DNA结合蛋白特征提取算法综述

An Overview of DNA-Binding Protein for Feature Extraction Algorithms

摘要: DNA结合蛋白的识别与预测对于研究生物体的生命活动，理解生命活动内在机理具有十分重要的作用。随着蛋白质序列数目的快速增加，计算方法比传统实验方法具有更大的优势。本文从蛋白质的序列信息和结构信息入手，对目前DNA结合蛋白特征提取方法进行归纳总结。在PDB1075和PDB186数据集上，利用XGBoost算法对9种蛋白质序列特征提取方法进行对比分析。结果显示，不同的特征提取方法具有各自的优势与不足，其中，基于蛋白质序列进化信息的Local_DPP方法综合表现最好。

Abstract: The recognition and prediction for DNA-binding proteins play a very important role in studying and understanding the internal mechanisms life activities. The huge numbers of protein sequences have been produced. Computational method has greater advantages than traditional experimental methods. In this paper, we summary the existed methods of DNA-binding protein for feature ex-traction based on the sequence information and structural information of the protein. The XGBoost algorithm is employed to compare and analyze the nine feature extraction methods of protein se-quence on the PDB1075 and PDB186 datasets. The results demonstrate that different feature ex-traction methods have their own advantages and disadvantages. Among them, the Local_DPP method based on the evolution information of protein sequences has the best comprehensive pre-diction performance.

ABSTRACT

The recognition and prediction for DNA-binding proteins play a very important role in studying and understanding the internal mechanisms life activities. The huge numbers of protein sequences have been produced. Computational method has greater advantages than traditional experimental methods. In this paper, we summary the existed methods of DNA-binding protein for feature extraction based on the sequence information and structural information of the protein. The XGBoost algorithm is employed to compare and analyze the nine feature extraction methods of protein sequence on the PDB1075 and PDB186 datasets. The results demonstrate that different feature extraction methods have their own advantages and disadvantages. Among them, the Local_DPP method based on the evolution information of protein sequences has the best comprehensive prediction performance.

Keywords:DNA-Binding Protein, Feature Extraction, Sequence Information, Structure Information

Copyright © 2020 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

DNA结合蛋白是一类特殊的蛋白质，它能够与DNA相结合，并通过两者之间相互作用，实现DNA转录、复制等功能，进而对生物体的生命活动进行调控 [1]，因此对DNA结合蛋白的识别研究，能够帮助人们更好地理解核酸和蛋白质之间相互作用的原理，进而帮助医学工作者确定疾病产生的原因及内在机理，并找到相应的靶点和基因片段，这对生物制药、精准医疗等相关领域的发展有着深远的意义 [2]。

随着生物测序技术的快速发展，蛋白质序列数目急剧增加。传统的物化实验方法耗时极长且代价高昂，因此大量的DNA结合蛋白计算方法被提出和改进。这类方法主要从提取蛋白质序列相关信息出发，建立DNA结合蛋白的识别预测模型 [3]。在过去十几年，出现了大量识别DNA结合蛋白的计算方法，本文将从特征提取的角度出发，对这些方法进行总结，并选择其中九种典型的计算方法进行实证分析，确定这些方法的实际结果，为DNA结合蛋白分类算法研究者提供新的思路和有价值的参考。

2. DNA结合蛋白特征提取方法

目前根据研究人员使用信息的不同可以将方法大致分为两类：一类是基于蛋白质结构信息的方法 [4] - [13]，另一类是基于蛋白质序列信息的方法 [14] - [23]。

