[发明专利]一种预测DNA蛋白质结合位点的集成学习方法

说明书

本发明涉及一种预测DNA蛋白质结合位点的集成学习方法，其包括以下步骤：获取DNA结合蛋白质位点的蛋白质序列数据；对DNA结合蛋白质位点的蛋白质序列数据预处理；使用one‑hot编码方式构建输入数据；将提取的特征合并，构建每个蛋白质序列上氨基酸的特征，将其作为输入数据；使用SMOTE算法对正样本数据进行过采样；根据正样本大小将负样本数据分成多份，每份负样本与正样本组合成一个新的数据子集，得到N个数据子集；每个数据子集使用卷积神经网络进行训练；对N个卷积神经网络的结果进行多数投票法集成，从而得到预测结果。本发明解决了不平衡数据情况下的DNA蛋白质结合位点预测问题，提高了预测的准确性。

技术领域

本发明涉及生物信息学领域，尤其涉及一种预测DNA蛋白质结合位点的集成学习方法。

背景技术

目前，DNA蛋白质结合位点检测主要采用染色质免疫沉淀技术(ChromatinImmunoprecipitation，ChIP)和蛋白质结合微阵列(protein binding microarray,PBM)。将ChIP与第二代测序技术相结合的ChIP-Seq技术，能够高效地在全基因组范围内检测与组蛋白、转录因子等互作的DNA区段。ChIP-Seq的原理是：首先通过染色质免疫共沉淀技术(ChIP)特异性地富集目的蛋白结合的DNA片段，并对其进行纯化与文库构建；然后对富集得到的DNA片段进行高通量测序。研究人员通过将获得的数百万条序列标签精确定位到基因组上，从而获得全基因组范围内与组蛋白、转录因子等互作的DNA区段信息。PBM技术和基因芯片相似，它在固定相支持物表面高密度排列探针蛋白质或抗体点阵，可特异的捕获样品中的分子，然后用激光扫描系统或CCD(电感耦合器件)获取数组图像，最后用专门的计算机软件进行图像分析结果定量和解释。

然而，尽管Chip-seq和PBM技术检测数据的DNA蛋白质结合位点方法已经非常成熟，但该技术也有不足之处。首先，是富集目的蛋白质结合酶具有特异性，从而导致某些蛋白因找不到合适的特异结合酶而无法进行检测；其次，一次实验只能检测一种蛋白，需要花费许多的时间和人工成本，成本高，无法大规模推广应用；最后，由于实验获取的与目的蛋白结合的DNA片断较长，测序时只能对其两端进行部分测序。因此，寻找一种客观而有效的计算方法对DNA蛋白质结合位点进行精确预测，已经成为了亟待解决的技术问题。

针对上述问题，近年来产生了一系列计算的方法来预测DNA蛋白质结合位点。目前，主流的DNA与蛋白质结合位点预测方法是基于蛋白质序列信息、蛋白质结构信息或两者的结合方法。在基于序列的方法中，最重要的一种是基于机器学习的方法。为了提高预测性能，研究者已进行了很多基于机器学习算法的DNA蛋白质结合位点预测研究，其中包括支持向量机(Support Vector Machine,SVM),人工神经网络(Neural Network,NN)，随机森林(Random Forest,RF)，朴素贝叶斯分类器(Bayes)，最近邻方法(Nearest Neighbor)和集成分类器(Ensemble Models)等。

然而这些方法大部分没有考虑到DNA蛋白质结合位点数据本身的不平衡特性，即结合位点的数据要比非结合位点的数据量少很多，这样在构建预测模型时，就存在比较大的偏差。

发明内容

针对现有技术之不足，本发明提出了一种预测DNA蛋白质结合位点的集成学习方法，其能够在不平衡数据情况下预测DNA蛋白质结合位点。本发明的预测DNA蛋白质结合位点的集成学习方法包括以下步骤：

S1)获取DNA结合蛋白质位点的蛋白质序列数据；

S2)对DNA结合蛋白质位点的蛋白质序列数据预处理，包括使用PSI-BLAST算法提取PSSM的特征；

S3)使用one-hot编码方式构建输入数据；One-hot编码方式是每个蛋白质序列用20维的特征表示，每个氨基酸占一位，表示1，其余各位为0；