[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

本發明屬于生物信息領域，公開了一種跨物種編碼多肽sORF的預測方法，整合了sORF數據庫中人和小鼠、TAIR數據庫中擬南芥以及NCBI數據庫中部分原核生物的可編碼蛋白的DNA序列，并通過數據過濾策略和負樣本產生策略構建各物種相應的正負樣本；提取序列特征，并利用最大相關最小冗余和增量選擇的方法對訓練集進行特征篩選，得到不同方法對應的最佳特征集，構建肽編碼sORF預測模型；利用貪婪的網格搜索方法進行參數優化，構建基于支持向量機的最佳預測模型，并通過靈敏度、特異度、準確率和馬修斯相關系數對預測模型經行評估。本方法有助于分類識別肽編碼sORFs，對肽編碼sORFs的研究和基因注釋有重要意義。

技術領域

本發明具體涉及一種跨物種編碼多肽sORF的預測方法，屬于生物信息領域。

背景技術

小開放閱讀框(small Open Reading Frames,sORFs)是長度小于100個氨基酸的DNA序列，許多生物的基因組中均存在sORFs。在過去的十多年里，由于 sORFs序列長度短，表達水平低，且相關資料較少，研究人員往往在基因組注釋中忽略了sORF。隨著測序技術的發展，人們發現許多sORFs也能夠編碼蛋白質，且普遍存在于基因組各個區域。2016年，德克薩斯大學Eric教授等人發現，由sORF編碼的小蛋白質DWORF對心肌收縮功能具有不可忽視的作用，這引起了研究人員對sORFs的重新思考與認識。

近年來，在細菌、酵母、人類中均能檢測到由sORF編碼的小蛋白質，這些小蛋白質在胚胎發育、肌肉功能、細胞凋亡等生命活動中發揮重要作用。因此，肽編碼sORFs逐漸成為生物學領域的一個研究熱點。然而傳統序列分析方法，如基因組測序、轉錄組測序、蛋白質組測序(質譜分析)等手段在sORFs識別中表現甚微。近幾年，核糖體譜成為繼質譜分析等傳統測序方法的新技術，并被廣泛用于分類識別序列能否編碼蛋白質，其主要內容是通過核糖體印記技術分析蛋白質的合成情況，但有證據顯示許多ncRNA也能與核糖體結合，因此僅靠傳統的測序方法分類識別肽編碼sORF遠遠不夠。目前，已有許多工具可用于區分編碼RNA和ncRNA，例如：CPAT、CNCI、PLEK、CPC2、CPPred、LGC、 MePiped、DeepCPP以及CPPred-sORF等。這些方法均建立在一定數據集之上，且能較好地區分“普通”長度的編碼RNA和ncRNA，但對于分類識別肽編碼 sORF的準確性卻不高。因此，發展有效的sORF分類識別技術意義重大。

發明內容

本發明的目的在于克服現有背景技術中的不足，提供一種跨物種編碼多肽sORF的預測方法，解決樣本數量不平衡的問題，便于提取穩健、高效的DNA 序列特征。

為達到上述目的，本發明是采用下述技術方案實現的：

一種跨物種編碼多肽sORF(small Open Reading Frame，小開放閱讀框)的預測方法，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(Max-Relevance and Min-Redundancy，MRMR)，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MRMR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；

構建基于向量機(Support Vector Machine，SVM)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。