面向蛋白質(zhì)功能位點識別的機器學習平臺構(gòu)建.pdf

1、有關(guān)蛋白質(zhì)功能的研究是解析生命奧秘的基礎(chǔ)。通過對蛋白質(zhì)功能位點（如：蛋白質(zhì)與核酸的結(jié)合位點、糖基化位點、磷酸化結(jié)合位點等）的識別，進而預(yù)測蛋白質(zhì)的功能是目前的主要手段之一。
　　 機器學習是一種自動的具有人工智能的學習方法，在生物信息學的蛋白質(zhì)功能位點研究中被廣泛的應(yīng)用。目前利用機器學習方法研究蛋白質(zhì)功能位點的關(guān)鍵是序列特征的有效提取及訓練預(yù)測模型的正確選擇，而上述兩點具有以下特點：a）模型輸入（訓練數(shù)據(jù)）大都直接或間接地使用蛋

2、白質(zhì)氨基酸序列的理化特性、序列信息、保守特性、二級結(jié)構(gòu)特性、統(tǒng)計特性等；b）機器學習的建立方法相對一致，即通過數(shù)據(jù)集準備、特征提取、機器學習模型選擇、模型訓練預(yù)測、評價等過程?；谏鲜鎏攸c及共性，為了避免預(yù)測蛋白質(zhì)功能位點研究中的重復工作，本文整合了目前所有通用的蛋白質(zhì)序列特征及機器學習訓練預(yù)測模型，利用支持向量機或隨機森林方法，構(gòu)建了一個預(yù)測蛋白質(zhì)功能位點的通用平臺。具體內(nèi)容如下：
　　 （1）提出了基于氨基酸序列的蛋白質(zhì)功能

3、位點預(yù)測通用模型。針對蛋白質(zhì)功能位點預(yù)測模型的構(gòu)建一般包括數(shù)據(jù)集選取、正負樣本確定、特征提取、模型選擇、訓練、預(yù)測、評價等步驟，本文構(gòu)建了基于氨基酸序列的蛋白質(zhì)功能位點預(yù)測模型。該模型先提取非同源蛋白質(zhì)序列，再根據(jù)選定的窗口大小確定止負樣本的長度，接下來對樣本序列進行特征編碼（包括序列的基本信息、物化特征、結(jié)構(gòu)信息及序列保守性特征等），以編碼好的樣本作為訓練數(shù)據(jù)，利用支持向量機或隨機森林進行訓練，并對訓練好的模型進行評價，得到評價指標最

4、優(yōu)的訓練模型后，便可以用來預(yù)測蛋白質(zhì)序列上的功能位點。
　　 （2）實現(xiàn)了一個面向蛋白質(zhì)功能位點的機器學習平臺。在文中，我們首次提出了面向蛋白質(zhì)功能位點的機器學習平臺的模塊化實現(xiàn)。三個功能模塊如下：a）數(shù)據(jù)預(yù)處理模塊：用戶輸入標有功能位點的序列信息后，通過聚類的算法提取非冗余序列：b）特征提取模塊：利用序列的基本信息、物化特征、結(jié)構(gòu)信息及序列保守性特征，將篩選后的序列轉(zhuǎn)化為固定長度的窗口序列：c）機器學習訓練預(yù)測模塊：使用支持向

5、量機或隨機森林進行訓練預(yù)測，得到序列的敏感性、特異性、Matthew相關(guān)系數(shù)、準確率及ROC曲線等評價指標。該平臺以Windows XP為操作系統(tǒng)，采用Visual C++和Perl集成開發(fā)，其中VC++實現(xiàn)程序調(diào)用，界面顯示，ROC曲線繪制：而Perl則實現(xiàn)窗口選擇、正負樣本確定、序列特征提取及預(yù)測后對結(jié)果數(shù)據(jù)的評價分析。
　　 （3）以蛋白質(zhì)和生物大分子的相互作用為例驗證平臺性能。性能測試是平臺開發(fā)的重要一環(huán)，為驗證平臺的有

6、效性，本文以蛋白質(zhì)與核酸（DNA/RNA）的相互作用及蛋白質(zhì)O-糖基化為例，預(yù)測蛋白質(zhì)與DNA/RNA的作用位點及蛋白質(zhì)O-糖基化位點。利用平臺高度整合的特性，為預(yù)測蛋白質(zhì)和DNA/RNA相互作用及蛋白質(zhì)O-糖基化位點選擇出最優(yōu)預(yù)測模型。同時為驗證平臺的準確度，我們還采用Ma X.，Wang L.和Li S.J.文章中相同的樣本數(shù)據(jù)，相同的特征參數(shù)以及相同的訓練模型，測試結(jié)果發(fā)現(xiàn)與論文上結(jié)果基本一致，從而說明本平臺的預(yù)測是準確且有效的。