[發明專利]一種基因注釋語義相似度的計算方法

無效

• 申請號: 200810040050.7
• 申請日: 2008-07-01
• 公開（公告）號: CN101359349A
• 公開（公告）日: 2009-02-04
• 發明（設計）人: 吳飛珍;馬文麗;王妹;陳啟龍;鄭文嶺;姚文娟;施國明
• 申請（專利權）人: 上海大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 上海上大專利事務所（普通合伙）
• 代理人: 何文欣

技術領域

本發明涉及一種基因注釋語義相似度的計算方法，屬于生物信息學(Bioinformatics)技術領域。

背景技術

基因本體(gene?ontology，GO)是重要的基因注釋數據庫，生物學家常常使用AmiGO、QuickGO等在線工具檢索基因GO注釋。獲得基因注釋之后，需要比較基因注釋語義的相似程度，即考察某些基因的功能是否相似，或者某些基因是否共同參與了某些物質的代謝過程等。目前比較基因的相似性主要依靠手工完成，由于生物學家通常需要比較幾十，甚至成百上千條基因，如果用手工比較這么多基因的相似性，那么將是十分耗時耗力的工作，而且手工比較還會受到主觀因素的影響。用計算機快速自動地比較基因的相似性成為解決這個問題的重要方法，而在這種方法中，如何準確地計算基因的相似度成為解決這個問題的關鍵。

計算基因注釋語義的相似度常以GO為基礎?；贕O計算基因注釋語義相似度的基本方法是：先將基因通過基因關聯文件(http://www.geneontology.org/GO.current.annotations.shtml)映射到GO圖的結點上，獲得基因注釋，計算被映射的GO結點的相似度；然后用GO結點的相似度計算基因注釋語義相似度。

目前已有一些文獻報道了計算GO結點相似度的方法。這些方法中絕大部分是以Resnik’s的方法為基礎。Resnik’s方法最初是應用于文本詞匯語義分類，后來被應用到GO結點的語義分類上。應用Resnik’s方法計算基因注釋語義相似度的過程是：先將基因映射到GO圖結點上，并對被映射的GO結點及其祖先結點計數，根據計數結果計算結點的信息量，通過結點信息量計算結點的相似度，最后以GO結點相似度計算基因的相似度。雖然Jiang等人對Resnik’s方法作了改進，考慮了結點深度對語義相似度的影響，但是只要是基于Resnik’s方法都有兩個缺點：第一、這種方法以結點計數為基礎，忽視了“屬于(is-a)”和“部分屬于(part-of)”兩種不同關系對結點相似度的不同影響；第二、Resnik’s方法計算的結點語義相似度不可以被重復利用，因為兩結點的語義相似度受到它們所在集合其它結點的影響。由于結點相似度不可以重復利用，因此相同的結點在不同的集合中必需重復計算相似度，當需比較的結點數目很多時，則需要消耗大量的計算機時空資源，這是Resnik’s方法最主要的缺陷。

最近由Wang等人提出了一種根據關系分層遞減計算GO結點權重，再按GO結點權重計算結點語義相似度的方法。這種方法將需要計算相似度的結點權重定義為1，若其父結點與它的關系是“is-a”，則其父結點的權重為它的權重與一個常數(Wang等人建議取0.8)的積；若其父結點與它的關系是“part-of”，則其父結點的權重為它的權重與另一個常數(Wang等人建議取0.6)的積，依次類推。若有GO結點n，n′是n的祖先結點，如果從n′到n有多條路徑，每條路徑均可計算出不同的權重值，那么以最大權重值表示該結點的權重值，而忽視較小權重值的影響。Wang’s方法有兩個缺點：第一、按關系分層遞減比例難以確定，Wang建議取0.8和0.6，實際上有很大的隨意性，而遞減比較的確定對GO結點相似度有直接影響；第二、以最大權重值表示祖先點的權重值，忽視了不同路徑對GO結點相似度的影響。

因此目前還沒有一種準確計算基因注釋語義相似度的方法。

發明內容

本發明的目的在于針對現有技術缺陷，提供一種基因注釋語義相似度計算的方法，這種方法能準確計算出基因注釋語義的相似度。

為了實現上述目的，本發明采用的構思是：首先根據基因關聯文件將基因與GO結點建立關聯，計算被關聯的GO結點的語義相似度，然后計算基因注釋語義的相似度。為了有助于理解本發明的技術方案，首先討論基因本體、GO結點語義相似度的計算方法，和基因注釋語義相似度的計算方法，然后再描述本發明的技術方案。

1、基因本體