G／11木聚糖酶最适p H值的预测及其与氨基酸位置的关系

林源清，张光亚

（华侨大学 化工学院，福建 厦门361021）

木聚糖酶（EC3.2.1.8）是一种重要的工业用酶，可广泛应用于饲料、造纸、食品等行业.木聚糖酶的使用可大大减少造纸工业漂白过程中氯化物的用量，从而有效降低制浆造纸工业对环境的污染［1］.用于造纸工业的木聚糖酶需满足耐热和耐碱条件，目前满足所需条件的酶来源于两种途径：一是从极端环境中筛选产酶菌株［2］；二是通过基因工程对酶进行遗传改造［3］.鉴于菌株筛选耗时长，效率低，基因工程改造越来越受研究者的关注.木聚糖酶可分为F／10和G／11家族，由于G／11家族的木聚糖酶分子较小，而且其结构更为简单，因此比较适合作为理论研究的分子模型［4］.对于蛋白质的改造主要有两种策略：一是理性设计（rational design），即定点突变；二是非理性设计（irrational design），定向进化.定点突变目的明确，但需要事先了解蛋白质的结构；定向进化不需事先了解蛋白质的结构，但其筛选困难.本文利用木聚糖酶序列的信息和最适p H值，构建了氨基酸组成和最适p H值关系的模型.旨在探索影响酶最适p H值的氨基酸及其位置，为木聚糖酶的改造提供可靠的信息，以期提高研究效率.本课题组曾利用木聚糖酶的氨基酸与最适p H值关系构建BP神经网络模型，并且取得较好的预测结果［5］.采用均匀设计（UD）方法，构建氨基酸组成和最适p H值关系的模型.

1 材料与方法

1.1 数据来源

G／11家族木聚糖酶的序列来源于 UniProt（http：／／www.uniprot.org／），木聚糖酶数据来源于文献［6］.73个木聚糖酶ID号及最适p H值，如表1所示.表1中：ID为木聚糖酶在UniProt数据库中的收录号；p Hopt为文献中报道的木聚糖酶的最适p H值.

对于最适p H值在一定范围的，取其中间值.木聚糖酶的氨基酸组成分析由自行设计的软件完成.该软件不仅可以计算全段序列的氨基酸组成，还可以计算分段氨基酸组成.主成分分析由MVSP软件完成，神经网络及支持向量机由weka3.6.8软件完成.以各个木聚糖酶中全段序列及分段序列（将酶蛋白序列均分为3段，分别表示为序列的N端，C端及中间端）的20种氨基酸的组成百分比作为神经网络和支持向量机的输入，其对应的最适p H值作为结果输出.

表1 G／11木聚糖酶ID号及最适p H值Tab.1 Xylanase ID in family G／11 and the optimum p H value

1.2 均匀设计的支持向量机

在运算时，支持向量机（SVM）［7］模型和BP神经网络［8］模型都需要选择参数，以达到最佳拟合结果.因此，采用均匀设计法（UD）［9］来选择适当的运行参数.定义两个特征指标［5］，即均方根误差RMSE和平均绝对误差MAE.模型预测的结果采用常用的“留一法”，即对n组数据，每次取1组作测试，其他n-1组作为训练样本，共进行n次循环，使得样本中所有数据都能进行预测.

1.3 主成分分析

主成分分析（principal components analysis，PCA）又称主分量分析，把多指标转化为少数几个综合指标，在许多领域有着有效而广泛的应用［10］，是一种较为客观的综合评价方法.运用MVSP软件，可直接获得20个氨基酸变量的主成分荷载和73个个案的主成分得分.利用主成分得分与最适p H值进行拟合，拟合结果可在一定程度上综合反映氨基酸组成与最适p H值的关系.

2 结果与分析

2.1 基于均匀设计的支持向量机

利用均匀设计法，对两种不同核函数（Linear和RBF）的支持向量机运算参数进行优化，10倍交叉验证结果，如表2，3所示.表2，3中：MAE为平均绝对误差；RMSE为均方根误差.限于篇幅，仅列出最优预测结果.

表2 基于Linear核函数的支持向量机预测结果Tab.2 Result of SVM prediction based on linear kernel

由表3可知：在RBF核函数支持向量机模型中，以I端氨基酸组成作为输入，得到的预测结果最佳，即C＝1，ε＝0.1，γ＝0.5时，其 MAE和RMSE值均最小，分别为0.84和1.17.此时，所建立的模型对木聚糖酶最适p H值预测准确率最高，故为最佳方案.

表3 基于RBF核函数的支持向量机预测结果Tab.3 Result of SVM prediction based on RBF kernel

通过比较两种核函数的预测结果，可以得知RBF核函数的整体预测结果优于Linear核函数.尽管在Linear核函数中，当惩罚值C＝1，ε＝0.005，其MAE为0.83，是所有预测结果中最小的.这个结果说明，在Linear核函数中运行参数取得了比较理想的结果.如果对RBF核函数进一步优化，可能会取得更好的结果.根据表3中的最优化参数C＝1，ε＝0.1，γ＝0.5，使用支持向量机法建立最适p H值模型.通过该模型对实际测得的数据（p Hexp）进行预测，预测结果（p Hpre）如图1所示.从图1可知：该模型预测结果与实际测得结果的相关性为0.67，说明该模型可行.

图1 预测值和实测值的关系Fig.1 Relationship between experimental andpredicted transition temperature obtained

2.2 基于均匀设计的BP神经网络

为了科学地确定神经网络中连接权的初始值、最佳的隐含层神经元的个数、学习速度等参数，选择一个隐含层的神经网络，对学习速率、动态参数和隐含层结点数3个因素15水平进行均匀设计，所得的均匀设计表和训练结果，如表4所示（仅列出最优预测结果）.

