[發(fā)明專利]一種人類蛋白質(zhì)亞細(xì)胞位置預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201710204499.1
• 申請日: 2017-03-31
• 公開（公告）號: CN106778070A
• 公開（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 沈紅斌;周航
• 申請（專利權(quán)）人: 上海交通大學(xué)
• 主分類號: G06F19/18
• 分類號: G06F19/18;G06F19/24
• 代理公司: 上海伯瑞杰知識產(chǎn)權(quán)代理有限公司31227
• 代理人: 孟旭彤

技術(shù)領(lǐng)域

本發(fā)明屬于生物信息技術(shù)領(lǐng)域，特別涉及一種人類蛋白質(zhì)亞細(xì)胞位置預(yù)測的方法。

背景技術(shù)

了解蛋白質(zhì)的亞細(xì)胞位置對于理解蛋白質(zhì)的功能、蛋白質(zhì)間的相互作用，以及藥物的靶向治療具有重要的意義。然而目前利用實(shí)驗(yàn)檢驗(yàn)的方法來獲取蛋白質(zhì)的亞細(xì)胞位置需要很大的時(shí)間和成本。因此利用蛋白質(zhì)亞細(xì)胞位置預(yù)測工具來對大量的蛋白質(zhì)進(jìn)行預(yù)測具有重要意義。根據(jù)我們的統(tǒng)計(jì)，在2016年二月份發(fā)布的SWISS-PROT蛋白質(zhì)數(shù)據(jù)庫上一共有550552條蛋白質(zhì)，其中只有10.4％的蛋白質(zhì)具有實(shí)驗(yàn)驗(yàn)證的亞細(xì)胞位置，剩下的未知亞細(xì)胞位置的蛋白質(zhì)急需通過一種可靠的預(yù)測方法來預(yù)測。

到目前為止，已經(jīng)有很多能夠預(yù)測蛋白質(zhì)亞細(xì)胞位置的工具，常見的網(wǎng)絡(luò)服務(wù)器包括BaCeLlo，YLoc，MultiLoc，GOASVM，WoLF PSORT，CellPLoc，HSLPred等等。這些預(yù)測工具給相關(guān)領(lǐng)域的生物學(xué)家?guī)砹藰O大的便利。

蛋白質(zhì)的亞細(xì)胞位置信息經(jīng)常被用在疾病的基因治療，藥物靶向治療上。例如通過檢查在腫瘤中蛋白質(zhì)YAP的表達(dá)和亞細(xì)胞定位來研究Hippo/YAP途徑在小兒肝細(xì)胞癌演變中的作用。所以，一個(gè)易于使用的高精度預(yù)測工具將非常有助于這些實(shí)驗(yàn)室進(jìn)行臨床研究。我們以前發(fā)布的網(wǎng)絡(luò)服務(wù)器Hum-mPLoc2.0是專門為預(yù)測人類蛋白質(zhì)定位而設(shè)計(jì)的。每年使用的次數(shù)已從2010年的2萬次增加到2015年的8萬多次。這表明為了提供更好的預(yù)測服務(wù)，基于新技術(shù)和更全面精準(zhǔn)的注釋數(shù)據(jù)庫來進(jìn)一步增強(qiáng)預(yù)測能力具有重要意義。

通常，用于預(yù)測蛋白質(zhì)亞細(xì)胞定位的計(jì)算方法可以分為兩類，即基于同源性搜索的方法和基于機(jī)器學(xué)習(xí)的方法。基于同源性搜索的方法可以被認(rèn)為是利用最近鄰方法來進(jìn)行預(yù)測，在該方法中兩個(gè)蛋白質(zhì)之間的距離通常通過它們的序列同源性來衡量。通過計(jì)算查詢蛋白質(zhì)與大量已有亞細(xì)胞位置注釋信息的序列的同源性，該方法找到前K個(gè)最相似的蛋白質(zhì)，并將它們的注釋信息傳遞給所要預(yù)測的蛋白質(zhì)作為分類結(jié)果。基于同源性搜索的方法是一種比較直接的預(yù)測方法，但是它的性能顯著取決于是否能夠找到相似度高已有亞細(xì)胞位置信息注釋的同源序列，此外，有些時(shí)候兩個(gè)蛋白質(zhì)序列之間的相似度高但是他們可具有非常不同的結(jié)構(gòu)或功能，這會導(dǎo)致該方法的失效。

