[發明專利]一種跨物種編碼多肽sORF的預測方法

在審

• 申請號: 202111305379.3
• 申請日: 2021-11-05
• 公開（公告）號: CN114154396A
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 郭麗;姜雯雯;夏道良
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F119/02
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 劉妍妍

1.一種跨物種編碼多肽sORF的預測方法，其特征在于，包括以下步驟：

將非編碼序列產生策略應用于多個物種的肽編碼sORFs的數據集，分別得到與之對應的非編碼sORFs數據集；將各物種的肽編碼sORFs和非編碼sORFs分別去冗余，得到各物種相應的正負樣本，構建訓練集和測試集；

提取各數據集中相應的特征參數；結合最大相關最小冗余策略和增量選擇方法選取表現較好的特征，構建相應特征集；構建基于支持向量機肽編碼sORFs的預測模型，將訓練集的特征集用于模型訓練；利用貪婪的網格搜索方法對訓練模型進一步優化，分別得到指定參數范圍內的最佳預測模型；

利用預測模型對測試集進行預測，分析各數據集預測結果，比較評估不同特征選取策略的預測效率，得到表現最好的特征集和預測模型作為最佳的特征集和預測模型。

2.根據權利要求1所述的跨物種編碼多肽sORF的預測方法，其特征在于，從sORF數據庫中下載人和小鼠的編碼序列，從TAIR數據庫中下載擬南芥的CDS，從NCBI數據庫中下載部分原核生物基因組的CDS；根據數據過濾策略濾除“錯誤”序列，得到多個物種的肽編碼sORFs的數據集。

3.根據權利要求2所述的一種跨物種編碼多肽sORF的預測方法，其特征在于，“錯誤”序列過濾策略為：

濾除sORF長度≥100aa；

濾除序列長度不能被3整除的sORF；

濾除以終止密碼子開頭的sORF；

濾除不以終止密碼子結尾的sORF；

濾除序列中帶有終止密碼子的sORF。

4.根據權利要求1所述的跨物種編碼多肽sORF的預測方法，其特征在于，

非編碼序列產生策略為：固定起始密碼子和終止密碼子，隨機打亂每個正sORF序列；

確保在序列末端的終止密碼子之前沒有任何終止密碼子。

5.根據權利要求1所述的跨物種編碼多肽sORF的預測方法，其特征在于，去冗余方法為：

通過CDHit程序，將各物種的肽編碼sORFs和非編碼sORFs分別去冗余，得到各物種相應的正負樣本，構建訓練集和測試集；

去冗余閾值設為0.80，濾除相似度大于80％的DNA序列。

6.根據權利要求1所述的跨物種編碼多肽sORF的預測方法，其特征在于，根據9種不同的特征選取策略，提取各數據集中相應的特征參數；所述9種不同的特征選取策略分別為：CPPred、2mer、3mer、TN、ITN、Cylindrical、Spherical、Codon、Amino。

7.根據權利要求1所述的跨物種編碼多肽sORF的預測方法，其特征在于，利用PyCharm軟件提取各數據集中DNA序列的特征參數；利用PyCharm軟件pymrmr包實現MRMR策略和增量選擇方法，完成特征排序，構建相應的特征集。

8.根據權利要求1所述的跨物種編碼多肽sORF的預測方法，其特征在于，

網格搜索方法的參數設置：

cmin：懲罰參數c的變化范圍的最小值；默認為-5；

cmax：懲罰參數c的變化范圍的最大值；默認為5；

gmin：參數g的變化范圍的最小值；默認為-5；

gmax：參數g的變化范圍的最大值；默認為5；

v：交叉驗證的參數；默認為3；

cstep：參數c步進的大小；默認為1；

gstep：參數g步進的大小；默認為1；

accstep：最后顯示準確率圖時的步進大小；默認為1.5。

9.根據權利要求1所述的一種跨物種編碼多肽sORF的預測方法，其特征在于，利用matlab的libsvm包，利用預測模型對測試集進行跨物種預測，根據Sn、Sp、ACC、MCC，4個指標分析預測結果，對預測模型進行比較評估，將表現最好的特征集和預測模型作為跨物種編碼多肽sORF的預測方法的特征集和預測模型。

10.根據權利要求9所述的一種跨物種編碼多肽sORF的預測方法，評估指標計算公式如下：

其中，Sn為靈敏度，Sp為特異度，ACC為準確率，MCC為馬修斯相關系數，TP為真正例，FN為假負例，TN為真負例，FP假正例。