[发明专利]基于多特征信息融合的长链非编码RNA亚细胞定位方法

权利要求书

1.一种基于多特征信息融合的长链非编码RNA的亚细胞定位方法，其特征在于，包括如下步骤：

(1)构建基准数据集；通过对RNALocate数据库中的数据进行筛选，获取到643条位于不同亚细胞位置的长链非编码RNA序列；

(2)构建特征向量；通过将长链非编码RNA的k-mer组分与三元组结构-序列融合起来形成特征向量，更加全面的利用了长链非编码RNA的序列与结构信息；由于8-mer组分有独特的进化机制，因此，参数k取值为8，至此，可将一条长链非编码RNA序列表示为(4⁸+32)维的特征向量；

(3)特征选择；采用了方差分析的方法，选取最优的特征子集；

(4)应用机器学习算法；选择支持向量机来进行预测；

(5)评估分类器性能；采用4个指标以及ROC曲线与AUC值来评价分类器性能。

2.根据权利要求1所述基于多特征信息融合的长链非编码RNA的亚细胞定位方法，其特征在于，所述步骤(2)构建特征向量具体步骤为：

(1)K-mer组分；对一条长度为L的长链非编码RNA序列来说，k-mer组分指的是这条长链非编码RNA的所有长度为k的子序列；设计一个大小为k的滑窗，使其沿着长链非编码RNA序列以步长为1个核苷酸向前滑动，当滑窗中的长链非编码RNA子序列与第i个k-mer组分匹配时，将第i个k-mer组分对应的数量值，表示为ξ_i，加1；因此，特征向量的第一部分可以表示为：

其中，ψ_i代表第i个k-mer出现的频率，可以通过以下公式来计算：

(2)三元组结构-序列可以将一条长链非编码RNA序列表示为：

V₂＝[g_A(″(((″)，g_A(″((.″)，...，g_A(″...″)，...，g_C(″(((″)，...，g_U(″，...″)]^T (3)

其中，g表示对32种不同结构组成的出现次数进行归一化处理；

为了更加全面的利用长链非编码RNA的序列与结构信息，将k-mer组分与三元组结构序列融合起来，最终将长链非编码RNA表示为：

3.根据权利要求1所述基于多特征信息融合的长链非编码RNA的亚细胞定位方法，其特征在于，所述步骤(3)方法通过计算每个特征的F-score来衡量该特征对分类器的重要性；第i个特征的F-score可以表示为：

其中，MS_b(i)表示组间方差，MS_w(i)表示组内方差，他们的计算公式如下：

其中，m_j代表位于第j个亚细胞位置的长链非编码RNA序列个数，φ_i(q，j)表示位于第j个亚细胞位置的第q个样本的第i个特征值；特征对分类器的重要性越大，该特征对应的F-score值越大；

为了获取最优的特征子集，首先将所有的特征基于他们的F-score进行降序排序；之后，构建一系列特征子集，定义如下：

Θ(n)＝{θ¹，...，θⁿ}，n∈[1，4^k+32] (8)

其中，θⁿ表示F-score值第n大的特征；由于支持向量机对数据的缩放比较敏感，因此在使用支持向量机来评估每个特征子集的性能之前，需要对特征子集进行特征缩放；应用scikit-learn库中的MinMaxScaler方法将特征平移缩放到[0,1]；最后进行预测，具有最高准确率的特征子集被视为最优特征子集。

4.根据权利要求1所述基于多特征信息融合的长链非编码RNA的亚细胞定位方法，其特征在于，所述步骤(4)采用scikit-learn库来实现支持向量机算法；为了建立一个最优的分类器，使用网格搜索方法来调整参数γ和C；γ和C的搜索空间分别为[2^-15,2³]和[2^-5,2¹⁵]。

5.根据权利要求1所述基于多特征信息融合的长链非编码RNA的亚细胞定位方法，其特征在于，所述步骤(4)首先使用5折交叉验证来获取确定最优的参数γ和C，并获取最优的特征子集，然后使用留一法交叉验证来获取最终的评估结果；

所述4个指标为灵敏性(Sn)，特异性(Sp)，马修相关系数(MCC)以及整体准确率(OA)；这些指标的定义如下：

其中，N⁺(i)表示位于第i个亚细胞位置的长链非编码RNA序列的总数目，表示位于第i个亚细胞位置但被错误的预测为位于其他亚细胞位置的长链非编码RNA序列数；N^-(i)表示位于除第i个亚细胞位置外其它位置的所有长链非编码RNA序列的总数目，表示错误的被预测为位于第i个亚细胞位置的长链非编码RNA序列的总数目；δ是基准数据集中长链非编码RNA的总数目，ζ是亚细胞位置的总数。