[发明专利]一种RNA序列中M5C位点的识别预测方法及系统

权利要求书

1.一种RNA序列中M5C位点的识别预测方法，其特征在于，包括以下步骤：

S1：构建基准数据集

建立基准数据集，将基准数据集划分为两个派生数据集，分别为训练集与测试集；

S2：利用特征表示RNA片段

利用KNF、KSNPF和pseDNC三个特征将基准数据集的RNA片段编码为特征向量；

S3：对特征进行优化选择

利用NSGAII方法对步骤S2中的特征向量进行优化选择；

S4：构建预测模型

利用SVM作为学习器基于特征向量进行训练，建立预测模型；

S5：利用模型进行预测

利用步骤S4中的预测模型对基准数据集中的RNA片段样本上M5C位点进行预测。

2.根据权利要求1所述的一种RNA序列中M5C位点的识别预测方法，其特征在于：在所述步骤S1中，基准数据集的生成过程如下：

S11：通过GEO数据库中ID为GSE90963的记录获取高阈值的M5C位点信息；

S12：根据步骤S11中高阈值M5C位点在基因组中的位置信息，截取人类基因转录组中位于其两侧各20个碱基的RNA片段构成正样本，所有的正样本构成的数据集被命名为P1；

S13：排除GSE90963中记录的所有可能的M5C位点,根据基因转录组中其余的C位点及两侧各20个碱基的RNA片段构成负样本，将该组片段被命名为N1；

S14：使用CD-HIT去除P1中的冗余序列,即生成含有186例阳性样本的P2；使用CD-HIT去除N1中的冗余序列并从中随机选择186例阴性样本得到N2；

S15：将各含有186例样本的P2和N2合并得到基准数据集。

3.根据权利要求2所述的一种RNA序列中M5C位点的识别预测方法，其特征在于：在所述步骤S14中，利用CD-HIT去除P1和N1中的冗余序列，截断值分别为0.7。

4.根据权利要求1所述的一种RNA序列中M5C位点的识别预测方法，其特征在于：在所述步骤S1中，训练集包括基准数据集的正样本和负样本中按比例各选取的149个RNA片段,样本剩余部分作为测试集。

5.根据权利要求1所述的一种RNA序列中M5C位点的识别预测方法，其特征在于：在所述步骤S1中，所有数据集中RNA片段的长度均为41个碱基,将每个中心碱基处有一个潜在M5C位点的RNA片段表达如下：

R_ξ(C)＝N_-ξN_-(ξ-1)…N_-1CN₁…N_+(ξ-1)N_ξ

其中，N_-ξ代表中心胞嘧啶上游的第ξ个核苷酸,而N_+ξ代表中心胞嘧啶下游第ξ个核苷酸；

将上式简化如下：

R₂₀(C)＝N₁N₂…N₂₀CN₂₂…N₄₀N₄₁

其中，N_i(i＝1,2,…20,21…41)表示RNA片段的第i位的核苷酸,为RNA中4个核苷酸碱基中的任意一个,即：

N_i∈{A,C,G,U}

其中，A表示腺嘌呤；C表示胞嘧啶；G表示鸟嘌呤；U表示尿嘧啶。