[发明专利]一种烟草线粒体RNA编辑位点高精度预测方法

说明书

本发明公开了一种烟草线粒体RNA编辑位点高精度预测方法，下载拟南芥、欧洲油菜和稻三个样本的线粒体全基因组序列，提取位点信息；融合烟草ATP合酶上的atp9,atp6,orf25,orfB,atp1五个目的基因的DNA序列和cDNA序列比对得到的编辑位点数据共同组成数据集；从全基因组中得到负样本；确定最优特征；针对最优特征，对训练集‑测试集按照9:1、8:2、7:3、6:4、5:5进行分类，基于高维特征快速非线性汰选方法对五种比例的训练集‑测试集中的训练集进行高维特征筛选；基于高维特征筛选后保留的有效特征，利用SVC分别对测试集和验证集进行独立预测，得到有效模型；确定最优模型；本发明适用于烟草线粒体RNA编辑位点预测，减少了预测的计算量，并保证了预测的高精度。

技术领域

本发明涉及一种烟草线粒体RNA编辑位点高精度预测方法。

背景技术

传统的RNA编辑位点是通过对比DNA与cDNA序列差异得到，自20世纪以来随着电子信息时代的来临，很多研究者们开始对RNA编辑现象进行理论预测，这样做的优点是节省了大量重复测序比对所耗费的时间和精力。关于RNA编辑位点的预测模型多种多样，大多数都是从氨基酸水平上进行分析，通过研究编码氨基酸的变化来探索RNA编辑与否，少数模型利用到了核酸序列来进行理论预测。烟草保持系线粒体基因组在NCBI数据库中有RNA编辑位点相关注释，而烟草不育系线粒体基因组在NCBI数据库中并未注释出RNA编辑位点，且现有的RNA编辑位点预测模型数据库中与烟草相关的数据较少。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种烟草线粒体RNA编辑位点高精度预测方法，更精确地预测烟草线粒体编辑位点。

为解决上述技术问题，本发明所采用的技术方案是：一种烟草线粒体RNA编辑位点高精度预测方法，包括以下步骤：

1)从NCBI数据库中下载拟南芥、欧洲油菜和稻三个样本的线粒体全基因组序列保存为fasta格式，根据RNA编辑的最新注释，提取位点信息；融合烟草ATP合酶上的atp9,atp6,orf25,orfB,atp1五个目的基因的DNA序列和cDNA序列比对得到的编辑位点数据共同组成数据集；

2)从三个样本的线粒体全基因组的fasta格式文件中根据注释信息提取正样本和参考REGAL中的负样本信息，从全基因组中得到负样本；

3)在正样本第一列添加y值1，负样本第一列添加y值0，将添加y值后的正、负样本组合在一起，再将组合好的样本全部随机打乱，从随机打乱后的样本数据中取60％作为训练集，剩余40％作为测试集，得到6:4的样本比例；同样的方法从随机打乱后的样本数据中得到剩余5:5、7:3、8:2和9:1四种比例；

4)选用6:4比例样本集，对下表中的七组特征进行SVC独立测试，确定最优特征；

5)针对最优特征，对训练集-测试集按照9:1、8:2、7:3、6:4、5:5进行分类，基于高维特征快速非线性汰选方法对五种比例的训练集-测试集中的训练集进行高维特征筛选；

6)基于高维特征筛选后保留的有效特征，利用SVC分别对测试集和验证集进行独立预测；所述验证集是指：由烟草线粒体ATP酶上5个亚基的编辑位点信息构建的36个新的正样本，从烟草线粒体上随机取30个以C为中心的501bp窗口长度的样本为新的负样本，对新的正样本和负样本分别添加y值组成验证集。

步骤2)中，正样本的提取过程为：将fasta格式文件导入matlab提取正样本。

步骤2)中，负样本的提取过程为：将41bp的REGAL样本数据导入matlab，将样本数据与相应样本线粒体全基因组fasta数据进行比对，找到41bp窗口长度样本所在的位置，前后取相应bp的长度，得到以C为中点，最终501bp窗口长度数据作为负样本。