i 个残基开始的连续 4 个残基片段，将上述概率相乘，根据计算结果判断是否是转角。如果 f(i)f(i+1)f(i+2)f(i+3)大于7.51
30、0-5，四肽片段 Pt的平均值大于 100，并且 Pt 的均值同时大于 P 的均值以及 P 的均值，则可以预测这样连续的 4 个残基形成转角。4. 重叠规则 假如预测出的螺旋区域和折叠区域存在重叠，则按照重叠区域 P 均值和 P 均值的相对大小进行预测，若 P 的均值大于 P 的均值，则预测为螺旋；反之，预测为折叠。Chou-Fasman 预测方法原理简单明了，二级结构参数的物理意义明确，该方法中二级结构的成核、延伸和终止规则基本上反映了真实蛋白质中二级结构形成的过程。该方法的预测准确率在 50%左右。7.2.3 GOR 方法GOR 是一种基于信息论和贝叶斯统计学的方法，方法的名称以三个发明人
31、姓名的第一个字母组合而成（Garnier, Osguthorpe, Robson）。信息论是于 1950-1960 期间发展起来的，其基本理论由Shannon 首先提出，主要针对解决信息传递和处理问题。GOR 方法将蛋白质序列当作一连串的信息值来处理，该方法不仅考虑了被预测位置本身氨基酸残基种类的影响，而且考虑了相邻残基种类对该位置构象的影响。GOR 针对长度为 17 的残基窗进行二级结构预测。对序列中的每一个残基，GOR 方法将与它 N 端紧邻的 8 个残基和 C 端紧邻的 8 个残基与它放在一起进行考虑。与 Chou-Fasman 方法一样，GOR 方法也是通过对已知二级结构的蛋白样本集进
32、行分析，计算出中心残基的二级结构分别为螺旋、折叠和转角时每种氨基酸出现在窗口中各个位置的频率，从而产生一个 1720 的得分矩阵。然后利用矩阵中的值来计算待预测的序列中每个残基形成螺旋、折叠或者转角的概率。GOR 方法是基于信息论来计算这些参数的，下面介绍GOR 方法的数学基础。首先考虑两个事件 S 和 R 的条件概率 P(S|R)，即在 R 发生的条件下， S 发生的概率。定义信息为：（7-2）/)|(log);(I若 S 和 R 无关，即 ，则 ；若 R 的发生有利于 S 的发生，即 )(|(SPR0);(SI, 则 ；如果 R 的发生不利于 S 的发生，则有 ,)(|(P0;I )(|(
33、P。0;I使用对数的优点在于可将概率的乘积变为信息值的加和。在二级结构预测过程中， S 表示特殊的二级结构类型， R 代表氨基酸残基， 就是残基 R 处于二级结构类型 S 的概率。 P(S)是在)|(SP统计过程中观察到二级结构类型 S 的概率。根据条件概率的定义：（7-3）P(S,R)是同时观察到 S 和 R 的联合概率,而 P(R)是 R 的出现概率。对现有蛋白质序列数据库和二级结构数据库进行数学统计分析，很容易得到 I(S;R)。如果令 N 为数据库中总的氨基酸残基的个数，fR为残基 R 的总个数， fS为处于二级结构类型 S 的残基总数， fS,R为残基 R 处于二级结构类型 S 的总
34、数，则：（7-4）R 处于二级结构类型 S 的信息值按下式计算：（7-5）Robson 提出一种信息差的计算公式：（7-6）)/log()/log();();();( , SRSffRSIIRSI 这里， S 表示除 S 之外的其它所有二级结构类型。例如，如果 S 代表 螺旋，则在三态情况下，S代表 折叠或者转角。公式（ 7-6）从正反两个方面给出关于氨基酸残基 R 与二级结构 S 关系的信息值。若 R 可分为两个较简单的事件 R1和 R2，则有：（7-7）)(/|(log)|(/),|(log )/,log;);( 11212SPSPSISI 式中第一项表示在 R1发生的条件下， R2对事件
