人工智能技术在生物信息学中的应用研究省公共课一等奖全国赛课获奖课件.pptx

人工智能技术在生物信息学人工智能技术在生物信息学中应用研究中应用研究刘滨第1页内容内容l生物信息学概述l生物知识lDNA介绍l蛋白质介绍l人工智能和自然语言处理技术在生物信息学中应用l蛋白质序列和自然语言相同性l蛋白质相互作用位点预测l远程同源性和折叠检测l资源l数据库l工具第2页定义定义lBioinformatics由来l生物信息学之父Hwa A.Lim博士lCompBio bioinformatique bio-informatics(bio/informatics)bioinformatics第3页意义意义意义意义蛋白质序列蛋白质结构数据指数级增加增加不平衡性第4页研究方向研究方向lDNA序列分析l基因识别l系统发生行为分析（进化树）l蛋白质结构和功效预测l基因芯片l数据挖掘和基因表示调控信息分析l基因组功效预测l支撑蛋白质组学和各种“组学”研究l利用生物分子结构信息参加创新药品设计l生物学虚拟试验模型构件第5页数据源数据源数据量数据量生物信息学任务生物信息学任务DNA序列3000万条序列 400.0 亿个碱基l分离编码与非编码区域 l识别内含子与外显子 l基因产物预测 l基因功效注释 l基因调控信息分析 蛋白质序列100万条序列 l序列比较 l多重序列比对 l识别保守序列模式 l进化分析 大分子结构 2.5 万个结构二级结构、空间结构预测 三维结构比对 蛋白质几何学度量 表面和形态计算 分子间相互作用分析 分子模拟 基因组1300个基因组（其中大量是病毒和微生物基因组）l标重视复序列 l基因结构分析 l系统发生分析 l基因与疾病连锁分析 l基因组比较 l遗传语言分析l基因表示海量l基因表示模式相关分析 l基因调控网络分析 l表示调控信息分析第6页DNA介绍介绍第7页碱碱 基基第8页DNARNA碱基腺嘌呤(adennine,A)鸟嘌呤(guanine,G)胞嘧啶(cytosine,C)胸腺嘧啶(thymine,T)腺嘌呤鸟嘌呤胞嘧啶尿嘧啶(Uracil,U)戊糖脱氧核糖核糖磷酸磷酸磷酸第9页碱 基 配 对第10页DNA空间结构空间结构第11页蛋白质介绍蛋白质介绍第12页20种标准氨基酸英文简写氨基酸名称氨基酸名称英文缩写英文缩写简简 写写氨基酸名称氨基酸名称英文缩英文缩写写简简 写写甘氨酸GlyG丝氨酸SerS丙氨酸AlaA苏氨酸ThrT缬氨酸ValV天冬酰胺AsnN异亮氨酸IleI谷酰胺GlnQ亮氨酸LeuL酪氨酸TyrY苯丙氨酸PheF组氨酸HisH脯氨酸ProP天冬氨酸AspD甲硫氨酸MetM谷氨酸GluE色氨酸TrpW赖氨酸LysK半胱氨酸CysC精氨酸ArgR第13页肽键肽键第14页第15页第16页本试验室人工智能技术和自然语言处本试验室人工智能技术和自然语言处理技术在生物信息学中应用理技术在生物信息学中应用l采取Ngram寻找蛋白白质序列和自然语言相同性l采取条件随即域（CRF）处理蛋白质相互作用位点预测问题。l采取N-gram,binary profile和N-nary profile模型结合支持向量（SVM）机处理蛋白质远程同源性和折叠识别问题。l采取潜在语义分析（LSA）提升远程同源性检测效果。第17页蛋白质序列和自然语言相同性蛋白质序列和自然语言相同性第18页蛋白质序列和自然语言相同性蛋白质序列和自然语言相同性lDong et al.N-gram Statistics and Linguistic Featrues Analysis of Whole Genome Protein Sequences.Journal of Harbin Institute of Technology.l在此论文中，探索了蛋白质和自然语言之间关系。第19页N-gram例子：SVYDA其中包含3-gram为：SVYVYDYDA第20页N-gram 比较分析（人）比较分析（人）第21页N-gram 比较分析（褐家鼠）比较分析（褐家鼠）第22页蛋白质组蛋白质组Zipf定律分析定律分析lZipf定律：l对数形式Zipf定律为：第23页Zipf定律分析定律分析（人）（人）第24页蛋白质序列和自然语言关系蛋白质序列和自然语言关系第25页蛋白质相互作用位点预测蛋白质相互作用位点预测第26页基于CRF蛋白质相互作用位点预测l蛋白质相互作用位点预测研究内容l蛋白质相互作用位点预测意义l为何采取CRF进行相互作用位点预测lCRF模型l试验结果分析第27页蛋白质相互作用位点预测研究内容蛋白质相互作用位点预测研究内容第28页相互作用位点预测任务相互作用位点预测任务A R N D C Q E G H I L K M F P S T W Y V.0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 第29页蛋白质相互作用位点预测意义蛋白质相互作用位点预测意义l识别相互作用位点能够帮助构建蛋白质复合体分子结构模型。与此同时，蛋白质相互作用位点研究对了解生物体活动机制、蛋白质功效研究、疾病诊疗和药品研究有主要意义。