基于混沌理论的蛋白质序列特性的研究

蛋白质序列特性的研究对于蛋白质的结构及功能具有重要意义。该文为了研究蛋白质序列是否具有混沌行为,先将蛋白质序列通过氨基酸电子离子相互作用势(electron interaction potential,EIIP)转化为时间序列,再根据混沌理论对其进行相空间重构,利用去偏自相关系数,经典G-P算法确定系统的时间延迟t和嵌入维数m,系统的最大Lyapunov指数则用改进的最大Lyapunov指数计算方法计算,其结果绝大多数为正,从而确认了蛋白质时间序列的混沌行为,并对特例进行了说明。     

基于混沌理论的河流藻类生长特性分析——以德国易北河为例

针对藻类生长具有高度非线性特征和实际采样样本间隔稀疏的问题,采用了混沌理论对采样序列的混沌特征量进行估计。采用C-C方法估计时间序列的嵌入维和延迟时间,采用G-P算法对关联维进行估计,并采用小数据量法估计最大Lyapunov指数,最终可实现对最长可预测时长的估计。以易北河为例,对易北河水体叶绿素a 1997年至2001年间各年的观测序列进行了混沌分析,分析结果表明,各年的叶绿素a观测序列均具有低维混沌特性,关联维D=2.75—4.02,各年的叶绿素a序列的最长预测时间变化范围为8.01—18.94d,平均为13.98d(约2周)。采用同样方法对5a易北河连续日径流量时间序列分析表明,该径流量也具有低维混沌特性(最大Lyapunov指数λ1=0.0125),径流量的最长预测时间估计约为80d。气候因素的混沌特性对藻类生长表现出的混沌特征的影响可能要大于径流量等水文因素的影响。     

一类离散捕食-食饵模型的混沌跟踪控制

针对一类离散捕食食饵系统,采用Lyapunov指数方法、绘制系统分岔图和混沌吸引子等方式验证了混沌现象的存在.为了消除系统的混沌现象,根据控制理论的轨迹跟踪控制原理,设计混沌跟踪控制器将系统控制到任意给定的期望周期轨道上,达到了稳定种群的目的.仿真分析表明了所设计控制器的有效性.     

嗜热与嗜常温微生物的蛋白质氨基酸组成比较

嗜热微生物的嗜热特性与其蛋白质的高度热稳定性紧密相关。为了探索嗜热蛋白质的热稳定机制,比较嗜热和嗜常温微生物的蛋白质在氨基酸组成上的差别,收集110对分别来自嗜热和嗜常温微生物的同源蛋白质序列,比较两组蛋白质各种氨基酸含量以及疏水性氨基酸组成、疏水性指数和荷电氨基酸组成的差别,结果两者在多种氨基酸含量上存在微小但统计学上显著的差别,嗜热蛋白质比嗜常温蛋白质具有较高的平均疏水性和荷电氨基酸组成。对两组蛋白质的“脂肪族氨基酸指数”进行分析,证明嗜热蛋白质之所以具有较高的脂肪族氨基酸指数是由于其亮氨酸含量较高,与影响该指数的其它几种氨基酸无关;从而认为该指数的意义值得怀疑。通过对大量同源嗜热蛋白质和嗜常温蛋白质氨基酸组成的比较,能够揭示一些有关蛋白质热稳定性的普遍规律。     

Hindmarsh-Rose 神经网络的混沌同步

研究了通过特殊构造的非线性函数耦合连接的神经网络的混沌同步问题。在发展基于稳定性准则的混沌同步方法的基础上,给出了计算同步稳定性的误差发展方程,当耦合强度取参考值时,可实现稳定的混沌同步而不需要计算最大条件Lyapunov指数去判定是否稳定。通过对按照完全连接形式构成的Hindmarsh-Rose神经网络的数值模拟,显示可仅从两个耦合神经的耦合强度的稳定性范围预期到许多耦合神经实现同步的稳定性范围。该方法在噪声影响下,对实现神经元的混沌同步仍具有较强的鲁棒性。此外发现随着耦合神经数的增加,满足同步稳定性的耦合强度减小,与耦合神经的数量成反比。     

具有共生作用两种群离散耦合Logistic模型混沌控制

针对具有共生作用的离散耦合Logistic模型,首先采用Lyapunov指数方法验证了混沌现象的存在.然后详细地分析了系统随参数变化的分岔图,发现了系统中存在更复杂的现象.最后应用混沌跟踪控制方法控制系统的混沌现象,使得种群稳定到正不动点轨道上,消除了种群中存在的混沌现象.仿真结果验证了控制方法的有效性.     

