迷途知返

摘要　蛋白质功能通过与其他蛋白质和生物分子相互作用而实现其功能。蛋白质相互作用包含了一些蛋白功能分子机制的关键信息。过去的几年里人们在界面残基预测方面做出了大量的努力。现在界面预测和它的应用和发展前景状况良好。

界面预测方法依赖大范围的序列，结构以及物理性质来区别界面残基和非界面残基。输入的数据经过计算得到一个数值或者代表一个残基在蛋白界面内部的潜在可能性。对于在PDB中能够很好表示的复合物形式的蛋白，预测还是比较令人满意的，但是那些表示不太好的则不太令人满意。将来的发展方向主要是解决一些问题，如为多组分结构复合物建立结构模型。

关键词：蛋白－蛋白相互作用，结构位点预测，DNA结合位点预测，功能位点，对接

前言　蛋白质相互作用是蛋白质功能的核心。相互作用发生在复合物的形成时期，不论是短暂的还是长时间的。RNA复制子就是一个很好的例子。RNA聚合酶、剪接子、核糖体、分子伴侣和一些其他的复合物在信号转导途径和酶催化和受抑制期间形成。这些复合物一般含有多种组分。蛋白质复合物通常是理解蛋白质功能的基础，它们结构的预测充满了技术难题，并且远远赶不上蛋白质单体以及蛋白质结构域的结构预测。CASP（http://predictioncenter.gc.ucdavis.edu/）是每两年举行的评估单体蛋白和蛋白质结构域预测的比赛，现在有近100个目标蛋白。CAPRI（http://capri.ebi.ac.uk/）对蛋白向复合物的对接方法进行了评估，在过去的6年里CAPRI在竞赛中总共使用了25个蛋白及复合物。对于在现在PDB（http://www.rcsb.org/pdb）里表示很好的单结构域蛋白的结构还有些争议。国际上研究结构基因组的学者们一直很关注单体蛋白和蛋白结构域，现在才刚刚开始关注蛋白质复合物。

这种情况下，蛋白质复合物结构提供的信息就很有价值。蛋白质复合物的界面信息就是一种分类标准。这种信息的重要性使得Jones和Thornton在和界面交迭的表面块的预测中做出了努力。2001年，一种预测蛋白－蛋白界面的单个残基的方法发表了。从那以后，至少20篇论文提出了不同的预测方法。

 

界面的预测依赖于蛋白质复合物界面上残基的性质。通过界面和非界面的比较认识，更加强了我们对于蛋白质整体上的了解。这些重要的性质包括：

1.       序列保守性。相对非界面的表面残基来说，界面残基要保守得多(Zhou and Shan, 2001)。保守性可能是由于功能或者结构上的需要(Lichtarge et al., 1996)。

2.       20种氨基酸的分布。在蛋白－蛋白界面上，疏水（和芳香）残基以及精氨酸富集，而其他带电氨基酸分布较少(Conte et al., 1999; Zhou and Shan, 2001)。精氨酸的富集是由于阳离子－π反应的需要(Crowley and Golovin, 2005)。界面上疏水残基的分布密度相对非界面来说也比较大(Neuvirth et al., 2004)。

3.       二级结构。β－片层结构更适合于界面，而α－螺旋而不太适合。界面上的环结构也总是较长。(Neuvirth et al., 2004)

4.       溶剂可接近性。界面残基的溶剂接近性比非界面残基的溶剂可接近性要高(Jones and Thornton, 1997; Chen and Zhou, 2005)。由于非界面残基没有分子间的相互作用受体，这样就容易将分子内的相互作用极大化，于是就减小了它们的溶剂可接近性。溶剂可接近性可以从蛋白质序列来进行预测；这些方法在一些粗略没有被很好表示出来的残基中通过数据集进行训练，这样就使得界面残基的溶剂可接近性不能被很好的预测了。研究发现，预测的溶剂可接近性和实际的溶剂可接近性的差别比实际的溶剂可接近性还大(Porollo and Meller, 2007)。对于每一种氨基酸，将来根据二级结构对溶剂可接近性的分类可以提高溶剂可接近性的判别能力(Hoskins et al., 2006)。

5.       侧链构象熵。界面残基不太倾向于选择另一种可供选择的旋光异构体(Cole and Warwicker, 2002; Liang et al., 2006)，这可能是由于在复合物形成时需要减小熵的消耗。

对于以上所有的性质，和蛋白结构相关的性质对于伴随着复合物形成的局部构象变化不是特别敏感。需要注意的是，很多蛋白质表面是一些抗原决定簇，这些抗原决定簇是抗体在成熟时的结合部位。所以抗原是界面预测中不太合适的目标物。