第30页为何采取为何采取CRF进行相互作用位点预测进行相互作用位点预测l蛋白质一级结构是一个序列l传统相互作用位点预测方法都是基于分类方法，忽略了序列相邻或者空间相邻残基对于形成相互作用接口含有相同倾向。l为了引入相邻残基间相互影响信息，采取了基于序列标识方法（CRF）。第31页CRF模型模型yi-1yiyi+1X(x1,x2,xi-1,xi,xi+1,xn)链状条件随机域模型 转移特征 状态特征 第32页特征定义特征定义l转移特征l序列谱状态特征l残基溶剂可接触面积状态特征l残基保守性状态特征 第33页试验结果分析：试验结果分析：预测示例预测示例SMC1HD:SCC1-C复合体 CRF预测结果 支持向量机预测结果 正确位点 第34页试验结果分析：试验结果分析：预测示例预测示例Ribosomal subunit 30S复合体 CRF预测结果 支持向量机预测结果 正确位点 第35页试验结果分析：试验结果分析：预测示例预测示例Sreptococcal pyrogenic enterotoxin C（SpeC）复合体 CRF预测结果 支持向量机预测结果 正确位点 第36页远程同源性和折叠检测远程同源性和折叠检测第37页远程同源性和折叠检测研究内容远程同源性和折叠检测研究内容l蛋白质可按其结构和进化关系进行分类。当前广泛使用SCOP 数据库定义分类体系，包含三个主要层次：家族(family)、超家族(superfamily)和折叠(fold)。l依靠蛋白质一级结构将其按照结构和进化关系进行分类。第38页意义意义l在比较建模和折叠识别中，都需要识别和待测序列含有同源性蛋白质作为模板。所以依据序列来探测蛋白质同源性是蛋白质结构预测中主要步骤。第39页蛋白质同源性检测方法示意图第40页蛋白质向量化方法蛋白质向量化方法lN-gramslBinary profileslN-nary profiles第41页Binary profiles第42页N-nary profiles第43页 统计方法l 统计方法可衡量特征t和类别c之间相关性。特征t相对于类别c 值定义以下 第44页潜在语义分析（潜在语义分析（LSA）l用于自动实现知识提取和表示理论和方法，经过对大量文本集进行统计分析，从中提取出词语上下文使用含义。第45页采取采取LSA可能性可能性第46页试验结果分析（远程同源性检测结果）试验结果分析（远程同源性检测结果）第47页试验结果分析（折叠检测结果）试验结果分析（折叠检测结果）第48页远程同源性检测结果远程同源性检测结果(roc50分布分布)第49页折叠检测结果（折叠检测结果（roc50分布）分布）第50页核酸序列数据库核酸序列数据库(cont.)l国际上权威核酸序列数据库（1）欧洲分子生物学试验室EMBL http:/www.embl-heidelberg.de （2）美国生物技术信息中心GenBank http:/www.ncbi.nlm.nih.gov/Web/Genbank/index.html （3）日本遗传研究所DDBJ http:/www.ddbj.nig.ac.jp/l人类基因组数据库lGDB http:/www.gdb.org/lEnsembl http:/www.ensembl.org/l其它模式生物基因组数据库l鼠基因组数据库 MGD http:/www.informatics.jax.org/l酵母基因组数据库 SGD http:/genome-www.stanford.edu/Saccharomyces/l表示序列标识数据库dbEST http:/www.ncbi.nlm.nih.gov/dbEST/l序列标识位点数据库 dbSTS http:/www.ncbi.nlm.nih.gov/dbSTS/l面向基因聚类数据库UniGene http:/www.ncbi.nlm.nih.gov/UniGene/第51页蛋白质序列数据库蛋白质序列数据库lPIRlhttp:/pir.georgetown.edu/lSWISS-PROTlhttp:/www.expasy.ch/sprot/sprot-top.html lTrEMBLlhttp:/www.ebi.ac.uk/trembl/lUniProtlIncludes PIR,SWISS-PROT,TrEMBLlhttp:/www.uniprot.org/第52页生物大分子结构数据库生物大分子结构数据库lPDBlhttp:/www.rcsb.org/pdb/home/home.do lMMDBlhttp:/130.14.29.110/Structure/MMDB/mmdb.shtml 第53页 PDB第54页其它生物分子数据库其它生物分子数据库l单碱基多态性数据库dbSNP http:/www3.ncbi.nlm.nih.gov/SNP/l蛋白质结构分类数据库SCOP http:/scop.mrc-lmb.cam.ac.uk/scop/l蛋白质二级结构数据库DSSP http:/www.sander.embl-heidelberg.de/dssp/l蛋白质同源序列比对数据库HSSP