[发明专利]基于有监督上采样学习的蛋白质‑核苷酸绑定位点预测方法

摘要

本发明提供一种基于有监督上采样学习的蛋白质‑核苷酸绑定位点预测方法，包括以下步骤基于训练集合中的蛋白质序列信息，从进化信息和二级结构视角抽取每个氨基酸残基的特征向量，得到正负样本集，所有绑定核苷酸的氨基酸残基提取为正样本集，所有未绑定核苷酸的氨基酸残基提取为负样本集；使用有监督的上采样学习方法对正负样本集中缺失的正样本信息进行补充；使用标准支持向量机算法(SVM)，训练得到蛋白质‑核苷酸绑定位点SVM预测模型；对于待预测的蛋白质序列信息，使用前述同样的方法抽取每个氨基酸残基的特征向量，输入预测模型，再利用阈值分割方法预测。利用本发明可提高预测精度并防止在不平衡数据集上可能出现的样本信息丢失问题。

主权项

一种基于有监督上采样学习的蛋白质‑核苷酸绑定位点预测方法，其特征在于，包括以下步骤：步骤1：基于输入的蛋白质序列信息，进行多视角特征抽取与特征组合，即分别使用PSI‑BLAST算法抽取蛋白质序列的进化信息，利用PSIPRED算法抽取蛋白质序列的二级结构信息；然后利用滑动窗口方式与特征串行组合方式，将蛋白质序列中的每个氨基酸残基进行多视角特征表示；步骤2：根据训练数据集合中绑定核苷酸的氨基酸残基与未绑定核苷酸的氨基酸残基的不平衡分布情况，使用有监督的上采样学习方法对缺失的正样本信息进行补充，生成最终的训练样本集合；步骤3：使用标准的支持向量机模型，在步骤2所得到的训练样本集合中训练产生蛋白质‑核苷酸绑定位点预测模型；以及步骤4：对于每个待预测蛋白质序列，首先通过步骤1的方式得到该蛋白质序列中的每一个氨基酸残基的多视角特征，然后使用步骤3中的蛋白质‑核苷酸绑定位点预测模型进行绑定概率预测，概率高于指定阈值的氨基酸残基被预测为绑定残基；其中，在所述步骤1中，按照下述步骤进行多视角特征的抽取与串行组合：①从进化信息视角抽取蛋白质氨基酸残基的特征对于一个含有l个氨基酸残基的蛋白质序列P，首先通过PSI‑BLAST算法计算获取其位置特异性得分矩阵，该PSSM矩阵是一个l行20列的矩阵，从而将蛋白质一级结构信息转换为矩阵形式，表达如下：其中：A、R、...、V表示20种常见氨基酸残基，oi,j表示蛋白质第i个氨基酸残基在进化过程中突变成20种常见氨基酸残基中的第j种氨基酸残基的可能性；然后对进行归一化处理，使用如下公式(2)的sigmoid函数对上述中的每一个值进行逐行标准化处理：f(x)=11+exp(-x)---(2)]]>标准化后的PSSM，表达如下：再次，对于蛋白质序列P中的第i个氨基酸残基，以PSSM中的第i行为中心，使用一个宽度为W的窗口，该窗口内所有元素构成第i个氨基酸残基的PSSM特征矩阵，表达如下：最后，将上述特征矩阵(4)按行优先的组合方式形成维数为20×W的特征向量：pssmiP=(pi,1,pi,2,...,pi,20W)T---(5)]]>②从二级结构视角抽取蛋白质氨基酸残基的特征对于一个含有l个氨基酸残基的蛋白质P，首先通过PSIPRED算法生成蛋白质序列P的二级结构矩阵，该矩阵大小为l×3，表达如下：其中，C、H、E分别表示蛋白质的三种二级结构，即coil、helix、strand，si,1表示蛋白质P中第i个氨基酸残基的二级结构是coil的概率，si,2表示蛋白质中第i个氨基酸残基的二级结构是helix的概率，si,3表示蛋白质中第i个氨基酸残基的二级结构是strand的概率；然后，使用上述同样的宽度为W的滑动窗口与按行优先的组合方式，将该窗口内的所有元素形成一个维数为3×W的特征向量：pssiP=(si,1,si,2,...,si,3W)T---(7)]]>③将上述步骤得到的特征向量和特征向量串行组合，得到蛋白质P中的第i个氨基酸残基的特征向量，其维数为20×W+3×W；重复上述①、②、③步骤，生成所有氨基酸残基的特征向量；其中，在所述步骤2中，使用所述有监督的上采样学习方法的具体实现包括以下步骤：①对于原始样本空间的数据S＝S+∪S‑，其中表示正样本集合，表示负样本集合，N+、N‑分别表示正样本集合与负样本集合的样本数，前述正样本是指绑定核苷酸的一个氨基酸残基，负样本是指未绑定核苷酸的一个氨基酸残基；按照式(8)训练一个初始的预测模型Modelinit：Modelinit＝Train(S+∪S‑)  (8)其中，Train(·)表示使用LIBSVM中的svm‑train程序实现的SVC分类方法训练预测模型；②从正样本集合S+中随机选择两个正样本使用式(9)构造一个人工合成的样本xnew：xnew=xi++λ·(xi+-xj+)---(9)]]>其中，λ为0到1之间的随机值，然后根据式(10)，使用上述构造的初始预测模型Modelinit对xnew进行预测，得到xnew被式(10)预测为正样本的概率P(xnew)：P(xnew)＝Predict(Modelinit,xnew)  (10)这里Predict(·)表示应用LIBSVM中的svm‑predict程序使用Modelinit预测xnew为正样本的概率；P(xnew)为0到1之间的值；③根据上述得到的预测概率P(xnew)对xnew能否加入正样本集合进行判断，如果P(xnew)∈[0.7,0.9]，则可以将加入到正样本集合S+，如果P(xnew)＞0.9，则认为在S+中可以找到xnew的近似样本，为了防止最终预测模型的过拟合情况，所以将xnew丢弃，如果P(xnew)＜0.7，则认为xnew样本为正样本的可信度不高，为了防止加入噪音样本，所以将xnew丢弃；④重复上述①、②、③三个步骤直至|S+|＝β|S‑|，其中|S+|表示S+样本集合的样本数目，|S‑|表示S‑样本集合的样本数目，β表示正样本数目与负样本数目的比率，β的值为0到1之间的值。