由表4可知：当学习速率（v）为0.06，动态参数（MP）为0.2，隐含层结点数（NHL）为8时，以I端氨基酸组成为输入的模型，对最适p H值拟合的均方根误差为1.49个p H值单位，平均绝对误差为1.09个p H值单位，具有很好的拟合效果.

表4 BP神经网络的预测结果Tab.4 Result of BP neural network

由表2～4可知：构建的3种模型中，基于RBF核函数的支持向量机模型的整体预测结果最佳；I端的预测结果在分段预测模型中均最佳；其次是C端；最后是N端（表5）.这个结果说明I端与木聚糖酶的最适p H值相关性最高.

表5 3种模型3端最佳优化结果Tab.5 Optimum result of 3 segments in the three different models

2.3 氨基酸与最适p H值的相关性

原始数据运用MVSP软件做主成分分析（PCA）分析后，可得到20个氨基酸变量的主成分和73个个案主成分.根据个案得分主成分（z），做主成分与实测最适p H值的相关性图，如图2所示.

图2 主成分与最适p H值相关性图Fig.2 Relationship between principal components and optimum p H value

由图2可知：全段序列的相关性最好，R值为0.69.N端、I端、C端与最适p H值的相关性大小分别为-0.33，-0.68，0.40，其中负值表示负相关.它们与最适p H值影响的大小顺序依次为I端、C端、N端.这个结果和前文的支持向量机和BP神经网络的结果一致，验证了前文所构建模型的可靠性.值得注意的是全段序列和I端序列的R值数值相近，但是方向却相反.

由于I端序列氨基酸组成对于木聚糖酶的最适p H值影响较大.因此，仅列出I端分析结果.原始数据运用MVSP软件PCA分析后，得到20个氨基酸变量的5个主成分.

各氨基酸与5个主成分之间的关系，如表6所示.表6中：相关系数只保留一位小数，且仅列出绝对值大于0.2的氨基酸.从表6可知：第1主成分与丝氨酸（S）相关性最强，相关性高达0.8，该结果表明丝氨酸（S）是木聚糖酶的关键氨基酸；第2主成分与甘氨酸（G）、第3主成分与甘氨酸（G）、第4主成分与酪氨酸（Y）及天冬酰胺（N）的相关性显著，表明这3种氨基酸是木聚糖酶比较重要的氨基酸.Liu等［11］研究结果表明：G／11家族主成分分析的前7个主成分所代表的是该家族木聚糖酶的2级结构，分别为：卷曲、转角、折叠、转角、转角、螺旋和折叠.

表6 木聚糖酶20种氨基酸与各主成分的关系Tab.6 Relationship between 20 amino acids and principle components in xylanase

3 结束语

构建了不同的最适p H值预测模型，其中基于RBF核函数的支持向量机模型预测木聚糖酶的最适p H值的精度，比使用BP神经网络及Linear核函数的支持向量机模型更好，可做为木聚糖酶模拟的后续使用模型.采用了均匀设计的方法对构建的模型进行了参数优化，但在各因素水平的选择上仍带有一定的随意性，如果经过精心的选择，模型的预测效果还会有所改善.此外，由于木聚糖酶分子量较小、结构比较简单，只有一条多肽链，基于此酶所建立的模型对于其他具有4级结构的复杂酶类是否仍然适用仍有待探讨.

［1］ 聂国兴，王俊丽，明红.木聚糖酶的应用现状与研发热点［J］.工业微生物，2008，38（1）：53-59.

［2］ 包怡红，刘伟丰，毛爱军，等.耐碱性木聚糖酶高产菌株的筛选、产酶条件优化及其在麦草浆生物漂白中的应用［J］.农业生物技术学报，2005，13（2）：235-240.

［3］ UMEMOTO H，YATSUNAMI R，INAMI M，et al.Improvement of alkaliphily of bacillus alkaline xylanase by introducing amino acid substitutions both on catalytic cleft and protein surface［J］.Bioscience Biotechnology and Biochemistry，2009，73（4）：965-967.

［4］ SAPAG A，WOUTERS J，LAMBERT C，et al.The endoxylanases from family 11：Computer analysis of protein sequences reveals important structural and phylogenetic relationships［J］.Journal of Biotechnology，2002，95（2）：109-131.

［5］ 张光亚，方柏山.木聚糖酶氨基酸组成与其最适p H 值的神经网络模型［J］.生物工程学报，2005，21（4）：658-661.

［6］ PAES G，BERRIN J G，BEAUGRAND J.GH11 xylanases：Structure／function／properties relationships and applications［J］.Biotechnology Advances，2012，30（3）：564-592.

［7］ VAPNIK V N.The nature of statistical learning theory［M］.New York：Springer-Verlag，2000：138-167.

［8］ 王轶夫，孙玉军，郭孝玉.基于BP神经网络的马尾松立木生物量模型研究［J］.北京林业大学学报，2013，35（2）：17-21.

［9］ 方开泰.均匀设计-数论方法在试验设计的应用［J］.应用数学学报，1980（4）：363-372.

［10］ 王志江.主成分分析法在地区企业经济效益评价中的应用［J］.华侨大学学报：自然科学版，2004，25（3）：322-325.

［11］ LIU Liang-wei，ZHANG Jue，CHEN Bin，et al.Principle component analysis in F／10 and G／11 xylanase［J］.Biochemical and Biophysical Research Communications，2004，322（1）：277-280.