蛋白质序列分析是生物信息学研究中的一个重要领域，其目的在于识别蛋白质序列之间的相似性和预测蛋白质的功能和结构。近年来，由于新的测序技术的发展，生物分子序列分析技术得到了空前的增长，但与此同时也面临着一个挑战，即通过序列相似性发现蛋白质之间先前未知的进化关系，并预测其功能和结构的相似性。
文章《基于现有K字的频率和位置熵的蛋白质序列特征量度》（A Measure of Protein Sequence Characteristics Based on the Frequency and the Position Entropy of Existing K-words）提出了一种基于K-words频率和位置熵的蛋白质序列特征量度方法。这种方法被称为 Existing-k-word 方法，该方法包含两个部分。第一部分是提取蛋白质序列中实际存在的K-words，而不是可能的所有20^k种K-words。第二部分是设计一个特征向量，该特征向量包括现有K-words的频率和位置分布熵。
在生物信息学中，K-words 指的是序列中任意长度为k的连续残基片段。例如，在蛋白质序列中，K-words 可以是长度为3的片段（即三联体），如 "Met-Val-His"。这样的三联体在序列中出现的频率可以帮助研究者了解序列的特征。位置熵（Positional Entropy）是用来描述K-words 在序列中的位置分布的多样性。如果一个K-word 只出现在序列的特定位置，则其位置熵较低；如果它可以在序列的多个位置出现，则位置熵较高。
提出 Existing-k-word 方法的主要动机来自于现有技术的不足。对序列相似性的分析成为了功能和结构相似性的主要方法论。在基因组学规模上，蛋白质序列的初始“初步”功能注释高度依赖于与其他已知蛋白质的序列相似性。尽管所有蛋白质的实验都是一个巨大的挑战，但许多基于序列相似性的初步注释是合理且具有传递性的。因此，文章探讨了一种有效且简单的方法来分析序列的相似性。
为了展示所提出的 Existing-k-word 方法的实用性，研究者们将其应用于两组数据集：九个ND5蛋白（NADH脱氢酶亚单位5）和二十四种转铁蛋白序列。ND5蛋白是线粒体DNA编码的一种蛋白质，是NADH脱氢酶复合体的一部分，与细胞能量代谢相关。转铁蛋白是一种运输铁的蛋白质，对于细胞铁的摄取和储存至关重要。这两种蛋白质分别属于不同类别的蛋白质，研究它们的功能和结构相似性有助于理解蛋白质序列分析方法的通用性。
通过此研究，可以看出 Existing-k-word 方法在分析蛋白质序列特征方面的潜力，它不仅能帮助研究者在大规模数据集中发现新的进化关系，还能为预测蛋白质的功能和结构相似性提供新的思路。这种基于K-words频率和位置熵的统计方法可能成为未来生物信息学研究和蛋白质序列分析的一种重要工具。
