基于BP神經網絡的O-糖基化位點的預測和模式分析

0 引言

糖基化是蛋白質翻譯后的一種非常重要的修飾過程，在生物學過程中扮演重要的角色，它能參與免疫防御，病毒復制，細胞生長等過程。蛋白質的糖基化有N-糖基化、O-糖基化、C-甘露糖糖基化，磷脂酰肌醇（GPI）錨區4種類型。糖蛋白的蛋白鏈與糖鏈通過共價鍵相連蛋的位點稱為糖基化位點，對于給定的蛋白質，表達宿主細胞類型的改變，培養介質成分的變化，以及生產過程中的發酵條件都會使糖基化位點發生改變[1]。O-糖基化作為生物體內重要的生物過程，迄今為止還未發現固定的模式，它的糖基化位點的確切序列片段還不清楚，但通常存在于糖蛋白分子表面絲氨酸（Serine，S）或蘇氨酸（Threonine，T）比較集中且周圍常有脯氨酸（Proline，P）的序列片段中[2-3]。

雖然O-糖基化的研究還沒有確定性的結果，但是許多基于實驗和計算的方法已經被應用。Wilson等發現糖基化位點中脯氨酸在位置－1和＋3有一個較高的頻率[4]，Elhammer等發現脯氨酸，絲氨酸和蘇氨酸在糖基化位點的所有位點都有很高的頻率[5]。

本文采用稀疏編碼方案，對BP神經網絡結構及其訓練算法進行研究的基礎上，提出了一種改進傳統BP算法缺陷的動量梯度下降算法，運用BP神經網絡對O-糖基化位點進行預測和分析。實驗表明蛋白質序列特征向量的維數（蛋白質編碼序列的長度）是影響預測性能的最主要因素。

1 蛋白質序列和稀疏編碼

本研究的實驗數據來源于糖基化數據庫Uniport（v8.0）[6]。我們隨機挑選了哺乳動物的99個蛋白質序列用于分析。由于O-糖基化是將糖鏈轉移到多肽鏈的絲氨酸、蘇氨酸或羥賴氨酸的羥基的氧原子上，根據對S和T的特異性，將蛋白質序列分成四類，分別注釋為糖基化的絲氨酸、蘇氨酸稱為positive T 和positive S，沒有這種注釋的稱為negative T 和negative S。我們將所有的positive T 和positive S混合在一起稱為positive set（糖基化位點），而negative T 和negative S稱為negative set（非糖基化位點）。從每一類中隨機選取300個樣本用于訓練，隨機選取10個樣本用于測試，實驗樣本數目如表1所示。

表1 樣本數

沒有編碼的氨基酸序列不能被神經網絡識別，預測前必須對原始的氨基酸序列進行編碼。已經研究出許多種氨基酸編碼方案，諸如3字母編碼方案，5字母編碼方案，水療編碼方案等。本文采用稀疏編碼方案，用21位的二進制序列表示一個氨基酸或一個空位，以區分20種氨基酸和空位。每一個被選擇的氨基酸序列被一個窗口分成若干個子序列，S或T位于中間。

假設一個原始的氨基酸序列窗口大小為Ws，編碼后的序列的長度即為21*（Ws－1）。窗口大小和相應的編碼長度如表2所示。可知，隨著窗口Ws的增大，特征向量的維數D也增大，當Ws＝51時，D＝1050。

表2 窗口大小與編碼長度

2 位置概率分布和模式分析

糖鏈的生物合成沒有模板可以遵循，同一個糖基化位點可能存在不同的糖鏈形成所謂的微觀不均勻性。我們計算氨基酸序列在每一個位點的直方圖得到位置概率函數（Positional Probability Functions，PPFS）來表示這種不均勻性。窗口大小Ws＝7的糖基化位點和非糖基化位點的PPF如圖1如示。由圖可見，糖基化位點中所有的位點不僅脯氨酸，而且絲氨酸，蘇氨酸和丙胺酸（alanine，A）都有一個很高的含量；并且糖基化位點中脯氨酸，絲氨酸，蘇氨酸和丙胺酸的含量高于非糖基化位點的含量。我們也計算脯氨酸，絲氨酸,蘇氨酸和丙胺酸在每一個位點的PPFS，如圖2－圖5所示。很明顯，糖基化位點中脯氨酸在位置－1和＋3相對于其他的三種氨基酸有一個較高的含量，此結果與Wilson的研究結果一致。