 

用来区分界面残基的性质很少。多种残基的多种输入数据需要将单个残基归为界面残基或者非界面残基类别。从空间邻位的残基形成界面以后，通常考虑的是典型的空间邻位的多种残基。广泛来说，界面预测可分为基于数值和概率的。两类方法都依赖于数据集的训练。通常情况下，只有表面残基才被考虑来做界面残基的预测。

在第一种方法中，输入数据x_i是预测对象，相应的，x_j是空间近邻的残基j，j∈n_i，n_i是残基i的近邻列表。用这几个参数来定义一个函数：

c是通过训练得到的系数的集合。残基i的“状态”可以是I，即界面残基，也可以是N，即非界面残基，它是由Si的值决定的。例如，如果Si大于一个极限值则预测为I，否则就预测为N。训练的目的是为了将训练集中预测的和实际的状态差异最小化。

基于数值的方法细节上是很广泛的。下面就是这些方法的优势和局限性：

1.       线性回归(Li et al., 2006; Kufareva et al., 2007)。在这种方法中，等式（1）是一个关于输入数据的线性函数，比如溶剂可接近性，c是系数。这种方法的优势是简单，并且实用。例如，对于界面预测的输入数据的筛选优化。线性回归的效果在整体上不如其他方法。

2.       打分函数(Landau et al., 2005; de Vries et al., 2006)。打分函数是在半经验能量函数的基地上建立起来的，对于不同的输入数据的不同的贡献，具有不同的形式。函数的形式也通常比线性的要复杂很多，这样就使用辨别能力更好，但是打分函数的引入需要有一些物理的背景。

3.       支持向量机(Koike and Takagi, 2004; Yan et al., 2004)。在这种方法中，输入数据在特定空间里是一个非线性映射，在这个空间里得到一个超平面，这个平面将一点数据点优化地将I状态的点和N状态的点分开。比起线性回归，这种方法的准确性高，但是代价是失去了透明性。

4.       神经网络(Zhou and Shan, 2001; Fariselli et al., 2002)。这里输入数据线性连结成为一个节点，转换成为一个非线性的形式。一般有一个隐藏的媒介层，它的输出数据会提供给最终的数据输出节点。将输入数据线性连结成为节点的系数，或者叫做权，在一个训练集上进行优化来使得预测输出值（如从0到1来分级）和实际状态下的值（1＝I，0＝N）的差别最小化。同样，这里的准确性也以透明度作为了代价。

 

概率方法的目的是找到一个条件概率p(s|xi,..,xk)，其中s=I或N，xi,xk是预测残基的输入数据。比如，如果大于一个极限值，那么就预测为界面残基。可以从不同的水平来从训练集中得到这个条件概率：

1.       朴素贝叶斯(Neuvirth et al., 2004)。在这种方法中，不同的输入数据x₁到x_k是独立的
      (2)
p(s)是状态s在训练集中的部分，p(x_i)是x_i在整个数据集中的概率密度，p(x_i|s)是给定状态s子集中相应的量。

2.       贝叶斯网络(Bradford et al., 2006)。如果两个输入数据（x₁,x₂）是独立的，p(s|x₁,…,x_k)贡献因子不再是p(x₁|s)p(x₂|s)，而是联合概率p(x₁,x₂|s)。

3.       隐马尔科夫模型(Friedrich et al., 2006)。这种方法是关于一条状态链的，比如“在多序列比对中对I位置的匹配”，“对N位置的匹配”，插入以及删除。每一个状态都可以用表示氨基酸的20个字母来表示，或者是一种沉默状态（就像删除状态一样）。这种状态链是隐藏的，但是氨基酸链，如蛋白质序列是可见的。隐马尔科夫模型给出了残基i在蛋白质序列a中是否处理界面状态的概率p(s_i=I|a)

4.       条件随机场(Li et al., 2007)。在这种方法中，蛋白质序列的每一个位置都被一个状态所标记，即I或者N。假设蛋白质序列为a，状态序列为s，那么概率可表示为：
 (3)
特征函数f_l和g_l可以看作是残基i（和i-1）在序列a中被标记为s_i（和s_i-1）的贡献分数。在训练中对权γ_l和μ_l进行调整，完成训练之后，状态标记序列可被预测为那些使p(s|a)具有最大值的序列。

 

一种聚类处理常被用来筛选残基。这种可以清除那些孤立的残基，并且选择概率最大的聚类作为最后的预测结果。

不同的方法适合于不同的输入数据；实际上，不同的数据已经包含在了它们的补充部分。这样就可以通过结合不同的预测方法的结果来提高预测的效果。一些研究已经表明这种多方法结合的方法具有很大的优势。值得一提的是，最后一种方法是从蛋白－蛋白对接中发展起来的，现在也被用于界面的预测。这是界面预测辅助解决对接问题的反向应用。

