30、蛋白质序列分析与微阵列数据分析

蛋白质序列分析与微阵列数据分析

1. 蛋白质序列的测量表示转换

在对蛋白质进行分析时，首先要将蛋白质的氨基酸序列转换为测量表示，这里选取 K = 5。这是因为 K 值的大小会影响转换结果：
- 若 K 过小，集合 {0, 1, 2, 3} 中字母的组合数量不足，导致结果缺乏统计意义。
- 若 K 过大，大多数子串的频率为零，测量表示无法提供有效的生物信息。考虑到所选蛋白质的长度在 350 到 1000 之间，K = 5 是比较合适的选择。

2. IFS 和 RIFS 模型模拟蛋白质测量表示

使用 IFS 和 RIFS 模型对 32 种蛋白质的测量表示进行模拟。研究发现：
- IFS 是基于详细的蛋白质 HP 模型模拟测量表示的良好模型。
- 在模拟蛋白质序列的测量表示方面，IFS 模型优于 RIFS 模型。32 种蛋白质的 IFS 模型估计参数如下表所示（此处虽未给出具体表格，但可想象表格包含蛋白质编号、各参数值等信息）：
| 蛋白质编号 | 参数 p1 | 参数 p2 | 参数 p3 |… |
| ---- | ---- | ---- | ---- | ---- |
| 1 |… |… |… |… |
| 2 |… |… |… |… |
|… |… |… |… |… |

3. 概率在区分蛋白质类别中的应用

一旦确定了概率，IFS 模型就可用于蛋白质序列的测量表示。从相关数据中发现：
- 概率 p3（对应不带电的极性属性）可用于区分 α 类和 β 类蛋白质，α 类蛋白质的 p3 值小于 β 类蛋白质。
- 概率 p1（对应非