35、 S 的影响，第二项则表示 R1对 S 的影响。上式可改写为（7-8）);()|;();( 112ISII同理，若 R 可分解为一系列的简单事件 R1， R2， ， Rn，则有（7-9）),|;(|;)|);()|( 12131 nnSIII 这里， R1， R2， ， Rn代表蛋白质序列中一组连续的残基，预测的对象是中心残基，判断它处于什么样的构象态，其它残基作为环境。GOR 方法只考虑待预测残基及其两侧各 8 个残基。最早期的 GOR 方法采用了独立事件近似，即(7-10);();();();( 21 nRSIRSIISI )(,)|(PNfPR/)(/,)/()/log();(, Nff
36、I SR后来的改进 GOR 方法则考虑了中心残基 R1的影响，信息计算公式如下：(7-11)|;()|;()|;();();( 11321 RSIRSISIIRSI n 通过统计，可以得出各种残基 R 处于中心残基周围各位置 i 时的信息值 或i，它们反应了周边残基对中心残基形成特定二级结构的影响。再通过近似公式(7-10)或)|;(1Ii(7-11)，就可计算出 。对于一条肽链中任一位置残基 r 的构象预测过程包括三个步骤：);(SI（1）以 r 为中心，取其左右两侧共 17 个残基作为计算的窗口（记为 R） ；（2）取窗口内每个残基的信息值 ，并按照公式(7-10)或者公式(7-11)加和
37、，得到 ；（3）中心残基 r);(iRI );(SI的二级结构预测为 最大的二级结构类型 S。;假定数据库中有 1830 个残基，780 个处于螺旋态，1050 个处于非螺旋态。库中共有 390 个丙氨酸（A） ，有 240 个 A 处于螺旋态，其余 150 个 A 处于非螺旋态。可得：根据公式（7-6） ，有：这里 H 代表二级结构螺旋态，而 H代表除 H 以外的其它类型二级结构, I(H;A) 就是丙氨酸 A 处于中心位置时的螺旋信息值。早期 GOR 方法假设窗口内 17 个残基（包括中心残基及左右两侧各 8 个残基）是相互独立的，每个残基独立地影响中心残基的二级结构。在此基础上统计了 7
38、5 个蛋白质的结构，总共有 12757个残基，所作统计结果为：螺旋 29.7%，折叠 19.7%，转角 12.2%，无规卷曲 38.3% 。根据所得到的信息值 ，发现有些残基的信息值中心对称，在窗口中心处其值取最大或者最小。例如，);(iRSIA 的螺旋信息值、I 的折叠信息值在窗口中心处取最大，这类残基越靠近窗口中心，中心残基就越容易形成特定二级结构；又如，G 螺旋信息值、L 的转角信息值在窗口中心处取最小，这类残基离窗口中心越近，中心残基形成特定构象的机会越小。有些残基的信息值是不对称的，在一端为正，而在另一端为负。有的残基在 N 端为正，C 端为负，这类残基位于 N 端时有利于中心残基形
39、成特定构象，例如，E 对于螺旋支持程度属于这种情况；有的残基在 N 端为负，C 端为正，当这类残基位于 C 端时有利于中心残基形成特定构象，比如，K 对于螺旋的支持程度属于这种情况。GOR 方法中的信息值构成了 20 种氨基酸出现在不同位置时的直接信息量表，根据该表和相关计算公式，就可以对一条肽链中任一位置残基的构象进行预测。GOR 方法的物理意义明确，数学上比较严格，但计算过程较为复杂。应用 GOR 方法预测蛋白质的二级结构为螺旋、折叠或者转角的准确率大约为 65。20 种常见氨基酸的疏水参数7.2.4 基于氨基酸疏水性的预测方法 这种方法是一种用物理化学方法进行二级结构预测的方法，或称为立
40、体化学方法。在蛋白质中，氨基酸的理化性质对蛋白质的二级结构影响较大，因此在进行结构预测时考虑氨基酸残基的物理化学性质，如疏水性、极性、侧链基团的大小等，根据氨基酸残基各方面的性质及残基之间的组合预测可能形成的二级结构。 “疏水性”是氨基酸的一种重要性质，疏水性的氨基酸倾向于远离周围水390/15248/7,AHHff7650. )1830/7()/105log()39/1()/24log(l);( ,HAHffI）分子，将自己包埋进蛋白质的内部。这一趋势加上空间立体条件和其它一些因素决定了一个蛋白质最终折叠成的三维空间构象。20 种氨基酸的疏水参数见表 7.2，其中，高正值的氨基酸具有更大的疏