基于機(jī)器學(xué)習(xí)的預(yù)測器是蛋白質(zhì)亞細(xì)胞位置預(yù)測中的一類較為靈活模型。它們需要所謂的訓(xùn)練數(shù)據(jù)集，然后通過基于統(tǒng)計(jì)學(xué)習(xí)的算法來學(xué)習(xí)分類規(guī)則。因此，訓(xùn)練數(shù)據(jù)的質(zhì)量與所學(xué)習(xí)的統(tǒng)計(jì)規(guī)則的質(zhì)量密切相關(guān)。受益于蛋白質(zhì)數(shù)據(jù)庫中關(guān)于亞細(xì)胞位置信息越來越多并且越來越可靠的注釋，我們可以通過收集大規(guī)模訓(xùn)練數(shù)據(jù)以便于更充分地訓(xùn)練分類模型。在機(jī)器學(xué)習(xí)模型中的另一個(gè)重要問題是如何編碼蛋白質(zhì)序列，因?yàn)榇蠖鄶?shù)算法需要提取特征向量作為輸入，如何從原始蛋白質(zhì)序列以及相關(guān)聯(lián)的現(xiàn)有知識中提取特征對于分類器的最終性能是至關(guān)重要的。用于預(yù)測亞細(xì)胞位置的現(xiàn)有機(jī)器學(xué)習(xí)工具使用各種特征如下：

(1)基于殘基的統(tǒng)計(jì)特征，偽氨基酸組成和位置特異性評分矩陣。

(2)基于信號肽，功能域的特征。

(3)基于數(shù)據(jù)庫注釋的特征，例如基因本體論(GO)特征。

由于GO特征是對領(lǐng)域知識的高級抽象，當(dāng)擁有足夠的注釋時(shí)，它們通常比基于序列所提取的特征具有更高的準(zhǔn)確性。然而，大量的注釋數(shù)據(jù)帶來新的算法挑戰(zhàn)。例如，通過對每個(gè)GO特征使用伯努利事件模型，即對于該GO特征是否存在進(jìn)行二進(jìn)制編碼，常常導(dǎo)致極高維的特征空間。隨著GO數(shù)據(jù)庫的定期擴(kuò)展和更新，維度將隨著我們關(guān)于蛋白質(zhì)的知識拓展而不斷增加。高維特征向量增加了機(jī)器學(xué)習(xí)過程的復(fù)雜性，并且我們還考慮到注釋數(shù)據(jù)庫中的潛在噪聲的影響。雖然整個(gè)GO數(shù)據(jù)庫是巨大的，但每個(gè)蛋白質(zhì)實(shí)際上只包含幾個(gè)GO特征。根據(jù)我們的統(tǒng)計(jì)，在SWISS-PROT數(shù)據(jù)庫中那些至少具有一個(gè)GO特征的蛋白質(zhì)，他們平均擁有6個(gè)GO注釋。也就是說一個(gè)蛋白質(zhì)的GO特征是一個(gè)稀疏特征向量，它有數(shù)千個(gè)維度，但只有大約6個(gè)GO注釋。目前領(lǐng)域內(nèi)已經(jīng)針對這個(gè)問題提出了不同的方法來處理。例如，YLoc僅選擇對于特定亞細(xì)胞位置具有明顯相關(guān)性的GO注釋和PROSITE模式。因此，它減少了不必要的特征，并使得結(jié)果更易于理解，但是這樣也會導(dǎo)致信息丟失。WegoLoc為每個(gè)GO特征分配權(quán)重來突出有用的GO特征。

發(fā)明內(nèi)容

本發(fā)明提供一種人類蛋白質(zhì)亞細(xì)胞位置預(yù)測方法，目的在于通過利用注釋特征之間潛在相關(guān)性信息來提高人類蛋白質(zhì)亞細(xì)胞分類器的預(yù)測精度。

一種人類蛋白質(zhì)亞細(xì)胞位置預(yù)測方法，基于人類蛋白質(zhì)序列預(yù)測蛋白質(zhì)亞細(xì)胞位置，包括以下步驟：