[发明专利]一种基于带权多粒度扫描的转录因子结合位点预测方法

权利要求书

1.一种基于带权多粒度扫描的转录因子结合位点预测方法，其特征在于，包括如下步骤：

（1）对转录因子结合位点的初始数据集，进行数据増广，表示一段DNA序列片段，表示这段DNA序列是否为结合位点，取值为bindingsite或non-binding site，计算每条数据的逆序列、互补序列和互补逆序列，将数据集数量扩展到原始数量的4倍大小，得到数据集，并将数据集D*中的正负样本随机的进行混合；

（2）通过公式对数据集D*中每条DNA序列数据进行独热编码得到特征向量F₁，并结合多碱基特征编码进行特征表示得到特征向量F₂，将特征向量F₁与F₂进行拼接得到组合特征表示F，通过公式对结果类进行编码；

（3）将步骤（2）特征表示后的数据集D*按训练集样本数量和测试集样本数量的比值为Q:R进行划分，得到训练集D_train和测试集D_test，其中Q为数据集D*中训练集的样本数量，R为数据集D*中测试集的样本数量；所述的Q的取值范围为2~5，R的取值为1；

（4）使用T个决策树对训练集D_train计算权值向量，所述d为特征长度，具体计算公式如下：

式中d为特征的总数，为权值向量W中第i列特征的重要性得分，具体计算公式如下：

式中为第t个决策树node节点的重要性得分，具体计算公式如下：

式中和分别代表该node分支下类别为0的节点的基尼指数和该node分支下类别为1的节点的基尼指数；

为每个节点的基尼指数，具体公式如下：

式中 N为训练集D_train样本数量，为该node中类别为0的个数，为该node中类别为1的个数；

（5）对训练集D_train中每个样本的特征F进行加权多粒度扫描，其具体步骤如下：使用长度为的滑动窗口以步长为L分别在长度为d的特征向量F和权值向量W上滑动，将窗口内的特征向量单独提取出来，得到长度为的 和，u为滑动窗口滑动的次数，u的取值范围是；

根据公式计算加权多粒度扫描的特征，式中为向量 的转置；将特征分别送入一个完全随机森林A和一个普通随机森林B，分别得到和；最后将和进行特征拼接得到特征F*；

（6）将F*输入到级联森林，进行模型的训练，得到一个转录因子结合位点分类预测模型，将测试集D_test输入到该分类预测模型中，输出结果为1或0；1代表该DNA序列为转录因子结合位点，0代表该DNA序列为非转录因子结合位点。

2.根据权利要求1所述的基于带权多粒度扫描的转录因子结合位点预测方法，其特征在于，所述多碱基特征编码方法，特征列的长度L可根据公式获得，其中m为多碱基中碱基长度，m取值为3，碱基A、T、C、G可以组成长度为3bp的序列集合C为：{'AAA', 'AAT','AAG', 'AAC', 'ATA', 'ATT', 'ATG', 'ATC', 'AGA', 'AGT', 'AGG', 'AGC', 'ACA','ACT', 'ACG', 'ACC', 'TAA', 'TAT', 'TAG', 'TAC', 'TTA', 'TTT', 'TTG', 'TTC','TGA', 'TGT', 'TGG', 'TGC', 'TCA', 'TCT', 'TCG', 'TCC', 'GAA', 'GAT', 'GAG','GAC', 'GTA', 'GTT', 'GTG', 'GTC', 'GGA', 'GGT', 'GGG', 'GGC', 'GCA', 'GCT','GCG', 'GCC', 'CAA', 'CAT', 'CAG', 'CAC', 'CTA', 'CTT', 'CTG', 'CTC', 'CGA','CGT', 'CGG', 'CGC', 'CCA', 'CCT', 'CCG', 'CCC'}，集合C中每个元素设置为一个特征列，共计64个特征列，其元素即为该特征列的特征名；

所述特征向量F₂的计算方式为：从DNA序列样本的起始端，以步长为1，长度为3bp的窗口在DNA序列样本上进行滑动提取特征，该窗口中序列所对应的特征列取值为1，直至DNA序列样本末端，即特征向量F₂的长度为64。