41、水性，而低负值的氨基酸则更加亲水。表7.2 20种常见氨基酸的疏水参数。序号 氨基酸 疏水值1 Ala（A） 1.82 Arg（R） -4.53 Asn（N） -3.54 Asp（D） -3.55 Cys（C） 2.56 Gln（Q） -3.57 Glu（E） -3.58 Gly（G） -0.49 His（H） -3.210 Ile（I） 4.511 Leu（L） 3.812 Lys（K） -3.913 Met（M） 1.914 Phe（F） 2.815 Pro（P） -1.616 Ser（S） -0.817 Thr（T） -0.718 Trp（W） -0.919 Tyr（Y） -1.320
42、Val（V） 4.2随着蛋白质结构数据的积累，人们开始注意到一些较简单的序列与结构关系。可以通过疏水氨基酸出现的周期性预测蛋白质的二级结构，利用各种氨基酸的疏水值定位蛋白质的疏水区域。Lim等人很早就对 螺旋和 折叠归纳出了一套预测模式。例如 螺旋的轮状结构特征，轮的一侧通常处于蛋白质的疏水核心，另一侧则常处于亲水表面，如图 7.2 所示。因此， 螺旋中亲疏水氨基酸残基的出现位置也就有一定的规律性，亲水残基多出现在亲水侧面，而疏水残基则多出现在疏水侧面，反映在序列上就是一些特征的亲疏水残基间隔模式。疏水性氨基酸的位置有助于推断蛋白质中二级结构的定位，通过显示疏水氨基酸的分布分析二级结构。例如，
43、图 7.2 利用 HELICALWHEEL 程序画出的蛋白质蜂毒素旋轮图。图中各个氨基酸沿螺旋排布，相邻氨基酸之间的旋转角度为 100o。疏水性氨基酸 L、I 和 V 位于螺旋的一侧，而亲水性氨基酸则分布在另外一侧，显示这个螺旋的两亲特性。 根据蛋白质序列中疏水性氨基酸出现模式，可以预测局部的二级结构。例如，当我们在一段序列中发现第 i、i+3、i+4 位是疏水氨基酸时，这一片段就被可以预测为 螺旋；当我们发现第i、i+1、i+4 位为疏水氨基酸时，这一片段也可以被预测为 螺旋。同样，对于 折叠，也存在着一些特征的亲疏水残基间隔模式，埋藏的 折叠通常由连续的疏水残基组成，一侧暴露的 折叠则通常
44、具有亲水-疏水的两残基重复模式。不过，由于 折叠受结构环境的影响较大，序列的亲疏水模式不及 螺旋有规则。原则上，通过在序列中搜寻特殊的亲疏水残基间隔模式，就可以预测 螺旋和 折叠。图 7.2 利用 HELICALWHEEL 程序画出的蛋白质蜂毒素的旋轮图。 代表疏水氨基酸在 Biou 等人提出的点模式方法中，将 20 种氨基酸残基分为亲水、疏水以及两性残基三类，用八残基片段表征亲疏水间隔模式。以一个二进制位代表一个残基，疏水为 1，亲水为 0，共八位。这样，八残基片段的亲疏水模式就可用 1 个 0255 的数值来表示。 螺旋的特征模式对应的值为9，12，13，17，201，205，217，21
45、9，237； 折叠的特征模式则由连续的 1 或交替的 01构成。在进行二级结构预测时，根据氨基酸片段计算点模式，如果点模式的值为 螺旋的特征数，则片段预测为 螺旋；若为 折叠的特征数，则片段预测为 折叠。其余的预测为无规则卷曲。这种方法的三态预测准确率为 55%左右，其中对无规则卷曲预测过多，而对 折叠则预测不足。当序列长度小于 50 时，准确率较高。上述方法定性描述序列片段的亲、疏水特征，通过特征模式识别来预测蛋白质的二级结构。另一种方法是直接计算序列片段的疏水性和疏水矩，并根据定量计算结果预测该片段对应的二级结构。序列片段疏水性计算的方法依赖于各个氨基酸残基疏水值。对于一条蛋白质序列，用一个滑动窗口扫描该序列，计算滑动窗口下各个氨基酸的平均疏水值 和疏水矩 。窗口的宽度是可以调整的，H一般取 915 残基的窗口宽度，以获得较多的信息和较小的噪声干扰。平均疏水值 的计算公式如H下：(7-12)其中 Hi是片段第 i 残基的疏水值。疏水矩 的计算公式如下：（7-13）其中 Si是碳原子到侧链中心的单位矢量。按照公式（7-12）的计算结果，画出整个蛋白质的疏水曲线，形成疏水性图。图 7.3 是人类视紫质蛋白的疏水图。与蛋白质疏水图相对应的是蛋白质的疏水矩图。通过分析这些图谱，可以帮助预测蛋白质的二级结构。 niiH1)(1iniiS