2.1. 基于结构信息的方法

基于结构信息的方法从蛋白质的二级结构和三维空间结构出发，将目标蛋白质与已有的蛋白质结构模板进行对比，提取相关信息，实现对蛋白质的识别与预测。2008年，Kurgan等人 [4] 首次基于蛋白质的二级结构信息构造了α螺旋(β折叠)长度、平均α螺旋(β折叠)长度等特征。Yang等 [5] 提出基于蛋白质二级结构片段信息、定量递归分析和k-字信息熵的特征表示方法。Dai等 [6] 提出了基于蛋白质二级结构元素位置统计量的特征表示方法。Stawiski等 [7] 提出使用保守残基、氢键电位的结构信息方法，该方法不依赖于序列或结构的同源性。Ahmad等 [8] 开发了基于蛋白质的净电荷，电偶极矩和四极矩张量为特征的神经网络预测模型。Szilágyi等 [9] 从氨基酸的组成、部分氨基酸空间分布的不对称性以及分子的偶极矩提取特征向量，该方法即使在结构信息不甚准确的蛋白质模型上也能提供较好的预测。Shanahan等人 [10] 通过蛋白质结构比对将DNA结合蛋白分为HTH结构、HHH结构和HLH结构，这项研究为DNA结合蛋白预测的后续发展奠定了基础。Gao等人 [11] 在结构比对算法之上提出了DBD-Hunter方法，该方法结合了结构对比和统计趋势的估计，在对4000种蛋白质的识别预测中，其准确率达到了98%，性能优良，但此方法需要目标蛋白质的结构作为特征输入，为了克服这一障碍，次年该研究团队开发了一种基于线程的方法DBD-Threader (DNA-Binding-Domain-Threader) [12]。DBD-Threader仅需要目标蛋白质的序列信息，在对179种DNA结合蛋白和3797种非DNA结合蛋白的测试中，使用与靶序列同一性小于30%的模板，DBD-Threader方法的灵敏度和精确度分别达到56%和86%，性能优于标准序列比较方法PSI-BLAST，可与需要目标结构作为输入的DBD-Hunter方法相媲美。之后，Zhao等人 [13] 在DFIRE能量函数的基础上引入新的体积分数校正，从DNA结合蛋白的复杂结构中提取新的信息，并进一步提出蛋白质与DNA之间的结合亲和力。

这些基于结构信息的预测方法都取得了较高的准确率，但是只能对结构已知的蛋白质进行研究，而蛋白质的结构信息不容易获得，所以这种方法很难在后基因时代进行推广。另外在识别的过程中，蛋白质的分类目标常常与数据库中的蛋白质结构没有相似性，因此需要不依赖与其他已知蛋白质的序列或折叠相似性的新型预测方法。

2.2. 基于序列信息的方法

已有大量的实验结果表明，蛋白质的一级结构(序列排列顺序)相似，其功能也很相似，所以目前更多的方法使用序列信息预测蛋白质的功能，并在拥有海量序列数据的后基因时代得到了很好的发展。在DNA结合蛋白识别模型中，基于序列的特征提取方法大致可分为三类：基于氨基酸组成的方法(Amino acid composition)、基于氨基酸物化性质的方法(Physical and chemical properties)以及基于蛋白质序列进化信息的方法(Evolution information)。

2.2.1. 基于氨基酸组成的方法

氨基酸组成是生物信息学领域中广泛使用的特征。对于一个长度为L的蛋白质序列 $P=R_1{R}_2{R}_3\cdots R_L$ ，其中 $R_1$ 、 $R_1$ 、 $\cdots$ 、 $R_L$ 分别代表蛋白质的第1、第2、 $\cdots$ 、第L个位置的氨基酸。

氨基酸组成(Amino acid composition)表示构成蛋白质的20种天然氨基酸在序列中出现的频率，可根据如下公式计算：

$AA{C}_j=\frac{1}{L}{\displaystyle {\sum }_{i=1}^{L}R\left(i,j\right)},i\le 20$ (1)

$R\left(i,j\right)=\{\begin{array}{l}1,\text{if}{s}_j=R_j\\ 0,\text{else}\end{array}$

其中 $R_j$ 表示序列中的氨基酸， $s_j$ 是20种天然氨基酸中的一种，通过公式的转换可以得到20维特征。

伪氨基酸组成。

基于氨基酸组成的方法在实现上相对比较简单，但这种方法单独使用的效果一般，需要和其它特征组合使用。如Zhang等 [14] 使用氨基酸组成和其它特征提出了newDNA-prot方法。为了体现氨基酸在序列中的位置信息，Chou等 [15] 提出了伪氨基酸组成(Pseudo-amino acid Comiposition, PseAAC)思想，通过加入离散数反映蛋白质的序列顺序，进一步提高了分类效率，详细信息可参考该论文。自从伪氨基酸组成的概念出现后，其转换模型也被蛋白质领域的研究人员不断引用和改善。2011年，PROFEAT中已经增加了对于伪氨基酸组成特征的提取功能，特征预测的结果依赖于所选氨基酸的物理化学性质和具体参数取值 [16]。

2.2.2. 基于氨基酸物化性质的方法

2018年公布的AAindex数据库中，收录了554个关于20种天然氨基酸的物理化学性质指标值。基于氨基酸物化性质的方法通过各种数学映射将蛋白质序列转化为特征向量。目前经常使用的变换方法包括基于组成转换分布的方法(CTD)、基于物化性质距离转换的方法(PDT)和基于自相关指数的变换方法等。Wang等人 [17] [18] 选用了六种物理化学性质，即疏水性、氨基酸侧链体积、极性、极化率、溶剂可达比表面积和净电荷指数，并以此提出预测DNA结合蛋白的NMBAC模型。该方法首先对指标值进行中心标准化，然后利用以下公式得到蛋白质序列的NMBAC特征。

