基于序列的蛋白質(zhì)功能分類系統(tǒng)的研究與設計

摘 要：在生物序列快速增長的大環(huán)境下，對新產(chǎn)生的未知功能序列進行快速功能注釋是一項有挑戰(zhàn)性的任務，文本以蛋白質(zhì)序列為研究對象，描述了使用機器學習方法對未知功能的蛋白質(zhì)序列進行功能分類的一般方法。

關鍵詞：蛋白質(zhì)序列；特征提?。还δ芊诸?/p>

1 概述

蛋白質(zhì)是一切生命活動的載體，對蛋白質(zhì)序列進行功能預測是研究蛋白質(zhì)功能的重要途徑。隨著越來越多的生物物種被測序，生物數(shù)據(jù)庫中的未知功能序列正在快速增加，僅通過實驗手段來驗證未知序列的功能顯然已經(jīng)不能滿足要求。因此，借助計算技術(shù)對未知功能生物序列進行功能預測已變成一種可行途徑。文章以蛋白質(zhì)序列為例，描述了基于序列的蛋白質(zhì)功能分類系統(tǒng)的設計流程。

2 基于蛋白質(zhì)序列的功能分類算法的分析

測序技術(shù)的快速發(fā)展產(chǎn)生了大量未知功能的序列；其中，蛋白質(zhì)序列占很大比重，對這些序列進行功能注釋是一項繁瑣的大工程。在生物領域，一般認為在序列上相似的蛋白質(zhì)在功能上也具有相似性。因此，我們希望通過對已知功能的蛋白質(zhì)序列進行建模，用該模型來對未知功能的序列進行功能分類，其功能分類框架如圖1所示。

2.1 構(gòu)建正負樣本訓練集

為了構(gòu)建基于機器學習的功能分類模型，獲取高質(zhì)量的正樣本和負樣本序列訓練集非常重要。正樣本序列是指已確認其具有某項功能的蛋白質(zhì)序列，獲取途徑可以從已發(fā)表的文獻或者相關蛋白質(zhì)功能數(shù)據(jù)庫中獲取，也可以從模式生物蛋白質(zhì)序列的注釋信息中提取。負樣本序列指不具有相關功能的一般序列。負樣本序列的選擇可以來源于基因組中的其它隨機序列，它不能與正樣本集中的序列有交集，且負樣本序列和正樣本序列在數(shù)量上應該保存相當。

2.2 剔除訓練集中的重復序列

為了提高機器學習模型的分類性能，訓練集中序列之間的相似性應該比較低，即正負樣本訓練集中的序列相似性應該低于給定的閥值，一般取20%或者25%，即兩條序列間序列的一致性（Identity）不超過20%或者25%。評價序列相似性的軟件很多，包括Blast、BlastClust和cd-hit等；使用這些軟件可以剔除訓練集中的相似序列（冗余序列）。

2.3 從蛋白質(zhì)序列中提取特征向量

訓練集中的蛋白質(zhì)序列是由字母表∑中的20個字符生成的字符長串，每個字符代表20種基本氨基酸之一，即∑={A，C，D，E，F(xiàn)，G，H，I，K，L，M，N，P，Q，R，S，T，V，W，Y}；而目前的機器學習算法僅能處理特征向量；因此，將訓練集中的每條序列轉(zhuǎn)化為一個特征向量是必經(jīng)步驟。設計高效的特征提取方案將蛋白質(zhì)序列轉(zhuǎn)化成特征向量是獲得高性能分類模型的關鍵，比如使用propy[1]和Pse-in-One[2]等工具軟件可實現(xiàn)將蛋白質(zhì)序列轉(zhuǎn)化為特征向量。

2.4 確定訓練集中特征向量的類標號

將訓練集中的序列轉(zhuǎn)換為特征向量后，需要將正負樣本的特征向量加上類標號，正樣本特征向量一般加上類標號+1，負樣本的特征向量加上-1，這樣就可以將正負樣本特征向量集合并為一個輸入文件，方便輸入到機器學習分類模型中。

