[发明专利]一种用最近邻检索实现的蛋白质亚细胞定位预测方法

权利要求书

1.一种用最近邻检索实现的蛋白质亚细胞定位预测方法，其特征是：该方法包括以下步骤：

(1)、以AAC特征向量作为蛋白序列的特征，用LSH方法将训练集中的各蛋白序列的AAC特征向量存放在多个哈希表中；

(2)、预测时，用LSH方法计算出目标序列AAC特征向量在每一个哈希表中对应的哈希值，得到相似序列向量的集合；

(3)、从得到的相似序列向量的集合中选取离目标序列AAC特征向量欧氏距离最近的Q个向量，用全局比对动态规划法计算目标序列AAC特征向量与前述Q个向量的向量间蛋白序列期望距离，将Q个向量中与目标序列期望距离最高的序列蛋白对应区间作为预测区间；

步骤(1)具体包括以下步骤：

(A)、提取蛋白序列的AAC特征向量：

设蛋白质序列P为：

P＝R₁R₂R₃…R_t(1)

其中：t为蛋白质序列的长度即氨基酸残基的个数，R₁为序列单词P中的第一个氨基酸残基，R₂为第二个氨基酸残基，以此类推，R_t为第t个氨基酸残基；

AAC特征提取：则蛋白质序列P的氨基酸组分信息即AAC特征向量为：

v＝[f₁,f₂,…,f_d](2)

其中f₁f₂…f₂₀采用下述公式求解：

其中，f_u为每个氨基酸的出现频率，其中：u＝1,2，…，d，d＝20,t为一个蛋白质序列的长度,i表示氨基酸残基的编号，A(u)为序号u对应的氨基酸残基；

(B)、构建Hash表：

对于训练集中的n个蛋白序列，将各蛋白序列的d维的AAC特征向量存放在L个哈希表中，对于每一个向量,通过LSH方法，分别放入L个哈希表中对应的键值的桶中。

2.根据权利要求1所述的用最近邻检索实现的蛋白质亚细胞定位预测方法，其特征是步骤(B)具体包括以下步骤：

(B-1)、对于训练集中的n个蛋白序列，将各蛋白序列的维度为d的AAC特征向量，用式(4)将v中的d个向量扩大C倍取整，转换为每个向量的坐标都为正整数的向量：

v′＝[C×v](4)

其中：[]表示取整运算；

(B-2)、将d个向量做如下的变换：设r为向量v的一个坐标,则g(r)＝000…0111…1，其中左端全为0，右端全为1，1的个数为r的值的大小；

采用运算符|连接相邻的两个坐标，那么向量v′通过F(v′)做转换：v″＝F(v′)＝g(f1)|g(f2)|g(f3)|…|g(fd)；

(B-3)、从0到Cd-1的整数中随机选取k个数为：n₁,n₂,n₃,…,n_k，设h(v″,n)为v″中第n个坐标,则v″′＝G(v″)＝h(v″,n₁)h(v″,n₂)…h(v″,n_k)；G(v″)便为AAC特征向量v的一个hash值；

(B-4)、对于训练集中的n个蛋白序列，均按照步骤(B-3)得到n个hash值，建立一张hash表；

(B-5)、为了提高相似碰撞率，按(B-3)-(B-4)步骤建立L张hash表。

3.根据权利要求1所述的用最近邻检索实现的蛋白质亚细胞定位预测方法，其特征是步骤(2)具体包括以下步骤：提取目标蛋白序列的AAC特征向量T，通过LSH方法计算出AAC特征向量T在每一个哈希表中对应的哈希值：J₁、J₂、…J_L，提取各hash表中的哈希值对应的向量，得到相似序列向量的集合；步骤(3)包括再从得到的集合中,选取离向量T欧氏距离最近的Q个向量，用全局比对动态规划法计算向量T与Q个向量对应的蛋白序列期望距离M，M最高的序列蛋白区间为预测区间。