${\text{NMBAC}}_{lag,j}=\frac{1}{n-lag}{\displaystyle {\sum }_{i=1}^{n-lag}\left(X_{i,j}\ast X_{i+lag,j}\right)}\left(i=1,2,\cdots ,n-lag;j=1,2,\cdots ,6\right)$ (2)

其中j代表物理化学性质，i代表蛋白质序列X的位置，n代表蛋白质序列的长度，lag为两残基之间的顺序距离。

2.2.3. 基于蛋白质序列进化信息的方法

基于蛋白质序列进化信息的方法，主要是从氨基酸突变概率出发，对蛋白质序列进行比对分析。该方法首先将目标蛋白质序列在蛋白质数据库中进行比对，然后产生位置特异性打分矩阵(PSSM, position-specific scoring matrices)，进一步从打分矩阵中提取进化信息。目前比较权威的蛋白质数据库是NCBI构建的NR数据库，它整合了来自GenPept，Swissprot，PIR，PDB等数据库中的数据，可通过在线的ftp服务器https://ftp.ncbi.nlm.nih.gov/blast/db/FASTA/访问。首先利用PSI-BLAST得到打分矩阵，之后通过数学公式将其转化为特征向量并结合分类算法进行使用。这类方法的优点是精确性比较高，但由于需要进行多序列比对，通常也有更高的时间和空间成本。

对于长度为L的蛋白质序列S，可以表示为 $S_1{S}_2\cdots S_L$ ，其PSSM定义为：

$P={\left[\begin{array}{cccc}{p}_{1,1}& p_{1,2}& \cdots & p_{1,20}\\ p_{2,1}& p_{2,2}& \cdots & p_{2,20}\\ ⋮& ⋮& \ddots & ⋮\\ p_{L,1}& p_{L,1}& \cdots & p_{L,20}\end{array}\right]}_{L\times 20}$

PSSM中的坐标 $\left(i,j\right)$ 表示在替代过程中，位置 处的氨基酸被位置 处的氨基酸替代的对数似然得分。当矩阵中取值为正整数时，表示在替代的过程中蛋白质序列的相应位点上的氨基酸比较容易突变为对应横坐标上的20种氨基酸，其数值越大，表明此处替换的概率越大。当取值为负整数时，则与之相反，负值越大，表明此处越不易发生改变。位置特异性得分矩阵提供了一种直观衡量蛋白质序列上一个残基突变为其他类型氨基酸的倾向性。

在蛋白质序列进化信息的方法中，PSSM400 [1] 是最常使用的特征之一，它需要对PSSM进行Min-Max标准化，然后分别计算序列中每一种氨基酸突变为20种氨基酸的概率，可得到20 × 20 = 400维特征。

PSSM400只是简单计算突变概率累加得到特征，无法充分发掘PSSM中的其他隐含信息。因此有学者提出用离散数字表示蛋白质样本，如Chou [19] 等人提出的Pse-PSSM，通过对PSSM离散化充分探索PSSM中嵌入的进化信息和序列信息，提高了膜蛋白预测分类的准确率。Local_DPP [20] 在此基础上进行探索，把标准化后的PSSM进行分割，最大程度的提取局部保守信息。首先，它将PSSM划分为n个部分，前 $n-1$ 个部分的长度为 $L/n$ ，第n部分的长度为 $L-\left(n-1\right)\times \left(L/n\right)$ ，通过 $Par{t}_1$ 和 $Par{t}_2$ 的计算公式可以得到特征。

$Par{t}_1=\left\{F_j\left(k\right)=\frac{1}{length\left(k\right)}{\displaystyle {\sum }_{i=0}^{length(k)-1}{f}_{i,j}}\left(j=1,2,\cdots ,20\right)\right\}$ (3)

在公式中，k代表第k个子矩阵， $length\left(k\right)$ 代表第k个子矩阵的长度， $f_{i,j}$ 代表PSSM中的归一化值。 $F_j\left(k\right)$ 表示进化过程中分段序列中每个位置第j种氨基酸出现的平均概率。

$Par{t}_2=\left\{{\varphi }_j^{\xi }\left(k\right)=\frac{1}{length\left(k\right)-\xi }{\displaystyle {\sum }_{i=0}^{length\left(k\right)-1-\xi }{\left(f_{i,j}-f_{i+\xi ,j}\right)}^2}\left(\xi =1,2,\cdots ,\lambda ;1<\lambda <length\left(k\right)\right)\right\}$ (4)

