基于多信息融合的生物大分子序列預(yù)測方法研究.pdf

1、隨著測序技術(shù)的發(fā)展，生物大分子序列數(shù)量快速積累，迫切需要了解序列所蘊(yùn)含的重要生命信息。近年來，生物大分子序列的結(jié)構(gòu)與功能研究已經(jīng)成為生物信息學(xué)領(lǐng)域研究的熱點(diǎn)問題。目前，基于生物大分子序列和機(jī)器學(xué)習(xí)模型的方法是生物信息學(xué)領(lǐng)域中預(yù)測序列結(jié)構(gòu)和功能的重要研究手段。本文從如何構(gòu)建有效的序列向量化方法、分類算法、以及高質(zhì)量數(shù)據(jù)集角度出發(fā)，對生物大分子序列預(yù)測的幾個(gè)具體問題進(jìn)行了深入研究，包括蛋白質(zhì)結(jié)構(gòu)類預(yù)測、蛋白質(zhì)折疊模式類預(yù)測、細(xì)胞因子與受體相

2、互作用預(yù)測、細(xì)胞穿透肽預(yù)測、以及microRNA前體預(yù)測。本文的研究內(nèi)容包括以下幾個(gè)方面:
　　第一，針對蛋白質(zhì)結(jié)構(gòu)類預(yù)測問題，目前現(xiàn)有預(yù)測方法普遍存在的問題是特征中包含信息單一導(dǎo)致特征的表達(dá)能力較低。為了克服這一問題，本文提出了基于序列與結(jié)構(gòu)特征的蛋白質(zhì)結(jié)構(gòu)類預(yù)測方法RF_ PSCP。在該方法中，首先利用了基于多信息融合的特征提取方法，將蛋白質(zhì)的初級序列信息、二級結(jié)構(gòu)信息和序列結(jié)構(gòu)信息融合到特征向量中，從不同角度更加全面刻畫不同

3、結(jié)構(gòu)類間蛋白質(zhì)序列的差異性;然后，將特征向量輸入隨機(jī)森林進(jìn)行結(jié)構(gòu)類預(yù)測。在10折交叉驗(yàn)證中，本文提出的方法RF PSCP在多個(gè)基準(zhǔn)數(shù)據(jù)集上的預(yù)測準(zhǔn)確率上均顯著優(yōu)于現(xiàn)有的方法，表明了方法的有效性。此外，在多個(gè)更新數(shù)據(jù)集上穩(wěn)定的預(yù)測效果表明了方法良好的魯棒性。
　　第二，在蛋白質(zhì)折疊模式類預(yù)測領(lǐng)域中，目前基于機(jī)器學(xué)習(xí)的預(yù)測方法實(shí)際的預(yù)測效果并不理想。為了進(jìn)一步提高方法的預(yù)測性能，本文提出了基于集成學(xué)習(xí)的蛋白質(zhì)折疊模式類預(yù)測方法PFPA

4、，從序列向量化方法與分類算法兩個(gè)方面做了相應(yīng)改進(jìn)，從而提升了預(yù)測效果。在序列向量化方面，利用了兩種新的向量化方法:基于PSI-BLAST和基于PSI-PRED的特征算法，使得特征向量充分包含初級序列信息、進(jìn)化信息、以及局部和全局二級結(jié)構(gòu)信息。在分類算法方面，本文采用了平均概率的集成策略將五種不同的基分類器結(jié)合，從而形成集成分類器對蛋白質(zhì)序列進(jìn)行折疊模式類預(yù)測。與現(xiàn)有方法在基準(zhǔn)數(shù)據(jù)集上的比較，表明了本文提出的方法的優(yōu)越性。
　　第三

5、，針對細(xì)胞因子與受體相互作用預(yù)測問題，本文從蛋白質(zhì)相互作用具有局部性特點(diǎn)出發(fā)，提出了基于局部進(jìn)化特征的細(xì)胞因子與受體相互作用預(yù)測方法CRI-Pred。在該方法中，首次引入了蛋白質(zhì)序列局部信息的概念。為了提取局部信息，利用平均分割的方法將位置特異性得分矩陣分成多個(gè)子矩陣，將兩個(gè)進(jìn)化特征模型(Pse-PSSM和AAC-PSSM-AC)應(yīng)用于子矩陣中將蛋白質(zhì)序列向量化，從而使得特征向量融合了蛋白質(zhì)序列的局部保守信息、進(jìn)化信息、以及序列的順序信

6、息。在分類器方面，本文采用隨機(jī)森林作為分類器進(jìn)行預(yù)測。實(shí)驗(yàn)結(jié)果表明，本文提出的方法在整體預(yù)測準(zhǔn)確率指標(biāo)上比現(xiàn)有預(yù)測方法高5.1％。
　　第四，在細(xì)胞穿透肽預(yù)測領(lǐng)域中，本文針對現(xiàn)有方法的一些不足做了相應(yīng)改進(jìn)，從而提出了基于隨機(jī)森林的細(xì)胞穿透肽預(yù)測方法SkipCPP-Pred。在該方法中，本文提出了自適應(yīng)k-skip-n-gram特征向量化方法，在n-gram模型基礎(chǔ)上增加更多的距離和序列氨基酸間相關(guān)性，從而一定程度上解決了傳統(tǒng)n-g

7、ram方法造成的特征空間稀疏問題。其次，在數(shù)據(jù)集構(gòu)建方面，本文重新構(gòu)建了一個(gè)新的數(shù)據(jù)集:降低樣本的冗余，增加數(shù)據(jù)集樣本量，提升正反例樣本相似性分布，從而克服基于現(xiàn)有數(shù)據(jù)集構(gòu)建的預(yù)測方法出現(xiàn)的“過預(yù)測”問題。為了驗(yàn)證方法的有效性，本文比較了SkipCPP-Pred與現(xiàn)有方法的預(yù)測效果。實(shí)驗(yàn)結(jié)果表明，SkipCPP-Pred比現(xiàn)有方法能夠更加準(zhǔn)確預(yù)測序列是否具有細(xì)胞穿透功能。
　　第五，在microRNA前體預(yù)測領(lǐng)域中，目前現(xiàn)有的預(yù)測

8、方法普遍存在訓(xùn)練集中反例樣本不具有代表性，導(dǎo)致預(yù)測方法泛化能力差的問題。本文提出了基于高質(zhì)量反例的人類microRNA前體預(yù)測方法miRNAPre。該方法的研究重點(diǎn)是從反例選擇的角度出發(fā)，提出了高質(zhì)量反例挖掘方法，通過反復(fù)迭代的深度挖掘，從而克服現(xiàn)有反例樣本過度依賴參數(shù)選擇導(dǎo)致與正例樣本差異性較大的問題。在預(yù)測方法的構(gòu)建方面，基于多信息融合的方法將序列向量化為包含了多種不同信息的特征，以支持向量機(jī)分類器作為特征向量輸入進(jìn)行預(yù)測。與現(xiàn)有方