[发明专利]一种基于多示例学习的IRES序列搜寻方法

说明书

本发明公开冷链一种基于多示例学习的IRES序列搜寻方法。本发明以经过实验验证过的含IRES的序列为正样本，未含IRES的序列为负样本，以多示例学习为框架，通过对正负样本组成的数据集进行训练，获得一个有效的IRES预测估计模型。本发明可以快速高效的判断细胞mRNA中是否存在IRES序列以及存在的大致位置。本发明针对mRNA中IRES序列验证的生物实验较为复杂且人力、物力成本消耗过高的问题。本发明可以对mRNA序列是否存在IRES序列进行快速判断，并预估其大概所在位置，从而可使相关科研工作者优先对大概率存在IRES序列的mRNA片段进行生物实验验证，以提高工作效率，减少工作强度。

技术领域

本发明涉及生物信息学领域，尤其一种基于多示例学习的IRES序列搜寻方法。涉及mRNA中IRES序列的搜寻方法。

背景技术

在真核细胞中，蛋白质在翻译起始，一般需要依靠mRNA中的5’帽结构来介导核糖体与mRNA的结合；然而，对于没有5’帽结构的病毒，仍可以通过RNA中非编码区的一段较短的序列，来介导核糖体与mRNA的结合，这段较短的非编码mRNA序列被称为内部核糖体进入位点序列，即IRES序列。

研究发现，在一些真核细胞mRNA的5’UTR区也存在IRES序列，且随着研究的深入，越来越多的真核细胞生物，如：哺乳动物、植物，被证实在其mRNA中存在IRES序列，且IRES序列在细胞的应激反应、自我凋亡、癌变、监控、进化等方面，扮演着重要的角色。

以人类的mRNA为例，最新研究报告表明，细胞中有超过10％的mRNA的5’UTR区含有可介导核糖体与mRNA结合的IRES序列，然而，真正通过实验验证得到证实的却少之又少。生物学上通常采用高通量双顺反子分析实验来对细胞中的IRES进行检测，但这种实验操作步骤复杂，非常消耗时间和人力。因此，借助计算机计算对细胞mRNA中的IRES序列是否存在以及存在位置进行定位，以此降低生物验证实验的复杂度，显得尤为必要。

发明内容

本发明提出一种基于多示例学习的IRES序列搜寻方法。该方法可以快速高效的判断细胞mRNA中是否存在IRES序列以及存在的大致位置。

本发明以经过实验验证过的含IRES的序列为正样本，未含IRES的序列为负样本，以多示例学习为框架，通过对正负样本组成的数据集进行训练，获得一个有效的IRES预测估计模型。

已有的IRES预测器，在训练过程中，所使用的数据集大多以明确长度和碱基的IRES序列为正样本，这使得数据集的获取较为困难，而本发明的方法，以多示例学习为框架，仅需要知道一段mRNA序列中含有IRES序列，以及其大体长度，便可用来作为数据集中的正样本，这大大减少了数据集收集的难度。

IRES序列实则为由腺嘌呤(A)、尿嘧啶(U)、胞嘧啶(C)、鸟嘌呤(G)四种碱基排列组合构成，在利用计算机对其进行处理时，需先对序列进行编码，传统的编码方式多为“one-hot”编码或“k-mer”编码。本发明采用“k-mer”编码的改进编码方式：“ksnpf”编码，此种编码方式可大大提高模型的泛化能力。

一种基于多示例学习的IRES搜寻方法，该方法具体包括以下步骤：

步骤1：将数据集中的每一条长度为L的碱基序列(包括正负样本)以IRES的可能长度K为基准进行步进的方式分割，每次移动一步，最终每一条碱基序列都被分割成L-K+1条碱基短序列。

步骤2：将数据集中每一条碱基序列所分割成的多条短序列集合称为一个包，包中的每一条短序列称为一个示例，对所有正样本分割而成的示例，不管是否含有IRES序列，都加上标签“1”，其所构成的包，称为正包；对所有负样本分割而成的示例加上标签“0”，其所构成的包，称为负包。