${\phi }_j^{\xi }=\left(k\right)$ 表示被 $\xi$ 分隔的两个残基之间第j类氨基酸的平均相关性。例如，对于第k个子矩阵中的氨基酸类型 ， ${\phi }_j^1=\left(k\right)$ 是通过沿着蛋白质链最近邻残基相关因子。 $Par{t}_1$ 包含局部进化信息， $Par{t}_2$ 包含序列顺序信息。前 $n-1$ 个子矩阵的特征空间表示由下式给出：

$FV\left(n-1\right)=\left(Par{t}_1,Par{t}_2\right)$ (5)

最后一个子矩阵特征如下所示：

$FV\left(n\right)=\left(F_1\left(n\right),\cdots ,F_{20}\left(n\right),{\Phi }_1^1\left(n\right),\cdots ,{\Phi }_{20}^1\left(n\right),\cdots {\Phi }_1^{\lambda }\left(n\right),\cdots ,{\Phi }_{20}^{\lambda }\left(n\right)\right)$ (6)

其中， $F_j\left(n\right)$ 和 ${\Phi }_j^{\xi }$ 的计算方法与前 $n-1$ 个子矩阵的计算方法相同，最终的特征向量为：

$FV\left(n\right)=\left(FV\left(n-1\right),FV\left(n\right)\right)$ (7)

另外一种基于PSSM构造的PSSMDCT [18] 特征提取方法，通过离散余弦变换(DCT)对PSSM进行处理，并将部分压缩后的PSSM保留为特征向量。离散余弦变换(DCT for Discrete Cosine Transform)类似于离散傅里叶变换(DFT for Discrete Fourier Transform)，但是只使用实数，它可以将信息密度的分布从均匀分布改为不均匀分布。在此条件下，对PSSM进行压缩，保留PSSM的低频部分作为最终特征(因为低频部分比高频部分包含更多信息)。当输入原始的PSSM之后，相应的转换公式如下：

$DCT\left(i,j\right)={\alpha }_i,{\alpha }_j\underset{m=0}{\overset{M-1}{{\displaystyle \sum }}}\underset{n=0}{\overset{N-1}{{\displaystyle \sum }}}Mat\left(m,n\right)\cos \frac{\pi \left(2m+1\right)i}{2M}\ast \cos \frac{\pi \left(2n+1\right)j}{2n}$ (8)

${\alpha }_i=\{\begin{array}{l}\sqrt{1/M},i=0\\ \sqrt{2/M},1\le i\le M-1\end{array}$

${\alpha }_j=\{\begin{array}{l}\sqrt{1/n},j=0\\ \sqrt{2/n},1\le j\le N-1\end{array}$

根据上述压缩公式，包含大部分信息的部分(低频部分)被压缩在PSSM的左上角。保留前100个系数作为PSSM-DCT的最终特征。与此相似的方法还有PSSM-DWT [18] (基于离散小波变换的方法)，PSSM-DBT和PSSM-AB [24]。

而Sliding window [21] 在原始PSSM的第一列和最后一列加入零向量，通过选择合适的长度w对原始PSSM进行滑动拼接，形成标准的PSSM，并通过选择合适的窗口长度ws形成平滑的PSSM，计算每列的均值、标准差、极差和上下四分位点，构成最终特征。滑动窗口的思想在DNA结合残基的识别预测中应用广泛，考虑了氨基酸残基间的影响，认可度较高。

3. 实证分析

3.1. 数据集

本文选用PDB1075 [22] 和PDB186 [23] 作为实证分析的数据集，具体见表1。数据集PDB1075和PDB186中的蛋白质序列均来自PDB数据库(http://www.rcsb.org/pdb/home/home.do)，PDB1075含有525个DNA结合蛋白和550个非DNA结合蛋白，PDB186包含93条DNA结合蛋白序列和93条非DNA结合蛋白序列。为了保证分类结果的准确性，以上两个数据集使用PISCES减少蛋白质序列间的冗余度，相似性低于25%。

Table 1. PDB1075 and PDB186 datasets

表1. PDB1075和PDB186数据集

3.2. 分类器

XGBoost算法是以CART为基分类器的集成学习方法之一，由于其出色的运算效率和预测准确率在数据建模比赛中得到广泛的应用。与随机森林赋予每一颗决策树相同的投票权重不同，XGBoost算法中下一棵决策树的生成和前一棵决策树的训练和预测相关(通过对上一轮决策树训练准确率较低的样本赋予更高的学习权重来提高模型准确率)。相比于其他集成学习算法，XGBoost一方面通过引入正则项和列抽样的方法提高了模型稳健性，另一方面又在每棵树选择分裂点时采取并行化策略从而极大提高了模型运行的速度。