不同结构类蛋白质序列中的关联特性

采用功率谱的方法对不同结构类蛋白质序列进行了研究。结论为：从统计平均的角度看,蛋白质序列并不同一种毫无规律的随机序列,它们存在着明显的关联,而且不同结构类蛋白质序列具有与它们的结构类相对应的不同的关联特性。     

从一级结构预测蛋白质稳定性——Guruprasad,Reedy 和 Pandit 方法

介绍了一种从一级结构预测蛋白质稳定性的方法.Guruprasad,Reedy 和 Pa-ndit 对32种稳定蛋白质和12种不稳定蛋白质进行了统计分析,发现存在这样一些二肽,它们在稳定的和不稳定蛋白质中的出现频率是明显不同的.通过一系列的统计学计算处理,计算出所有400种二肽各自对蛋白质稳定性(或不稳定性)的影响大小,给它们设计了一个二肽不稳定性权值(DIWV).对一个给定的蛋白质,与它的序列长度相一致的这些 DIWV 的加和能帮助区分不稳定蛋白质和稳定蛋白质.这种方法对如何提高蛋白质的稳定性具有一定的指导意义.我们根据 Guruprasad 等人的方法计算了几个已知序列的蛋白质的稳定性指数,并由此推出它们的稳定性.     

从一级结构预测蛋白质稳定性——Guruprasad, Reedy和Pandit方法

介绍了一种从一级结构预测蛋白质稳定性的方法.Guruprasad,Reedy 和 Pandit 对32种稳定蛋白质和12种不稳定蛋白质进行了统计分析,发现存在这样一些二肽,它们在稳定的和不稳定蛋白质中的出现频率是明显不同的.通过一系列的统计学计算处理,计算出所有400种二肽各自对蛋白质稳定性(或不稳定性)的影响大小,给它们设计了一个二肽不稳定性权值(DIWV).对一个给定的蛋白质,与它的序列长度相一致的这些 DIWV 的加和能帮助区分不稳定蛋白质和稳定蛋白质.这种方法对如何提高蛋白质的稳定性具有一定的指导意义.我们根据 Guruprasad 等人的方法计算了几个已知序列的蛋白质的稳定性指数,并由此推出它们的稳定性.     

蛋白质二级结构预测: 基于词条的最大熵马尔科夫方法

提出了一种新的蛋白质二级结构预测方法. 该方法从氨基酸序列中提取出和自然语言中的“词”类似的与物种相关的蛋白质二级结构词条, 这些词条形成了蛋白质二级结构词典, 该词典描述了氨基酸序列和蛋白质二级结构之间的关系. 预测蛋白质二级结构的过程和自然语言中的分词和词性标注一体化的过程类似. 该方法把词条序列看成是马尔科夫链, 通过Viterbi算法搜索每个词条被标注为某种二级结构类型的最大概率, 其中使用词网格描述分词的结果, 使用最大熵马尔科夫模型计算词条的二级结构概率. 蛋白质二级结构预测的结果是最优的分词所对应的二级结构类型. 在4个物种的蛋白质序列上对这种方法进行测试, 并和PHD方法进行比较. 试验结果显示, 这种方法的Q3准确率比PHD方法高3.9%, SOV准确率比PHD方法高4.6%. 结合BLAST搜索的局部相似的序列可以进一步提高预测的准确率. 在50个CASP5目标蛋白质序列上进行测试的结果是: Q3准确率为78.9%, SOV准确率为77.1%. 基于这种方法建立了一个蛋白质二级结构预测的服务器, 可以通过http://www.insun.hit.edu.cn:81/demos/biology/index.html来访问.