圖1 位置概率函數（PPFS，Ws ＝7）

3 BP算法的改進

BP（Back Propagation）神經網絡是多層前饋神經網絡最普遍的模型之一，基本結構分為輸入層，隱含層，輸出層三層。BP神經網絡最初使用梯度下降搜索技術，對網絡連接權值進行修正，使網絡實際輸出與期望輸出之間的均方誤差最小[6,7]。設第P個學習樣本，期望輸出為dpj，實際輸出為tpj，網絡輸出與期望輸出間的誤差為：

如果E值超過誤差許可范圍，則需要調整網絡的權值,權值修正公式如下：

其中n為學習速率。

傳統BP網絡訓練時間較長，學習性能不理想，為了提高檢測的性能和速度,本研究運用動量梯度下降反向傳播算法，綜合運用本次訓練和上一次訓練權值的改變修正權值,以平滑訓練收斂曲線的震蕩，提高網絡的收斂性能。

第K次訓練的權值公式為：

其中D（k）表示k時刻的負梯度，η為學習速度，α∈[0，1]是動量因子。

此方法所加入的動量項實質上相當于阻尼項，它能減小學習過程的振蕩趨勢以改善收斂性。

4 預測和校驗

糖基化位點的預測在本研究中是一個二分類問題，我們建立一個三層的BP神經網絡進行預測。根據不同的窗口大小，輸入到網絡的是不同編碼長度的蛋白質序列，輸出為與此序列相關的糖基化信息。輸入層神經元的數目等于特征向量維數，隱含層神經元的數目根據實驗確定，隱含層和輸出層的轉換函數是sigmoid型的激活函數。

實驗中從糖基化位點和非糖基化位點中隨機選取300個樣本序列用于訓練，選取10個測試樣本用于測試。如果蛋白質序列長度太短，對于同一個序列有可能出現糖基化或非糖基化的情況，即使對于訓練數據，網絡也不能有效地學習。因此，我們取Ws＝7，11，21，31，41，51進行實驗，訓練時間和預測性能如圖6和圖7所示。由實驗結果可知，當Ws增大時，特征向量的維數隨著增大，預測時間延長，預測性能提高。

圖2 脯氨酸的PPF

圖3 蘇氨酸的PPF

圖4 丙胺酸的PPF

圖5 絲氨酸的PPF

圖6 預測性能

圖7 訓練時間

5 結論

本文采用稀疏編碼方案，對BP神經網絡結構及其訓練算法進行研究的基礎上，提出了一種改進傳統BP學習算法缺陷的動量梯度下降算法，運用改進的BP神經網絡對O-糖基化位點進行預測和分析。分析表明，預測性能與蛋白質序列特征向量的維數（蛋白質編碼序列的長度）直接相關。當窗口的大小控制在一定范圍時訓練速度快,誤差較小,具有很好的預測性能，隨著窗口大小的增大，網絡變得越來越復雜，訓練時間延長，有可能出現局部優化或過擬合的傾向。因此，我們下一步的目標一方面是探索其他的編碼方式，另一方面是對蛋白質序列進行特征提取，降低神經網絡的復雜度，更好地發揮神經網絡的預測性能。

[1]Hart，G.W.Glycosylation，Curr.Opin [J].Cell Bio，1992,（17）：1017-1023.

[2]Hansen，J.E.，Lund，O.，Engelbrecht，J，et al.specificity patterns of UDP-GaINAc：polypeptide N-acetylgalactosam inyltransferase[J],Biochem.1995,（308）：801-813.

[3]Julenius，K.，Molgaard，A.，Gupta，R.，et al.Prediction, conservation analysis and structural characterization of mammalian mucin-type O-glycosylation sites [J]，Glycobiology.2004,（15）：153-164.

[4]Wilson,I.B.H.，Gavel,Y.，and Heijne,G.：Amino acid distributions around O-linked glycosylation sites，Biochem.J.，1991,（275）：529-534.

[5]Elhammer，A.P.，Poorman，R.A.，Brown，E.et al.The specificity of UDP-Ga1NAc：polypeptide N-acetylgalactosaminyltrans-ferase as inferred from a database of in vivo substrates and from the in vitro glycosylation of proteins and peptides [J]，Biol.Chem.1998,（268）：10029-10038.

[6]http://www.ebi.uniprot.

[7]Bishop，C.M.：Neural Network for Pattern Recognition [M].Oxford.Oxford University Press，1995.

[8]閻平凡，張長水.人工神經網絡與模擬進化計算[M].北京清華大學出版社，2004.