3.3. 评价指标

为了防止过拟合，本文在训练数据集PDB1075中采用五折交叉验证方法建立预测模型。选取以下5个性能指标对模型进行评价，包括准确率(ACC)，灵敏度(SN)，特异性(SP)，马修斯相关系数(MCC)，AUC，具体计算公式如下：

$ACC=\frac{TP+TN}{TP+TN+FP+FN}\times 100\%$

$SN=\frac{TP}{TP+FN}\times 100\%$

$SP=\frac{TN}{TN+FP}\times 100\%$

$MCC=\frac{TP\times TN-FP\times FN}{\sqrt{\left(TN+FN\right)\left(TN+FP\right)\left(TP+FN\right)\left(TP+FP\right)}}$

其中， 和 分别是正确预测DNA结合蛋白和非结合蛋白的数目， 表示预测为DNA结合蛋白的非结合蛋白， 表示预测为非结合蛋白的DNA结合蛋白，这些指标值越高意味着更好的预测结果。

上述指标大多数依赖于阈值的选择，通过确定阈值将预测的概率分为正类和负类，而 (ROC曲线下的面积)不受阈值影响。因此，与其它指标相比， 指数可以为预测提供更全面的视角。

3.4. 对比结果分析

本文主要选取基于氨基酸组成的频率特征AAC、基于氨基酸物化性质的特征NMBAC、伪氨基酸组成特征PseAAC及基于蛋白质进化信息的PSSM400、Local_DPP、PSSM-DCT、PSSM-DWT、PSSM-AB、Sliding window进行对比分析。根据上述9种特征提取方法将蛋白质序列转化为特征向量，在训练集PDB1075上建立预测模型，并在PDB186上进行测试，几种方法的性能比较如表2、表3所示。

在训练集上，蛋白质进化信息的Local_DPP方法综合表现最优，其预测准确率达到77.2%，灵敏度为78.5%，MCC指标为0.544，AUC值为0.82。其余方法中，Sliding window灵敏度最好，为81.7%。PSSM-DWT特异性和AUC最高，分别为77.2%和0.84。综合比较，可以发现蛋白质进化信息的方法要优于氨基酸组成和氨基酸物理化学性质的方法。

从图1的ROC曲线可以看出，各类特征提取方法的AUC值均大于0.7，表明这些方法都有着较好的分类结果。其中PSSM-DWT的AUC最高，达到了0.84。Local_DPP、PSSM-AB和PseAAC方法得到的AUC值为0.82，并列第二位。AUC指标表现最差的是氨基酸物化性质的方法NMBAC，仅有0.76。

Table 2. Classification results of PDB1075 data set

表2. 训练数据集的分类结果

Table 3. Classification results of PDB186 data set

表3. 测试数据集的分类结果

在测试集上，Local_DPP方法的预测结果最好，准确率、灵敏度、MCC、AUC值分别为78.3%，88.3%，0.584，0.82。PSSM-DWT方法的准确率为76.8%。另外几种蛋白质进化信息的方法准确率较低，如PSSM-DWT方法的准确率为65.3%，PSSM400的准确率为61.5%，Sliding window方法的准确率为67.3%。物理化学性质NMBAC方法和伪氨基酸组成PseAAC方法预测准确率分别为74.3%、73.12%，高于部分进化信息的方法。综上所述，不同的特征计算方法对于DNA结合蛋白的识别预测具有十分显著的影响。

Figure 1. ROC curves of nine methods

图1. 九种方法的ROC曲线图

4. 结论

基于结构信息的特征提取方法由于应用条件的苛刻性，很难在后基因时代推广，所以现阶段的方法更多注重从蛋白质序列中挖掘内在的生物信息。在三类基于蛋白质序列信息的提取方法中，基于蛋白质序列进化信息的方法综合性能优于氨基酸组成和氨基酸理化性质的方法，Local_DPP方法在训练集和测试集上的综合性能最好。PseAAC方法组合了氨基酸组成信息和理化性质，其特征仅有25维，但在分类准确率上超过了70%，所以在组合特征时可以优先考虑使用。

总的来说，虽然目前已提出很多基于序列信息的DNA结合蛋白预测方法，但其预测性能仍不能令人满意。蛋白质序列特征提取方法是蛋白质结构和功能识别方法性能提升的瓶颈，如何有效地表示蛋白质序列仍需要进一步的研究。

基金项目

本文得到了河北省自然科学基金项目(F2019402078)和河北省高等学校科学技术研究项目(QN2018235)的支持，在此表示感谢。