[发明专利]基于样本数据预测蛋白质复合物的方法

说明书

本发明涉及基于样本数据预测蛋白质复合物的方法。该方法包括：(1)基于所述样本数据构建加权PPI网络并将所述加权PPI网络进行去噪处理，所述去噪处理是通过将基因本体的语义相似度作为PPI网络的权重进行加权的；(2)基于去燥处理后的加权PPI网络构建动态加权PPI网络；(3)利用混合聚类算法预测蛋白质复合物。该方法通过GO语义相似度的引进有效地降低了PPI数据的噪声，并且具有了生物学的意义；同时，反映了真实的蛋白质活动，体现了PPI网络的动态性；另外，改善了传统聚类算法中过拟合或欠拟合的缺陷，提高了聚类算法的准确率，进而有效地提高了蛋白质复合物预测结果的准确性。

技术领域

本发明涉及生物信息学领域，具体地，本发明涉及基于样本数据预测蛋白质复合物的方法以及系统。

背景技术

蛋白质复合物是由多个蛋白质在相同时间或空间通过相互作用结合在一起的一组蛋白质。通过实验方法检测到的蛋白质复合物数目少并且费用高，如何从大量的蛋白质相互作用数据中利用计算方法挖掘有效的蛋白质复合物已经成为了一个新的研究方向。蛋白质复合物的预测对于了解细胞生命活动、蛋白质功能都具有重要的意义。

然而，准确高效的蛋白质复合物预测方法还需进一步研究。

发明内容

本申请是基于发明人对以下事实和问题的发现和认识作出的：

由于蛋白质相互作用(PPI)的数据都是依据高通量实验获得的，所以数据本身就存在很大的噪声，如何对现有的蛋白质相互作用数据进行去噪是蛋白质复合物预测中一个重要的过程。然而，现有技术中绝大部分都是从网络的拓扑结构的角度出发，却忽略了生物学的意义。

基于上述问题的发现，本申请发明人从生物学角度出发，采用基于基因本体(GO)的语义相似度作为网络的权重来构建加权PPI网络。另外，现有的计算GO语义相似度的方法有很多，但是不同的方法所含有的生物学信息又不尽相同，本申请发明人采用不同的方法计算GO的语义相似度，然后利用主成分分析(PCA)剔除不同方法中相同或相近的部分。发明人惊喜地发现，通过GO语义相似度的引进有效地降低了PPI数据的噪声，并且具有了生物学的意义，进而有效地提高了蛋白质复合物预测结果的准确性。

另外，蛋白质之间的相互作用并不是固定不变的，而是随着外界环境的改变而改变。不同的蛋白质在不同时刻的表达值也是不相同的，所以如何通过蛋白质在不同时刻的表达值来判断蛋白质的活性成为蛋白质复合物预测的另一个难题。现有技术中常采用一个全局阈值来确定各个蛋白质表达激活的时间点，然而，这种方法局限性很大，一方面不同的蛋白质表达水平是不尽相同的；另一方面由高通量实验产生的基因表达数据自身存在很大的噪声，对阈值的设置也存在着影响。

基于上述问题的发现，本申请发明人首先提出了一种基于区间估计的方法对基因表达数据进行去噪，即将静态PPI网络与基因表达数据相结合，通过区间估计来判断基因表达总体的均值与方差；再判断动态蛋白激活的时间；最后构建动态PPI网络用于蛋白质复合物的预测。其中，基于区间估计的动态PPI网络构建方法是本申请发明人首次提出的，是为了解决传统3-sigma方法中样本均值、方差与总体均值、方差之间的差异，用样本的均值与方差来估计总体的均值与方差。发明人惊喜地发现，该方法能够反映真实的蛋白质活动，体现PPI网络的动态性，进而有效地提高了蛋白质复合物预测结果的准确性。

最后，目前预测蛋白质复合物的方法主要集中在三种不同的方面：基于图密度的方法、基于图聚类的方法、基于层次聚类的方法。然而，各算法中存在过拟合或欠拟合的缺陷，算法的准确率低，

基于上述问题的发现，本申请发明人提出了一种基于马尔科夫聚类方法(MCL)与k最近邻(k-Nearest Neighbor,KNN)的混合聚类算法，改善了传统聚类算法中过拟合或欠拟合的缺陷，提高了聚类算法的准确率，进而有效地提高了蛋白质复合物预测结果的准确性。