[发明专利]一种酿酒酵母菌中DNA复制起点的预测方法

说明书

本发明公开了一种酿酒酵母菌中DNA复制起点的预测方法，步骤为：获取酿酒酵母菌中的正样本序列和负样本序列；使用二进制编码法和PSEKNC‑I两种方法提取特征；使用F‑score和IFS方法对PSEKNC‑I法得到的特征进行筛选，得到预筛选特征；将二进制编码法得到特征和预筛选特征进行组合，获得特征组合后的样本数据集；构建CNN预测模型并训练，输入数据获得初步预测结果；调整训练后CNN预测模型中参数，对训练后的CNN预测模型进行优化；使用五折交叉验证法对优化后的CNN预测模型进行评估最终得到最优的CNN预测模型，将数据输入最优模型中，得到最终的预测结果。该方法提取多种DNA信息中的特征，减少了计算时间，避免过拟合现象，选出最优的分类模型，提高了预测复制起点预测的准确率。

技术领域

本发明涉及生物信息学中序列相互作用的分类预测技术领域，具体是一种酿酒酵母菌中DNA复制起点的预测方法。

背景技术

近年来，生物信息学和计算机科学相结合而衍生出一个新的研究方向，即以核苷酸、蛋白质、基因序列数据集作为主要研究对象，并利用数学、信息学、计算机科学等手段，以计算机硬件、软件和计算机网络为主要工具，对数量极其庞大的原始数据进行存储、管理、注释、加工，使之成为具有明确生物意义的生物信息。并通过对生物信息的查询、探索、比较、分析，从中获取基因编码、基因调控、核苷酸和蛋白质结构功能机器相互关系等理性知识。在大量的信息和知识的基础上，探索生命起源、生物进化以及细胞器官和个体的发生、发育病变、衰亡等生命科学重大的问题，搞清他们的基本规律和时空联系。最终通过对生物实验数据的获取、加工、存储检索和分析，进而达到节食数据所蕴含的生物学意义的目的。就基因组来说，得到序列仅仅是第一步，后一步工作是所谓基因组时代的任务，及收集、整理、检索和分析序列中表达的结构和功能信息，找出规律。

生命的传承以及基因的传递依靠的主要方式就是DNA的复制，而复制起点 (ORI)决定着复制的开始，准确地识别复制起点不仅有助于优化基因的表达，并且可以给遗传病中的新药研究提供新的策略。复制起始在时间、位置上的错误以及复制过程中核苷酸的错配，均会导致DNA序列突变、基因组重组等事件的发生，增加错误遗传信息的传递，增强细胞基因组的不稳定性。这样就会直接影响到细胞的正常分裂和胚胎的正常发育，也与癌症以及众多遗传疾病的发生密切相关因此，准确鉴定DNA复制起点在基因研究中至关重要。

迄今为止，已经有很多针对于ORI的研究，这些研究都取得一定的成果。 2004年，Cozzarelli课题组利用复制起始区富含AT碱基的自复制一致性序列 (ACS)和富含A碱基的3'区域作为序列特征，通过Oriscan算法对酵母复制起始位点进行了预测。2014年，Li通过计算GC profile和GC skew的值去分析酿酒酵母基因的组分偏差，利用一型伪核苷酸组分来提取序列信息并构建了一个在线预测器iORI-PseKNC去识别酿酒酵母的复制起始位点序列。2016年，Zhang 初次尝试构建人类ORI数据集，并基于随机森林分类器用一型伪核苷酸组分提取信息构建iOri-Human在线预测器来识别人类ORIs。

发明内容

本发明的目的在于解决现有的DNA复制起点的预测准确率的问题，而提供一种酿酒酵母菌中DNA复制起点的预测方法，该预测方法可以提取多种DNA 信息中的特征，还减少计算时间，避免出现过拟合现象，同时还构建出最优的分类模型，提高预测复制起点的准确率。

实现本发明目的的技术方案是：

一种酿酒酵母菌中DNA复制起点的预测方法，包括如下步骤：

1)获取样本数据集：获取酿酒酵母菌中的正样本序列和负样本序列；

2)特征提取：使用二进制编码法和PSEKNC-I两种方法表示样本序列，即使用一个向量表示每一条NDA序列；

3)特征选择：使用F-score方法和增量特征选择方法(Incremental FeatureSelect，IFS)对步骤2)中使用PSEKNC-I法得到的特征进行筛选，得到预筛选特征；