[發(fā)明專利]基于多實(shí)例多類標(biāo)的馬爾可夫鏈注釋蛋白質(zhì)功能的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610173526.9
• 申請(qǐng)日: 2016-03-23
• 公開(kāi)（公告）號(hào): CN105653885B
• 公開(kāi)（公告）日: 2019-05-14
• 發(fā)明（設(shè)計(jì)）人: 吳慶耀;譚明奎;陳健;韓超;宋恒杰
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G16B20/00
• 分類號(hào): G16B20/00
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 何淑珍

本發(fā)明公開(kāi)了一種基于多實(shí)例多類標(biāo)的馬爾可夫鏈注釋蛋白質(zhì)功能的方法，所述方法包括：從蛋白質(zhì)全信息數(shù)據(jù)庫(kù)中獲取生物三域系統(tǒng)的蛋白質(zhì)序列數(shù)據(jù)，所述的蛋白質(zhì)中的每個(gè)結(jié)構(gòu)域處理成一個(gè)特征向量，所述的蛋白質(zhì)的功能是指基因本體中的分子功能；計(jì)算蛋白質(zhì)數(shù)據(jù)集中每?jī)蓚€(gè)蛋白質(zhì)之間的Hausdorff距離，并使用距離的倒數(shù)作為蛋白質(zhì)之間的相似性度量；使用已注釋功能的蛋白質(zhì)數(shù)據(jù)學(xué)習(xí)馬爾可夫鏈模型，并根據(jù)學(xué)習(xí)的模型注釋未知功能的蛋白質(zhì)。本發(fā)明使用多實(shí)例多類標(biāo)學(xué)習(xí)框架中的計(jì)算方法注釋蛋白質(zhì)的功能，使用Hausdorff距離計(jì)算蛋白質(zhì)之間的相似性，學(xué)習(xí)馬爾可夫鏈模型計(jì)算蛋白質(zhì)的類標(biāo)概率分布，并根據(jù)概率分布注釋未知功能的蛋白質(zhì)。

技術(shù)領(lǐng)域

本發(fā)明涉及蛋白質(zhì)組學(xué)技術(shù)領(lǐng)域，具體涉及基于多實(shí)例多類標(biāo)的馬爾可夫鏈注釋蛋白質(zhì)功能的方法。

背景技術(shù)

隨著人類基因組計(jì)劃的完成，生命科學(xué)研究進(jìn)入了后基因組時(shí)代，即工作重點(diǎn)從揭示生命的所有遺傳信息轉(zhuǎn)移到遺傳信息的功能研究。基因是遺傳信息的載體，而基因的表達(dá)產(chǎn)物--蛋白質(zhì)執(zhí)行各種各樣的生物功能。蛋白質(zhì)的功能注釋是在分子水平上闡明生命本質(zhì)，對(duì)病理機(jī)制研究、臨床診斷、潛在藥物靶標(biāo)識(shí)別以及新醫(yī)藥開(kāi)發(fā)等具有重要作用。隨著高通量測(cè)序技術(shù)的發(fā)展，各種各樣的數(shù)據(jù)庫(kù)已經(jīng)存儲(chǔ)了海量的蛋白質(zhì)序列信息，但僅有很少一部分具有功能注釋。如UniProt全信息蛋白質(zhì)數(shù)據(jù)庫(kù)中完成蛋白質(zhì)功能注釋的不足1％，因此，僅通過(guò)人工對(duì)蛋白質(zhì)功能進(jìn)行注釋是不可能的。使用計(jì)算的方法來(lái)注釋蛋白質(zhì)功能已經(jīng)成為后基因組時(shí)代的重要研究課題之一。

目前已經(jīng)有大量的計(jì)算方法用于注釋蛋白質(zhì)的功能，如基于蛋白質(zhì)序列信息、結(jié)構(gòu)信息、網(wǎng)絡(luò)信息或集成的方法。結(jié)構(gòu)域是蛋白質(zhì)中的一類結(jié)構(gòu)單元，可以一個(gè)獨(dú)立完成或幾個(gè)共同完成一項(xiàng)生理功能。通常，幾個(gè)結(jié)構(gòu)域共同組成一個(gè)具有多種功能的蛋白質(zhì)。這和多實(shí)例多類標(biāo)學(xué)習(xí)框架的結(jié)構(gòu)類似，為使用計(jì)算的方法來(lái)注釋蛋白質(zhì)功能提供了一種新的可能。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于多實(shí)例多類標(biāo)學(xué)習(xí)框架的注釋蛋白質(zhì)功能的方法，本發(fā)明的目的可以通過(guò)采取如下方案實(shí)現(xiàn)。

基于多實(shí)例多類標(biāo)的馬爾可夫鏈注釋蛋白質(zhì)功能的方法，其包括如下步驟：

S1、從蛋白質(zhì)全信息數(shù)據(jù)庫(kù)中獲取生物三域系統(tǒng)的蛋白質(zhì)序列數(shù)據(jù)，所述的蛋白質(zhì)中的每個(gè)結(jié)構(gòu)域處理成一個(gè)特征向量，所述的蛋白質(zhì)的功能是指基因本體中的分子功能；

S2、計(jì)算蛋白質(zhì)數(shù)據(jù)集中每?jī)蓚€(gè)蛋白質(zhì)之間的Hausdorff距離，并使用距離的倒數(shù)作為蛋白質(zhì)之間的相似性度量；

S3、使用已經(jīng)注釋功能的蛋白質(zhì)數(shù)據(jù)學(xué)習(xí)馬爾可夫鏈模型，并根據(jù)學(xué)習(xí)的模型注釋未知功能的蛋白質(zhì)。

作為一種具體的實(shí)施方案，步驟S1中，所述的蛋白質(zhì)，具體為蛋白質(zhì)和其結(jié)構(gòu)域分別被視為多實(shí)例多類標(biāo)學(xué)習(xí)框架中的對(duì)象和實(shí)例，蛋白質(zhì)的功能被視為多實(shí)例多類標(biāo)學(xué)習(xí)框架中的類標(biāo)。

作為一種具體的實(shí)施方案，步驟S2中，所述的計(jì)算蛋白質(zhì)數(shù)據(jù)集中每?jī)蓚€(gè)蛋白質(zhì)之間的Hausdorff距離，具體計(jì)算方法如下：

S21、分別計(jì)算每?jī)蓚€(gè)蛋白質(zhì)之間的最大、最小和平均Hausdorff距離；

S22、每?jī)蓚€(gè)蛋白質(zhì)之間的Hausdorff距離取三種距離的均值。

作為一種具體的實(shí)施方案，步驟S3中，所述的馬爾可夫鏈模型，具體如下式：

D＝(1-α)Pf_s(D)+αQ

其中，D是蛋白質(zhì)類標(biāo)概率分布矩陣，P是類標(biāo)概率轉(zhuǎn)移矩陣，Q是已知的類標(biāo)分布矩陣，α是初始類標(biāo)信息的比例參數(shù)，f_s是類標(biāo)概率分布矩陣的稀釋函數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果：