2.5 選擇機器學習方法構(gòu)建分類模型

在生物信息學領域沒有通用的機器學習算法，比較常用的算法包括支持向量機算法（Support Vector Machine）、隨機森林（Random Forest）、決策樹（Decision Tree）、貝葉斯（Na ve Bayesian）和二次判別分析（Quadratic Discriminant Analysis）等眾多機器學習算法[3]。不同的生物信息學應用場景、不同的特征提取方法和不同的機器學習算法的組合可能會產(chǎn)生性能顯著不同的分類器。通過比較不同的特征提取方式和機器學習算法，并通過性能評價指標來選擇分類性能高的機器學習算法。

2.6 通過交叉檢驗來評價機器學習算法的性能

評價機器學習算法的性能指標包括靈敏度（Sensitivity， Sn）、特異度（Specificity， Sp）、準確度（Precision， Pr）、馬修相關系數(shù)（Mathew's correlation coefficient，MCC）等，具體的計算公式可文獻參考[3，4]，通過交叉檢驗來計算不同分類算法的性能指標值，根據(jù)這些指標值來比較不同分類算法的性能；常用的交叉檢驗方法包括5倍交叉檢驗、10倍交叉檢驗和留一法交叉檢驗。

2.7 機器學習算法的最優(yōu)參數(shù)

在使用機器學習算法對蛋白質(zhì)序列進行功能分類的應用中，不同的算法可能有不同的參數(shù)組合，將參數(shù)調(diào)節(jié)到最優(yōu)狀態(tài)可以獲得分類器的最佳性能。交叉檢驗是衡量機器學習算法選擇及最優(yōu)參數(shù)配置的手段。例如，使用支持向量機并選擇徑向基核函數(shù)來對蛋白質(zhì)序列構(gòu)建分類模型時，可以使用網(wǎng)格搜索法來搜索支持向量機算法的核函數(shù)因子γ和懲罰系數(shù)C這兩個參數(shù)的最佳值，并通過交叉檢驗計算每種參數(shù)下的性能指標，尋找最優(yōu)參數(shù)組合，并在此參數(shù)下訓練出性能最優(yōu)的機器學習模型。

2.8 對未知功能序列進行功能預測

在應用預測模型對未知功能的蛋白質(zhì)序列進行分類時，首先，應該將該序列轉(zhuǎn)化為特征向量，轉(zhuǎn)化方法應該與構(gòu)建模型的特征提取方法相同，將蛋白質(zhì)序列轉(zhuǎn)化成特征向量后輸入到前面步驟所構(gòu)建的機器學習模型中，其輸出結(jié)果為表示特定功能的類標號，根據(jù)輸出的類標號即可判定未知功能序列是否屬于指定的功能類別。

3 結(jié)束語

文章描述了應用機器學習方法對蛋白質(zhì)序列進行功能分類的一般流程，通過選擇合適的特征提取方法和機器學習算法，并通過交叉檢驗選擇最佳的模型參數(shù)，可構(gòu)建一個分類性能佳的分類器，可實現(xiàn)對未知功能蛋白質(zhì)序列進行快速功能分類。

參考文獻

[1]D. S. Cao， Q. S. Xu， and Y. Z. Liang， “propy： a tool to generate various modes of Chou's PseAAC，” Bioinformatics， vol. 29， pp. 960-2， Apr 1 2013.

[2]B. Liu， F. Liu， X. Wang， J. Chen， L. Fang， and K. C. Chou， “Pse-in-One： a web server for generating various modes of pseudo components of DNA， RNA， and protein sequences，” Nucleic Acids Res， vol. 43， pp. W65-71， Jul 1 2015.

[3]J. C. Jeong， X. Lin， and X. W. Chen， “On position-specific scoring matrix for protein function prediction，” IEEE/ACM Trans Comput Biol Bioinform， vol. 8， pp. 308-15， Mar-Apr 2011.

[4]G. Liu， J. Liu， X. Cui， and L. Cai， “Sequence-dependent prediction of recombination hotspots in Saccharomyces cerevisiae，” J Theor Biol， vol. 293， pp. 49-54， Jan 21 2012.