[发明专利]预测蛋白质RNA结合物热点的方法、系统及存储介质

说明书

本发明涉及生物信息技术领域，公开了一种预测蛋白质RNA结合物热点的方法、系统及存储介质，以解决生物实验的盲目性和成本高等问题，并提高预测的精度和效果。本实施例方法包括：确定有效数据集，其包括已明确标签的一类数据和待明确标签的二类数据，在该一类数据中，将结合能大于等于1.0的数据作为正样本的热点数据，结合能小于1.0的作为负样本数据；根据该一类数据，采用半监督学习算法中的标签传播算法对该二类数据进行标签值预测，并将预测后的数据归入训练集；以及基于各样本的特征集合，以极度梯度提升算法、神经网络算法和极性随机数算法分别构造分类器以对每个样本的分类进行投票，并对各投票结果进行加权平均得出预测结果。

技术领域

本发明涉及生物信息技术领域，尤其涉及一种预测蛋白质RNA结合物热点的方法、系统及存储介质。

背景技术

蛋白质和RNA(核糖核酸)是生命化合物中最重要的两种生物大分子。蛋白质和RNA间的相互作用在很多重要的生命活动中扮演着不可或缺的角色。在蛋白质和RNA的交界面上存在有许多残基，而只有一小部分残基占据了大量的结合自由能，对蛋白质和RNA的相互作用影响很大，通常把这一小部分残基称为热点残基。近年来的研究发现，热点残基对于分子识别机制的研究、蛋白质工程和药物的设计都具有重要的作用和影响。目前，对于热点残基的研究仅在蛋白质-蛋白质复合物的热点残基研究方面比较完善，现在已经有两三个热点数据库供研究人员免费使用。而对于蛋白质RNA复合物的热点残基的研究还处于初期阶段，在国内更是一片空白。

目前，已经有许多热点残基通过生物实验的方法进行了鉴定，但是这种方法实施起来不仅花费的成本多，而且耗时耗力。然而，如果采用数据挖掘的方法对大量蛋白质RNA复合物残基进行预测，不仅预测精度高、方便、快速，而且节约成本。因此，如果能运用一种有效的方法，从大量的残基中找到热点残基，将更好的解释蛋白质和RNA之间的相互关系，进而为药物的设计和分子的内部研究提供帮助。

发明内容

本发明目的在于公开一种预测蛋白质RNA结合物热点的方法、系统及存储介质，以解决生物实验的盲目性和成本高等问题，并提高预测的精度和效果。

为实现上述目的，本发明公开了一种预测蛋白质RNA结合物热点的方法，包括：

步骤S1、构建蛋白质RNA复合物的初始数据集；

步骤S2、对所述初始数据集进行过滤，筛选出蛋白质RNA结合面上的残基，并过滤掉蛋白质内部的残基、以及蛋白质表面残基；所述蛋白质RNA结合面上的残基的筛选条件包括：

条件1、单个蛋白质链中的残基溶剂可及性值减去复合物中相对应链中的目标残基溶剂可及性值的差值大于

条件2、单个蛋白质链的各个残基的溶剂可及性值除以相应残基最大的溶剂可及性值的比例大于5％；

步骤S3、对所筛选出的蛋白质RNA结合面上的残基所对应的复合物进行去同源处理，得到用于分类的有效数据集，所述有效数据集包括已明确标签的一类数据和待明确标签的二类数据，在所述一类数据中，将结合能大于等于1.0的数据作为正样本的热点数据，结合能小于1.0的作为负样本数据；

步骤S4、根据所述一类数据，采用半监督学习算法中的标签传播算法对所述二类数据进行标签值预测，并将预测后的数据归入训练集，所述训练集还包括部分所述一类数据；同时，从所述一类数据中抽取部分数据构建成测试集；所述训练集和测试集不存在交集且都含有正样本和负样本；

步骤S5、以序列特征、结构特征、残基相互作用网络特征和溶剂暴露特征作为特征集，将同一样本的各个特征值整合到一条特征序列中组合构造成样本的特征集合；