[發(fā)明專利]基于局部進(jìn)化信息的DNA結(jié)合蛋白預(yù)測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011389444.0
• 申請(qǐng)日: 2020-12-01
• 公開（公告）號(hào): CN112489723B
• 公開（公告）日: 2022-09-06
• 發(fā)明（設(shè)計(jì)）人: 於東軍;韓陽
• 申請(qǐng)（專利權(quán)）人: 南京理工大學(xué)
• 主分類號(hào): G16B20/00
• 分類號(hào): G16B20/00;G16B30/00
• 代理公司: 南京理工大學(xué)專利中心 32203
• 代理人: 岑丹

本發(fā)明公開了一種基于局部進(jìn)化信息的DNA結(jié)合蛋白預(yù)測方法，具體步驟為：提取蛋白質(zhì)的進(jìn)化信息，將進(jìn)化信息分割成局部進(jìn)化信息，得到用于預(yù)測的特征向量；使用SVM?RFE+CBR特征提取方法，將特征向量依據(jù)其對(duì)模型的貢獻(xiàn)度進(jìn)行排序，去除無關(guān)特征；采用5折交叉驗(yàn)證方法將去除無關(guān)特征的特征向量分為5份，4份作為訓(xùn)練集輸入SVM模型對(duì)其進(jìn)行訓(xùn)練；對(duì)蛋白質(zhì)處理后將其特征向量輸入SVM模型，獲得預(yù)測結(jié)果。本發(fā)明將多種蛋白質(zhì)序列的特征相組合，結(jié)合蛋白質(zhì)的局部進(jìn)化信息與原進(jìn)化信息和氨基酸組成、二肽信息，充分包含了蛋白質(zhì)的局部與整體信息，提高了DNA結(jié)合蛋白預(yù)測的計(jì)算模型的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于生物信息學(xué)DNA結(jié)合蛋白預(yù)測領(lǐng)域，具體為一種基于局部進(jìn)化信息的DNA結(jié)合蛋白預(yù)測方法。

背景技術(shù)

依據(jù)序列信息鑒定DNA結(jié)合蛋白是基因組注釋領(lǐng)域最優(yōu)挑戰(zhàn)性的問題之一。DNA結(jié)合蛋白在各種細(xì)胞生物學(xué)過程中起著至關(guān)重要的作用，例如基因的表達(dá)與轉(zhuǎn)錄。但是，使用實(shí)驗(yàn)方法鑒定既耗時(shí)且昂貴的。面對(duì)日益龐大的后基因組時(shí)代的海量數(shù)據(jù)，尋求一種快速且準(zhǔn)確預(yù)測蛋白質(zhì)是否為DBP的方法異常重要。

近年來，出現(xiàn)了許多針對(duì)DBP的預(yù)測方法，這些方法大致可以分為兩類，基于結(jié)構(gòu)的方法和基于序列的方法。基于結(jié)構(gòu)的方法主要使用蛋白質(zhì)的結(jié)構(gòu)信息，例如基于蛋白質(zhì)二級(jí)結(jié)構(gòu)構(gòu)造的α螺旋長度、氨基酸的空間組成及分子的偶極矩陣。Gregoret等人開發(fā)了基于蛋白質(zhì)的靜電荷，電耦矩陣張量為特征的神經(jīng)網(wǎng)絡(luò)模型。張浩等人從DNA結(jié)合蛋白的復(fù)雜結(jié)構(gòu)中提取新的信息，在DFIRE能量函數(shù)的基礎(chǔ)上引入新的體積分?jǐn)?shù)校正，并深入提取蛋白質(zhì)與DNA之間的結(jié)合親和力作為特征。通常，使用結(jié)構(gòu)信息的同時(shí)也會(huì)使用序列信息例如iDBP和DBD-Hunter。例如DBD-Hunter方法結(jié)合了結(jié)構(gòu)對(duì)比和統(tǒng)計(jì)趨勢的估計(jì)，在對(duì)多種蛋白質(zhì)的識(shí)別預(yù)測準(zhǔn)確率高于其他同類預(yù)測器，但此方法需要目標(biāo)蛋白質(zhì)的結(jié)構(gòu)作為特征輸入，限制了該模型的推廣與應(yīng)用。雖然通過結(jié)構(gòu)信息進(jìn)行預(yù)測方法都取得了較高的準(zhǔn)確率，但由于蛋白質(zhì)結(jié)構(gòu)的數(shù)目相對(duì)于蛋白質(zhì)序列的數(shù)目過少，蛋白質(zhì)的結(jié)構(gòu)信息獲取相對(duì)滯后，這些方法都很難在后基因組時(shí)代推廣。另外，由于需要預(yù)測的蛋白質(zhì)往往數(shù)據(jù)庫中已存在的蛋白質(zhì)結(jié)構(gòu)相似度較小，因此，只依賴序列信息進(jìn)行預(yù)測更受青睞。

基于序列的預(yù)測方法只依賴蛋白質(zhì)序列信息以預(yù)測DNA結(jié)合蛋白。近年來，一系列方法被應(yīng)用于預(yù)測DBP，例如：PseDNA-Pro，iDNAPro-PseAAC，iDNA-Prot，Local-DPP，StackDPPred，K-PSSM-Composition，TargetDBP。這些方法只需要使用序列信息以模板匹配或者機(jī)器學(xué)習(xí)的方法進(jìn)行預(yù)測DBP。其通常先通過特征提取，將特征輸入到支持向量機(jī)或隨機(jī)森林中。例如，在iDNA-Prot中，其使用灰色系統(tǒng)理論提取的偽氨基酸組合物用于代表蛋白質(zhì)的成分特征，使用隨機(jī)森林生成模型并進(jìn)行分析預(yù)測。在Local-DPP中，其使用位置特異性得分矩陣的局部進(jìn)化信息作為特征，最大限度的提取局部信息，其首先將PSSM進(jìn)行分割為n個(gè)子矩陣，計(jì)算每段中各氨基酸進(jìn)化成其他氨基酸的概率，結(jié)合子矩陣氨基酸序列，從而拼接成全局特征，用以生成預(yù)測模型。在TargetDBP中，其使用氨基酸組成(AAC)，偽位置特異性得分矩陣等作為其特征向量，通過特征選擇和差分進(jìn)化組合優(yōu)化不同的特征，輸入至支持向量機(jī)中進(jìn)行學(xué)習(xí)。

然而，多數(shù)預(yù)測模型對(duì)于局部信息提取大量參數(shù)，輸入?yún)?shù)量龐大，從而削弱了全局信息對(duì)模型貢獻(xiàn)度的影響。雖然在一些模型中使用算法平衡全局與局部信息的權(quán)重，但是大量無用信息使得模型規(guī)模過于龐大冗余，從而導(dǎo)致模型在預(yù)測效率上的不足。

發(fā)明內(nèi)容

本發(fā)明提出了一種基于局部進(jìn)化信息的DNA結(jié)合蛋白預(yù)測方法。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案為：一種基于局部進(jìn)化信息的DNA結(jié)合蛋白預(yù)測方法，具體步驟為：

步驟1：提取蛋白質(zhì)的進(jìn)化信息，將進(jìn)化信息分割成局部進(jìn)化信息，得到用于預(yù)測的特征向量；