 

很多方法学研究者都建立了网站服务器，允许用户从提交的蛋白质结构来预测界面残基。有些服务器还支持多种方法的对比。

界面预测有两个竞争性的要求。预测需要尽量覆盖更多的真实的界面残基，但同时又尽可能减少假阳性的情况。两个要求可以分别用覆盖率和准确性来度量。如果真实的界面残基是RI，在所有的界面残基预测中，真阳性和假阳性分别是TP和NP，那么覆盖率：

Cov＝TP/RI     （4）

准确性：

Acc=TP/(TP+FP) （5）

在文献中，覆盖率通常和敏感性同时提及，准确性通常和精度或者特异性相关。在一些研究中，一些预测的评价通常也和非界面残基的预测有关。由于真实的界面残基数目相比于非界面残基的数目常常被测量得过大，因此这样的评价偏向于阳性数目很小的预测方法，但是是不推荐这样做的(Zhou and Qin, 2007)。

下面是一些网站服务器：

1.       cons-PPISP(http://pipe.scs.fsu.edu/ppisp.html)。这种方法使用了神经网络，使用的数据是PSI-Blast序列文档和溶剂可接近性(Chen and Zhou, 2005)。

2.       Promate(http://bioportal.weizman)。一种基于二级结构，原子分布，氨基酸配对及序列保守性等性质的朴素贝叶斯方法(Neuvirth et al., 2004)。

3.       PINUP(http://sparks.informatics.iupui.edu/PINUP/)一种基于半经验的打分函数的方法。包括侧链能量，溶剂可接近面积分布和序列保守性(Liang et al., 2006)。

4.       PPI-Pred(http://bioinformatics.leeds.ac.uk/ppi-pred)，采用了六种性质（包括表面形状，电势等）作为输入数据的支持向量机方法(Bradford and Westhead, 2005)。

5.       SPPIDER(http://sppider.cchmc.org/)，一种包含溶剂可接近性预测的神经网络方法(Porollo and Meller, 2007)。

6.       Meta-PPISP(http://pipe.scs.fsu.edu/meta-ppisp.html)，是基于cons-PPISP，Promate和PINUP的复合网络服务器(Qin and Zhou, 2007a)。

 

蛋白质界面预测方法学的研究和预测的结果在很多重要问题上都有应用。

1.       DNA结合位点
预测蛋白－蛋白界面的基本原理对于预测蛋白质与DNA相互作用的DNA的结合位点也是可行的。关于后者的一些问题已经由前面提到的方法解决，如神经网络(Ahmad et al., 2004; Tjong and Zhou, 2007)和支持向量机(Wang and Brown, 2006; Kuznetsov et al., 2006)。用于区分DNA结合位点和非DNA结合位点的性质似乎比区分蛋白－蛋白相互作用位点的性质更明显(Tjong and Zhou, 2007)。例如，DNA结合位点富集带正电荷的精氨酸和赖氨酸残基，而带负电荷的天冬氨酸和谷氨酸则很少。现在DNA结合位点的预测成为了各种不同方法学测试的一个很好的环境。

2.       功能位点
蛋白质相互作用位点常常几乎可以等同于功能位点。在相互作用位点预测中，采用的是结构和物理性质。在功能位点的预测中，常常强调的是与进化相关的性质，就像系统进化树所表示的那样(Res et al., 2005; Landau et al., 2005)。更好的利用进化关系将会改进界面预测，而结构和物理性质的结合将促进功能位点的预测。
引起疾病的突变常发生在蛋白质相互作用期间(Zhou, 2004; Toomes et al., 2004)。界面预测可以直接理解病理机制并辅助药物设计。

3.       对接
从未结合蛋白亚基形成蛋白复合物结构的这个过程就是对接。无论是局部还是大范围的构象变化都是很复杂的。搜索空间过大和对接分级是两个主要的问题，界面预测在两个问题上都能有所应用(Qin and Zhou, 2007b)。界面残基预测可以将起始搜索局限在一个范围内，这是对前一个问题的应用；另外界面残基预测可以对对接结构进行打分，这是对后一个问题的解决。界面预测在对接中的地位就好像二级结构预测在单体蛋白和蛋白结构域的预测中的地位一样。相应于从局部的序列来预测二级结构，界面残基的预测不依赖于与它结合的蛋白。
界面预测对两个问题的解决都将界面预测引入到对接的研究中(van Dijk et al., 2005; Tress et al., 2005)。前者应用的优势是搜索空间在一开始就得到了限制；缺点是对接可能被本来就不准确的界面预测所有误导。另一方面，在一种非偏见的搜索之后，后者应用允许预测界面残基结合其他分数（如基于反应能量的分数）来对对接结果进行分级，这更容易被不准确性所包容。对于界面预测的把握，是一个在对接中是否采用前者应用和后者应用的因素。

