[發(fā)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?zhí)枺?/td>: 201811052055.1
• 申請日: 2018-09-10
• 公開（公告）號: CN109308935A
• 公開（公告）日: 2019-02-05
• 發(fā)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

本發(fā)明公開了一種基于支持向量機預測非編碼DNA的方法及應用平臺，方法主要包括：數(shù)據(jù)收集；數(shù)據(jù)處理；特征提取；基于支持向量機的模型訓練與評估。這種方法能夠緩解實驗方法費事費力的壓力。利用上述方法開發(fā)應用平臺，可以快速識別出cDNA和ncDNA，省時省力，提高識別的準確率，使得ncDNA的預測更好的推廣應用。

技術領域

本發(fā)明涉及基于高通量測序技術發(fā)展的背景，為挖掘編碼DNA(cDNA)和非編碼DNA(ncDNA)的信息與知識建立的理論分析和預測的新算法，具體涉及一種基于支持向量機預測非編碼DNA的方法及應用平臺。

背景技術

基因是生物體攜帶和傳遞遺傳信息的基本單位。它的遺傳表現(xiàn)不僅體現(xiàn)在編碼區(qū)序列中，還隱藏在非編碼區(qū)序列中。基因組研究表明，細菌中非編碼區(qū)占到整個基因組序列的10％-20％，高等生物基因組中非編碼區(qū)占到絕大部分。以往的研究大多數(shù)放在編碼區(qū)的功能研究上，對非編碼區(qū)的研究主要是對調控元件的研究。隨著測序技術的發(fā)展，大量研究表明，生物的復雜性與非編碼區(qū)域的長度相關，這些ncDNA在生理與疾病狀態(tài)下特異性轉錄。大部份ncDNA的功能尚不可知，但一些研究表明，絕大多數(shù)癌癥相關基因突變位于非編碼區(qū)，但是它們具體如何影響腫瘤的生成還是一個亟待解決的問題。除此之外，基因組中的非編碼序列在DNA修復、免疫作用和基因組的進化過程起著重要的作用。所以，ncDNA從之前被人們忽視的“垃圾”DNA逐漸成為功能組學的研究熱點。

cDNA和ncDNA的識別主要依靠實驗方法，然而傳統(tǒng)的實驗方法費事費力，并且基因組數(shù)據(jù)量龐大，序列類型復雜。在這種背景下，迫切需要建立準確和高效的預測方法，挖掘cDNA和ncDNA的信息和知識。

發(fā)明內容

本發(fā)明的目的是針對現(xiàn)有預測方法不足，提供了一種基于支持向量機預測非編碼DNA的方法及應用平臺。

為實現(xiàn)本發(fā)明的目的，本發(fā)明的技術方案是：

一種基于支持向量機預測非編碼DNA的方法，包括如下步驟：

步驟1：數(shù)據(jù)的收集和數(shù)據(jù)集的建立

從Ensembl project

收集的酵母菌的注釋數(shù)據(jù)，根據(jù)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(shù)據(jù)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(yōu)預測模型。

所述步驟1中的注釋數(shù)據(jù)來源于Ensembl project，物種是酵母菌，數(shù)據(jù)是酵母菌的編碼DNA和非編碼DNA序列。負樣本是從此數(shù)據(jù)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。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(shù)據(jù)集。

所述步驟2中的特征編碼為：4種堿基出現(xiàn)的頻率、16種堿基對出現(xiàn)的頻率、64組三聯(lián)體密碼子出現(xiàn)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(xiàn)的頻率是根據(jù)4種堿基在序列片段中出現(xiàn)的頻率進行編碼；所述堿基對出現(xiàn)的頻率是根據(jù)16種堿基對在序列中出現(xiàn)的頻率進行編碼；所述三聯(lián)體密碼子出現(xiàn)的頻率是根據(jù)64組三聯(lián)體的出現(xiàn)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(xiàn)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。