[發明專利]一種基于支持向量機預測非編碼DNA的方法及應用平臺

在審

• 申請號: 201811052055.1
• 申請日: 2018-09-10
• 公開（公告）號: CN109308935A
• 公開（公告）日: 2019-02-05
• 發明（設計）人: 鄒權;何文穎;郭菲;唐繼軍;魏樂義
• 申請（專利權）人: 天津大學
• 主分類號: G16B30/00
• 分類號: G16B30/00;G16B40/00
• 代理公司: 天津市三利專利商標代理有限公司 12107
• 代理人: 張義

1.一種基于支持向量機預測非編碼DNA的方法，其特征在于，所述方法依次含有以下步驟：

步驟1：數據的收集和數據集的建立

收集酵母菌的注釋數據，根據注釋信息提取正樣本集(ncDNA)和負樣本集(cDNA)，分別去除序列相似性高的DNA序列，得到非冗余數據集；

步驟2：特征提取

提取正負樣本集的序列信息構造多維特征編碼；

步驟3：模型構建

以支持向量機(SVM)為機器學習算法，整合不同的特征子集進行10-折交叉驗證，并對預測模型進行評估，選擇最優預測模型。

2.根據權利要求1所述的基于支持向量機非預測編碼DNA的方法，其特征在于，所述步驟1中的數據來源于Ensembl project，物種是酵母菌，數據是酵母菌的編碼DNA和非編碼DNA序列；負樣本是從此數據庫中收集注釋的實驗驗證的cDNA，正樣本是相同DNA序列中，截去cDNA后的序列片段。

3.根據權利要求1所述的基于支持向量機非預測編碼DNA的方法，其特征在于，所述步驟1中去除相似性高的序列是采用CD-HIT程序去除高相似性得到相似性小于75％的數據集。

4.根據權利要求1所述的基于支持向量機預測非編碼DNA的方法，其特征在于，所述步驟2中的特征編碼為：4種堿基出現的頻率、16種堿基對出現的頻率、64組三聯體密碼子出現的頻率和K-空格堿基對；DNA序列共有A,C,G,T四種堿基，所述堿基出現的頻率是根據4種堿基在序列片段中出現的頻率進行編碼；所述堿基對出現的頻率是根據16種堿基對在序列中出現的頻率進行編碼；所述三聯體密碼子出現的頻率是根據64組三聯體的出現的頻率進行編碼；任意兩個堿基之間被k個任意堿基隔開之后出現的頻率，也就是K-空格編碼，對于每一個不同的k值，都可以獲得16維的特征編碼。

5.根據權利要求1所述的基于支持向量機預測非編碼DNA的方法，其特征在于，所述步驟3中的以SVM作為機器學習算法進行10-折交叉訓練，10-折交叉驗證方法將樣本集分成10份，每次選擇其中一份來測試模型的性能，剩下的9份用來訓練模型，并以靈敏度(Sn)、特異性(Sp)、準確率(Acc)和馬氏相關系數(MCC)為模型性能的評價指標。

6.一種基于支持向量機預測非編碼DNA的應用平臺，其特征在于，所述應用平臺基于如權利要求1所述的最優預測模型開發，方便用戶使用的識別ncDNA。

7.根據權利要求6所述的一種基于支持向量機預測非編碼DNA的應用平臺，其特征在于，所述應用平臺采用MATLAB軟件和JavaScript編程語言開發的預測平臺ncDNAPred，在使用時，通過用戶在ncDNAPred提交的至少一條FASTA格式的DNA序列，能夠快速預測此序列的編碼類型。