13、蛋白质二级结构预测的双向动力学研究

蛋白质二级结构预测的双向动力学研究

1. 数据集介绍

蛋白质二级结构（SS）类别的分配是一项具有挑战性的任务，通常使用广泛应用的DSSP程序来完成。该程序通过确定潜在的主链氢键（基于主链原子的三维坐标），随后识别重复的键合模式来工作。此外，还有STRIDE和DEFINE这两个替代方案。STRIDE除了考虑氢键外，还使用二面角；DEFINE则使用差异距离矩阵来评估蛋白质中原子间距离与理想二级结构的匹配程度。不过，本文主要聚焦于DSSP的分配结果。

为了开发和测试算法，使用了多个数据集：
- 第一个高质量数据集 ：从Brookhaven蛋白质数据库（PDB）的77版本中提取并更新。筛选条件如下：
1. 必须是通过X射线衍射确定的结构，因为对于NMR或理论模型结构，没有通用的质量衡量标准。
2. DSSP程序能够产生输出，以确保使用其对蛋白质二级结构的分配结果。
3. 蛋白质不能有物理链断裂（即序列中相邻氨基酸的Cα距离超过4.0 Å）。
4. 分辨率要优于1.9 Å，这样晶体学家才能从模型中去除大部分误差。
5. 长度小于30个氨基酸的链会被丢弃。
6. 对剩余的链，使用Hobohm等人的算法#1，通过局部比对程序搜索（严格的Smith - Waterman算法），使用pam120矩阵，间隙罚分为 - 12和 - 4，选择具有低序列相似性的代表性子集。最终得到包含464个不同蛋白质链的数据集，对应123,752个氨基酸，约为Qian和Sejnowski（1988）可用数据的10倍。
- EMBL非冗余PDB子集 ：可通过ftp访问ftp.embl - hei