β转角是蛋自质的一种二级结构类型,它实际上是蛋白质三种基本二级结构类型中无规卷曲中的一种局部有序结构。它在蛋白质折叠、蛋白质稳定性和分子识别过程方面起着重要的作用。迄今为止,人们已经提出了多种用十预测蛋白质β转角结构的方法,它们可以分为统计学方法和机器学习方法两大类。一般地,机器学习方法具有更优良的预测性能。有趣的是,它们中没有一种方法试图直接从如PDB等的结构数据库中找寻已知的现有同源结构,并将它们映射到待预测的蛋白序列上。由于PDB中存储的结构数据越来越庞大,目前已经存储了超过70,000个结构,对于一条新鉴定的序列来说,找到一个同源结构的可能性是很大的。在本工作中,我们提出了一种新的预测蛋白质p转角结构的方法,该方法将两方面的信息结合在一起,一是从PDB中提取的同源信息,二是NetTurnP的预测结果,NetTurnP是一个基于双层神经网络的从头预测器。我们利用两个数抓集对我们的方法进行评估,一是经典的BT426数据集,二是自己构建的EVA937数据集。对两个数据集中的任何一条序列,只有先于该序列存储到PDB中的同源结构才可利用。对两个数据集进行预测,我们得到的马修斯相关系数值（Matthews correlation coefficient, MCC）分别为0.56,0.52,而仅用NetTurnP预测结果分别为0.50,0.46；我们得到的总预测准确率（prediction accuracy, Qtotal）分别为81.4%,80.4%,而NetTurnP仅分别得到78.2%和77.3%。这些结果表明将同源信息与先进的p转角的预测器NetTurnP相结合可以有效地提高预测精度。当待测序列的同源序列具有不同水平的序列相似度的时候,为了探究在这种情况下本方法的预测表现,我们以步长为0.1,从0.2到1.0改变Imax的值以控制长度大于100个残基的BLAST hits的选择。结果显示通过结合同源序列信息,即使在Imax值较低时,NetTurnP的预测精度也有增加。本方法中的参数’byDate’也可以控制BLAST hits的选择,只有比早于’byDate’值代表的时间存储于PDB中的hits才能用于结构映射。因此,在’byDate’取不同值的时候,我们试图探究本方法的预测性能是否改变。最后,我们得到的结论是：随着’byDate’值的增加,也就是它所代表的时间值越晚,MCC和Qtotal的值都随之增长,即预测精度提高。我们认为如果’byDate’所代表的时间值越接近现在,对于一条待测序列或者查询序列就可以找到更多更相似的同源结构,这样就容易提高预测精度。我们写了一个名为BTMapping的Java程序用以实现整个方法,它连同相关的数据集可以从网站http://www.bio530.weeblv.com免费下载。