http:/www.sander.embl-heidelberg.de/hssp/l人类遗传数据库OMIM http:/www.ncbi.nlm.nih.gov:80/entrez/query.fcgi?db=OMIM l蛋白质指纹数据库PRINTS http:/www.bioinf.man.ac.uk/dbbrowser/PRINTS/l基因开启子数据库EPD http:/www.epd.isb-sib.ch/l转录调控区域数据库TRRD http:/wwwmgs.bionet.nsc.ru/mgs/gnw/trrd/l转录因子数据库TRANSFAC http:/transfac.gbf.de/l基因本体数据库GO http:/www.geneontology.org/l生物、医学文件数据库PubMed http:/www.ncbi.nlm.nih.gov/l人、鼠基因表示数据库BODYMAP http:/bodymap.ims.u-tokyo.ac.jp/l序列模式数据库PROSITE http:/www.expasy.ch/prosite/l目录数据库DBCat http:/www.infobiogen.fr/services/dbcat/第55页其它资源其它资源北京大学生物信息中心（欧洲分子生物学网络EMBNet中国节点和亚太生物信息学网络（APBioNet）中国节点）http:/ The Canadian Bioinformatics Resourcehttp:/www.cbr.nrc.ca/Human Genome Working Drafthttp:/genome.ucsc.edu/TIGR(The Institute for Genomics Research)http:/www.tigr.org/Celerahttp:/ specific information:Yeast:http:/genome-www.stanford.edu/Saccharomyces/Arabidopis:http:/www.tair.org/Mouse:http:/www.jax.org/Fruitfly:http:/www.fruitfly.org/Nematode:http:/www.wormbase.org/Nucleic Acids Research Database Issuehttp:/nar.oupjournals.org/(First issue every year)第56页惯用软件惯用软件Database interfacesGenbank/EMBL/DDBJ,Medline,SwissProt,PDB,Sequence alignmentBLAST,FASTAMultiple sequence alignmentClustal,MultAlin,DiAlign，PSI-BlastGene findingGenscan,GenomeScan,GeneMark,GRAILProtein Domain analysis and identificationpfam,BLOCKS,ProDom,Pattern Identification/CharacterizationGibbs Sampler,AlignACE,MEMEProtein Folding predictionPredictProtein,SwissModeler第57页研究中一些体会研究中一些体会l发觉问题l紧紧围绕试验室技术l在试验中发觉问题，处理问题。Sun说过“没有失败试验，只有放弃试验”。第58页相关文章相关文章lDong Qiwen,Wang Xiaolong,Lin Lei.N-gram Statistics and Linguistic Features Analysis of Whole Genome Protein Sequences.Journal of Harbin Institute of Technology.lLi MH,Lin L,Wang XL,Liu T:Protein-protein interaction site prediction based on conditional random fields.Bioinformatics().lDong QW.,Wang XL.and Lin L.:Application of Latent Semantic Analysis to Protein Remote Homology Detection.Bioinformatics.22,285-290().lLiu B,Lin L,Wang XL,Dong QW,Wang X:A discriminative method for protein remote homology detection based on N-nary profiles.BIRD08().l孙之荣译,后基因组信息学,清华大学出版社.第59页谢谢！谢谢！欢迎您批评指正第60页