[发明专利]识别4-甲基胞嘧啶位点的预测方法

权利要求书

1.一种识别4-甲基胞嘧啶位点的预测方法，其特征是，步骤如下：

步骤1：基准数据集的建立

从相关文献中收集六个物种秀丽隐杆线虫Caenorhabditis elegans、黑腹果蝇Drosophila melanogaster、拟南芥Arabidopsis thaliana、大肠杆菌Escherichia coli、地下地碱杆菌Geoalkalibacter subterraneus、梭梭杆菌Geobacter pickeringii的4-甲基胞嘧啶数据，构建正负样本集，并参考文献截取序列片段；

步骤2：特征提取

提取正负样本集的序列信息构造多维特征编码；

步骤3：选择机器学习算法

以相同的特征构造预测模型，从朴素贝叶斯Bayes、K最近邻KNN、随机森林RF和支持向量机SVM挑选出最优的分类算法；

步骤4：特征选择

以F-score方法为特征选择方法，采用F-score值对多维特征进行排序，去除冗余信息，从而筛选出最优特征子集；

步骤5：模型构建

以步骤(3)所选的机器学习算法，整合不同的特征子集进行刀切验证，并对预测模型进行评估，选择最优预测模型。

2.如权利要求1所述的识别4-甲基胞嘧啶位点的预测方法，其特征是，所述步骤(1)中的基准数据集数据是选取Chen W,Yang H,Feng P,et al.iDNA4mC:identifying DNA N4-methylcytosine sites based on nucleotide chemical properties[J].Bioinformatics,2017,33(22):3518-3523论文中物种秀丽隐杆线虫Caenorhabditiselegans、黑腹果蝇Drosophila melanogaster、拟南芥Arabidopsis thaliana、大肠杆菌Escherichia coli、地下地碱杆菌Geoalkalibacter subterraneus、梭梭杆菌Geobacterpickeringii的含4-甲基胞嘧啶位点的正样本和不含4-甲基胞嘧啶位点的负样本构造的六个基准数据集。

3.如权利要求1所述的识别4-甲基胞嘧啶位点的预测方法，其特征是，所述步骤(1)中截取序列片段是分别以胞嘧啶C为中心，上游和下游分别截取20bp的序列片段S：

S＝N₁ N₂ N₃…C…N₃₉ N₄₀ N₄₁ (1)

所述步骤(2)中的特征提取主要包括如下步骤：

1)三联体位置特异性编码：DNA序列一共有A，C，G，T四种核苷酸，序列信息中一个很重要的信息是核苷酸的位置信息，这里提取64个三联体在正负样本集中的位置特异性差异信息构造特征编码。任意有序取三个核苷酸为一组即三联体，共有64种组合方式，分别从每个物种的正样本集和负样本集获得三联体位置的频率矩阵F⁺和F^-，作差得位置特异性矩阵Z＝F⁺-F^-，那么任意一个样本可用一个D＝[φ₁,φ₂,...,φ_u,...,φ₃₉]^T的特征向量表示，其中：

位置为：1～39；

64个三联体为：trinucleotide₁＝AAA、trinucleotide₂＝AAC、trinucleotide₃＝AAG、trinucleotide₄＝AAT，…，trinucleotide₆₂＝TTC、trinucleotide₆₃＝TTG、trinucleotide₆₄＝TTT；

z_i,j＝F⁺(trinucleotide_i|j)-F^-(trinucleotide_i|j)表示正负样本集中第i个三联体在第j个位置上的频率差；

2)三联体的平均离子电子能量：对于每一个样本序列S，从左到右以滑动窗口长度3，获取一个三联体，重复这样的操作，直到最后一个核苷酸；按照这种方式可知，每个样本获得关于三联体频率的一个64维向量，接着整合核苷酸的离子电子能量，核苷酸的离子电子能量见如下：

核苷酸A，离子电子能量0.1260；核苷酸C，离子电子能量0.1340；核苷酸G，离子电子能量0.0806；

每个样本中三联体的频率乘以对应三联体的离子电子能量，即三个核苷酸的离子电子能量和，任意一个样本序列，编码为一个64维的特征向量；

所述步骤(3)中的相同的特征构建预测模型，是指以三联体位置特异性特征分别整合朴素贝叶斯Bayes、K最近邻KNN、随机森林RF和支持向量机SVM机器学习算法构建预测模型，并进行刀切检验，准确率Acc为模型性能的评价指标，选择最优机器学习算法。

所述步骤(4)中采用F-score方法对多维特征进行筛选，每一维特征的F-score值为：

其中，和分别表示第i个特征在整个数据集，正样本集和负样本集中的平均值，n⁺和n^-分别表示正样本集的大小和负样本集的大小，表示第k个正样本在第i个特征上的值，表示第k个负样本在第i个特征上的值。

所述步骤(5)中以支持向量机SVM机器学习算法构建预测模型，并进行刀切检验，以灵敏度Sn、特异性Sp、准确率Acc和马氏相关系数MCC为模型性能的评价指标。