基于多特征融合的蛋白質亞細胞多位點定位預測.pdf

1、蛋白質亞細胞定位預測是指對某種蛋白質或者是基因表達產(chǎn)物所在細胞內(nèi)的具體存在部位進行預測，即根據(jù)蛋白質序列中所包含的特征信息，經(jīng)過預測算法的分類識別，預測其所在的亞細胞位點，即細胞器。蛋白質的亞細胞位置和其功能高度相關，同時也是蛋白質組學研究的基礎。蛋白質是一切生命活動的物質承擔者和執(zhí)行者。但是，其功能的表現(xiàn)依賴其所在的亞細胞位點，只有處于特定的正確的亞細胞位置，蛋白質才能充分發(fā)揮其功能，才能正常的參與各項生命活動。蛋白質處于正確的亞細胞

2、位點是生命體正常有序運轉的前提和保障。因此，蛋白質的亞細胞定位預測對于機體生理機制的研究是非常有意義的。此外，明確蛋白質的亞細胞位點，對許多疾病發(fā)病機理的研究和靶細胞藥物的研發(fā)都起著至關重要的作用。
　　近幾年，隨著計算機科學以及生物技術的發(fā)展，由高通量實驗積累的蛋白質數(shù)量呈幾何級增長，傳統(tǒng)的試驗方法費時費力，已經(jīng)難以滿足定位研究的需要。因此，人們通過使用機器學習的方法來對海量的蛋白質進行定位預測。研究還發(fā)現(xiàn)有些蛋白質不僅只含有一

3、個亞細胞位點，有的蛋白質在兩個甚至是多個亞細胞中存在或者是游動。根據(jù)DBMLoc的統(tǒng)計，在所有的已經(jīng)發(fā)現(xiàn)的蛋白質中，超過30％的蛋白質含有多個亞細胞位點。這類蛋白質通常具有特殊的功能，具有對機體更加重要的生物學意義。開發(fā)能夠快速準確的鑒定新發(fā)現(xiàn)蛋白質多個亞細胞位點的計算方法成為了重中之重，多位點蛋白質的數(shù)量在不斷的增加，因此，蛋白質的亞細胞定位預測開始向多位點定位預測方向發(fā)展。蛋白質的多位點定位預測比單位點預測要復雜的多，其本質屬于典型

4、的多標記學習問題。因此研究者們紛紛將注意力轉移到近來發(fā)展迅速的能夠處理多標記學習的機器學習方法上來，并取得了較好的成果。就預測步驟而言，蛋白質亞細胞多位點定位預測和單位點定位預測類似，包括以下四個方面的內(nèi)容：一是數(shù)據(jù)集的構建，二是對蛋白質序列的特征表示，三是分類算法的設計與實現(xiàn)，四是對預測算法進行評價。
　　本文選擇使用兩個基數(shù)據(jù)集：一個是 Virus-mPloc分類器中的數(shù)據(jù)集，另外一個是Gpos-mploc分類器中的數(shù)據(jù)集。這

5、兩個數(shù)據(jù)集都同時包含單位點蛋白質和多位點蛋白質序列。本文采用的特征提取方法有N端分選信號、偽氨基酸組成模型（PseAAC）、理化組成（PC）、氨基酸指數(shù)分布（AAID）和立體化學性質（SP）。在特征提取的過程中，首先將N端分選信號和偽氨基酸組成模型組合起來，即先將氨基酸序列分成兩段，然后用偽氨基酸組成模型表示蛋白質序列，得到一個80維的特征向量。然后在整條蛋白質序列上提取理化性質、氨基酸指數(shù)分布和立體化學特征，分別得到21維、40維和1