 

在过去几年里，界面预测方法学得到了很大的发展。现在已经能够很好的预测在PDB中表示很好的蛋白复合物（如小分子或者一般的酶及抑制剂），但是对于不能很好表示的复合物（如大蛋白）的预测还是很困难的。这样看起来似乎在未来几年里，随着PDB中蛋白质复合物结构的丰富，现在的预测方法将就得到很大的提高。同时在方法上也有很多需要解决的问题：

1.       大规模的构象改变。就像前面提到的一样，现在的预测方法可以处理一些局部的构象改变。但是对于大规模的构象改变，如一些相关的域和域之间的重新分布，是很影响预测结果的。例如，天然复合物中的界面残基会散布在未结合的结构中，这个会在聚类的过程中消除。似乎界面预测和预测域重新分布的方法可以相互辅助来达到它们各自的目的(Zhou and Qin, 2007)。

2.       一个蛋白，多个受体（配体）。一个蛋白可以和很多其他蛋白相互作用，并且界面在表面的不同的部分。这种情况下，需要对不同的结合块进行预测，并且还需要不同受体（配体）的生化数据。预测两个相互作用蛋白界面残基关系的方法是很有用的。一个蛋白可能结合另一个蛋白和DNA，可以在同一个块，也可以在两个不同的块，有趣的是，到底是蛋白－蛋白界面预测方法还是DNA结合位点预测能够正确的识别第一种情况下的同一个块还是第二种情况下的不同的块(Tjong et al., 2007)。

3.       多组分复合物。很多蛋白质功能都和具有两个以上组分的大型蛋白有关。有时大型蛋白可以看作是每次增加一个组分而形成的。这种情况下，我们可以依次地对界面进行预测(Tjong et al., 2007)。我们需要看一看这种方法的通用性如何，其他方法也需要尝试。

 

界面预测越来越成功。结合其他计算工具有实验数据，蛋白－蛋白相互作用的界面预测将会得到更好的发展。

 

Ahmad, S., Gromiha, M.M. and Sarai, A. (2004) Analysis and prediction of DNAbinding proteins and their binding residues based on composition, sequence and structural information, Bioinformatics, 20, 477-486.

Bradford, J.R., Needham, C.J., Bulpitt, A.J. and Westhead, D.R. (2006) Insights into protein–protein interfaces using a Bayesian network prediction method, J. Mol. Biol., 362, 365-386.

Bradford, J.R. and Westhead, D.R. (2005) Improved prediction of protein-protein binding sites using a support vector machines approach, Bioinformatics, 21, 1487-1494.

Chen, H. and Zhou, H.-X. (2005) Prediction of interface residues in protein-protein complexes by a consensus neural network method: Test against NMR data, Proteins, 61, 21-35.

Cole, C. and Warwicker, J. (2002) Side-chain conformational entropy at protein–protein interfaces, Protein Sci., 11, 2860-2870.

Conte, L.L., Chothia, C. and Janin, J. (1999) The atomic structure of protein-protein recognition sites, J. Mol. Biol., 285, 2177-2198.

Crowley, P.B. and Golovin, A. (2005) Cation-π interactions in protein-protein interfaces, Proteins, 59, 231-239.

de Vries, S.J., van Dijk, A.D.J. and Bonvin, A. (2006) WHISCY: What information does surface conservation yield? Application to data-driven docking, Proteins, 63, 479-489.

Fariselli, P., Pazos, F., Valencia, A. and Casadio, R. (2002) Prediction of proteinprotein interaction sites in heterocomplexes with neural networks, Eur. J. Biochemistry, 269, 1356-1361.

Hoskins, J., Lovell, S. and Blundell, T.M. (2006) An algorithm for predicting protein–protein interaction sites: abnormally exposed amino acid residues and secondary structure elements, Protein Sci., 15, 1017-1029.

Jones, S. and Thornton, J.M. (1997) Prediction of protein–protein interaction sites using patch analysis, J. Mol. Biol., 272, 133–143.

Koike, A. and Takagi, T. (2004) Prediction of protein-protein interaction sites using support vector machines, Prot. Eng. Des. Sel., 17, 165-173.

