详解Psipred

一、概述

Psipred是一种用于预测蛋白质二级结构和蛋白质结构中不规则区域的软件。它基于神经网络模型，可以进行高效准确的预测，并且已经在多个生物信息学领域得到了广泛应用。

二、二级结构预测

Psipred使用BLAST来在数据库中进行蛋白质序列比对，然后产生一个PSI（Position Specific Iterated）矩阵。该矩阵反映了不同位置的氨基酸残基在多种不同蛋白质中出现的概率。然后，Psipred会使用这些数据来构建一个具有三层的神经网络，用于预测蛋白质的二级结构。

其中，第一层是输入层，第二层是一组隐含层，而第三层是输出层。输入层将蛋白质的PSI矩阵像素化，输出层则输出蛋白质二级结构的预测结果。隐含层通过调整不同的神经元之间的权重，从而将输入转换成输出。

# Python示例代码：

def loadblast(file):
    """
    Load a psiblast file
    """
    predictor = PsipredPredictor()
    predictor.blastfile = file

def runpsipred(self, infile):
    """
    Run PSIPRED: takes an input file and writes output files
    """
    sequence = self.readSequence(infile)

    # do blast search
    self.doBlastSearch(sequence)
    
    # do psipred prediction
    self.doPrediction(sequence)

三、不规则区域预测

在蛋白质结构中，不规则区域指的是不属于螺旋和β折叠的其它区域。Psipred使用一个名为DisEMBL的软件来预测这些区域。DisEMBL基于神经网络算法，由两层神经网络组成，其中输入层接收蛋白质序列，输出层将给出蛋白质结构中不规则区域的可能性。

# Python示例代码：

def observeddata(self, data, start):
    """
    Record observed data and update statistics
    """
    p = self.predictor
    n = p.seqLength - start + 1
    for i in range(1, n+1):
        aa = data[start+i-1]
        ss = p.sst[i]
        p.w[ss][aa] = p.w[ss][aa] + 1
        p.n[ss] = p.n[ss] + 1
    p.isloadedobserveddata = True

def loadobserveddata(self):
    """
    Load observed data (training data) from file
    """
    p = self.predictor
    fin = open(p.obsfile, "r")
    data = fin.readlines()[1:]
    fin.close()

四、模型参数设置

Psipred中有很多可调整的参数，包括输入序列的长度，神经网络的大小和深度，以及神经元之间的权重等。这些参数的设置通常是根据实验结果和经验知识来进行的。

# 配置文件中的参数设置：

### DIRECTORIES
data_dir  = /home/psipred/data/
work_dir  = /temp/

### NEURAL NETWORK ARCHITECTURE
input_layer_size  = 21
num_of_hidden_layers  = 1
hidden_layer_size  = 40
output_layer_size  = 3

### BLAST PARAMETERS
blast_dir = /usr/bin/
blast_db = /blast/database/

### PSI-PRED PARAMETERS
psipred_dir  = /home/psipred/
disopred_dir  = /home/disopred/
blastpgp_iteration  = 3

### PATHS AND ACTUAL FILE NAMES
blast_bin_name  = psiblast
dssp_bin_name  = dsspcmbi

五、应用

Psipred的预测结果可以应用于许多不同的领域，例如药物发现、结构生物学、分子动力学和蛋白质设计等。此外，Psipred还可以与其他生物信息学工具相结合，如3D-PSSM、Modeller和Robetta，以提高预测结果的准确性。

六、结论

在生物信息学领域中，Psipred是一种常用的工具，并已在许多实际应用中得到验证。通过对数据进行深入分析和模型的不断优化，未来将可以使Psipred在更广泛的场景中实现更准确和高效的预测。