Kufareva, I., Budagyan, L., Raush, E., Totrov, M. and Abagyan, R. (2007) PIER:Protein interface recognition for structural proteomics, Proteins, 67, 400-417.

Kuznetsov, I.B., Gou, Z., Li, R. and Hwang, S. (2006) Using evolutionary and structural information to predict DNA-binding sites on DNA-binding proteins, Proteins, 64, 19-27.

Landau, M., Mayrose, I., Rosenberg, Y., Glaser, F., Martz, E., Pupko, T. and Ben-Tal, N. (2005) ConSurf 2005: the projection of evolutionary conservation scores of residues on protein structures, Nucl. Acids Res., 33, W299-W302.

Li, J.J., Huang, D.S., Wang, B. and Chen, P. (2006) Identifying protein-protein interfacial residues in heterocomplexes using residue conservation scores, Int. J. Biol. Macromol., 38, 241-247.

Li, M.H., Lin, L., Wang, X.L. and Liu, T. (2007) Protein-protein interaction site prediction based on conditional random fields, Bioinformatics, 23, 597-604.

Liang, S., Zhang, C., Liu, S. and Zhou, Y. (2006) Protein binding site prediction using an empirical scoring function, Nucl. Acids Res., 34, 3698-3707.

Lichtarge, O., Bourne, H.R. and Cohen, F.E. (1996) An evolutionary trace method defines binding surfaces common to protein families, J. Mol. Biol., 257, 342-358.

Mintseris, J., Wiehe, K., Pierce, B., Anderson, R., Chen, R., Janin, J. and Weng, Z. (2005) Protein-protein docking benchmark 2.0: an update, Proteins, 60, 214-216.

Neuvirth, H., Raz, R. and Schreiber, G. (2004) ProMate: A structure based prediction program to identify the location of protein-protein binding sites, J. Mol. Biol., 338, 181-199.

Porollo, A. and Meller, J. (2007) Prediction-based fingerprints of protein-protein interactions, Proteins, 66, 630-645.

Qin, S.B. and Zhou, H.-X. (2007a) meta-PPISP: a meta web server for protein-protein interaction site prediction, Bioinformatics, submitted.

Qin, S.B. and Zhou, H.-X. (2007b) A holistic approach to protein docking, Proteins, submitted. Res, I., Mihalek, I. and Lichtarge, O. (2005) An evolution based classifier for prediction of protein interfaces without using protein structures, Bioinformatics, 21, 2496-2501.

Tjong, H. and Zhou, H.-X. (2007) DISPLAR: an accurate method for predicting DNA-binding sites on protein surfaces, Nucl. Acids Res., 35, 1465-1477.

Toomes, C., Bottomley, H.M., Jackson, R.M., Towns, K.V., Scott, S., Mackey, D.A., Craig, J.E., Jiang, L., Yang, Z., Trembath, R., Woodruff, G., Gregory-Evans, C.Y., Gregory-Evans, K., Parker, M.J., Black, G.C., Downey, L.M., Zhang, K. and Inglehearn, C.F. (2004) Mutations in LRP5 or FZD4 underlie the common familial exudative vitreoretinopathy locus on chromosome 11q, Am. J. Hum. Genet., 74, 721-730.

Tress, M., de Juan, D., Grana, O., Gomez, M.J., Gomez-Puertas, P., Gonzalez, J.M., Lopez, G. and Valencia, A. (2005) Scoring docking models with evolutionary information, Proteins, 60, 275-280.

van Dijk, A.D.J., de Vries, S.J., Dominguez, C., Chen, H., Zhou, H.-X. and Bonvin, A.M.J.J. (2005) Data-driven docking: HADDOCK’s adventures in CAPRI, Proteins, 60, 232-238.

Wang, L. and Brown, S.J. (2006) BindN: a web-based tool for efficient prediction of DNA and RNA binding sites in amino acid sequences, Nucl. Acids Res., 34, W243-W248.

Yan, C.H., Honavar, V. and Dobbs, D. (2004) Identification of interface residues in protease-inhibitor and antigen-antibody complexes: a support vector machine approach, Neural Comput. Appl., 13, 123-129.

Zhou, H.-X. (2004) Improving the understanding of human genetic diseases through predictions of protein structures and protein-protein interaction sites, Curr. Med. Chem., 11, 539-549.

Zhou, H.-X. and Shan, Y. (2001) Prediction of protein interaction sites from sequence profile and residue neighbor list, Proteins, 44, 336-343.

Zhou, H.-X. and Qin, S.B. (2007) Interaction-Site Prediction for Protein Complexes: a Critical Assessment, Bioinformatics, 23, 2203-2209.

From 迷途知返, post 蛋白质结构位点预测方法及应用