基于特征融合的DNA- 蛋白質(zhì)結(jié)合位點(diǎn)預(yù)測

薛廣富

（景德鎮(zhèn)陶瓷大學(xué)，江西 景德鎮(zhèn)333000）

1 概述

蛋白質(zhì)與DNA 的相互作用是分子生物學(xué)的核心問題之一，在基因調(diào)控、轉(zhuǎn)錄、DNA 復(fù)制和DNA 修復(fù)等一系列基生命物活動中發(fā)揮著重要作用[1]。了解DNA 結(jié)合殘基的結(jié)合特異性和親和力不僅有助于理解蛋白質(zhì)-DNA 復(fù)合物的識別機(jī)制，還可以為蛋白質(zhì)功能注釋提供線索[2]。

為了了解蛋白質(zhì)-DNA 復(fù)合物的識別機(jī)理，研究者往往將研究重點(diǎn)放在蛋白質(zhì)-DNA 結(jié)合位點(diǎn)，特別是與DNA 結(jié)合的殘基上。例如電泳移動性測定分析（EMSAs），常規(guī)染色質(zhì)免疫沉淀（ChIP）等。然而這些實(shí)驗(yàn)方法既耗時(shí)又昂貴，隨著大量的蛋白質(zhì)序列數(shù)據(jù)的可用，迫切需要開發(fā)從蛋白質(zhì)序列中識別DNA- 蛋白質(zhì)結(jié)合位點(diǎn)的計(jì)算方法。

現(xiàn)如今，DNA 和蛋白質(zhì)相互作用的機(jī)理尚未明確，因此使用生物信息學(xué)的方法從海量的蛋白質(zhì)序列中提取有用的信息,并解釋DNA 和蛋白質(zhì)相互作用的機(jī)理不失為有效的途徑[3]。盡管已經(jīng)進(jìn)行了大量研究，但是準(zhǔn)確識別蛋白質(zhì)-DNA 結(jié)合位點(diǎn)的問題仍然有很大的改進(jìn)空間。由于蛋白質(zhì)中與DNA 結(jié)合的和非結(jié)合的氨基酸殘基數(shù)量極不平衡，因此存在訓(xùn)練樣本不平衡的問題，這將導(dǎo)致模型在預(yù)測時(shí)的過度擬合從而導(dǎo)致較差的性能[4]。

2 數(shù)據(jù)集和特征提取方法

2.1 數(shù)據(jù)集。為了測試特征提取方法的有效性，使用了PDNA-224 蛋白質(zhì)序列數(shù)據(jù)集。它包括224 個(gè)蛋白質(zhì)序列，并以25%的序列相似性作為指標(biāo)，去除了任意兩個(gè)序列之間的冗余度。該數(shù)據(jù)集中有3778 個(gè)DNA 結(jié)合位點(diǎn)和53570 個(gè)非DNA 結(jié)合位點(diǎn)。

2.2 特征提取。使用兩種特征提取方法：位置特異性打分矩陣（Position Specific Scoring Matrix，PSSM）以及獨(dú)熱（One-hot）編碼來提取每個(gè)蛋白質(zhì)序列的特征。同時(shí)采用滑窗的方法分割序列的特征矩陣。

通過設(shè)定固定大小的滑窗大小K，可以把長短不一的氨基酸序列分割成固定的長度?；暗闹行奈恢米鳛榘悬c(diǎn)，從第一個(gè)氨基酸開始，將其作為靶點(diǎn)，則左邊周期性補(bǔ)齊末端的氨基酸序列，從而得到一個(gè)長度為K 的氨基酸序列。由此，一個(gè)長度為L 的氨基酸序列，可以得到L 個(gè)長度為K 的樣本。若靶點(diǎn)位置為DNA-蛋白質(zhì)結(jié)合位點(diǎn)，則將該樣本設(shè)為正樣本，靶點(diǎn)位置非結(jié)合位點(diǎn)則全都設(shè)為負(fù)樣本?；斑^程如圖所示。

滑窗處理氨基酸序列示意圖

PSSM被廣泛的應(yīng)用在基于蛋白質(zhì)序列的相關(guān)預(yù)測模型中，作為蛋白質(zhì)序列的描述矩陣，PSSM能夠表示某個(gè)特定的氨基酸占據(jù)蛋白質(zhì)序列中某個(gè)位置的頻率，因此在PSSM中，每個(gè)序列位置都由20 個(gè)值表示。

通過運(yùn)行PSI-BLAST 程序?qū)Ψ侨哂啵∟R）數(shù)據(jù)庫進(jìn)行三次迭代，設(shè)E 值為0.001，從而獲得蛋白質(zhì)序列的PSSM方面的進(jìn)化信息。每一條蛋白質(zhì)序列都被由L×20 大小的PSSM矩陣表示，L是蛋白質(zhì)序列的長度。

One-Hot 編碼也被稱為一位有效編碼，表示某個(gè)數(shù)據(jù)點(diǎn)屬于某一個(gè)類別,或具有某一種類的特性。其使用了N 位狀態(tài)寄存器來對N 個(gè)狀態(tài)進(jìn)行編碼，每個(gè)狀態(tài)都有獨(dú)立的寄存器位，并且在任意時(shí)候只有一位有效。這首先要求將所有的狀態(tài)值映射到某一個(gè)整數(shù)值。然后將每一個(gè)整數(shù)值編碼為一個(gè)二進(jìn)制向量，除了狀態(tài)的索引之外，它都是零值，它被標(biāo)記為1。

本文中，將二十種氨基酸作為20 種狀態(tài)，分別進(jìn)行One-Hot編碼，各個(gè)氨基酸由一個(gè)二十位的二進(jìn)制向量表示。通過One-Hot 編碼，可以將蛋白質(zhì)序列編碼成L×20 大小的矩陣。

本文設(shè)定滑窗大小為23，因此無論是用PSSM 矩陣和One-Hot 編碼提取氨基酸的特征，每一條序列進(jìn)過滑窗處理后得到的樣本維數(shù)為23×20。

在此，提出特征融合方法，通過對每個(gè)樣本的PSSM 和One-Hot 編碼進(jìn)行拼接，可以得到一個(gè)維數(shù)為23×40 的特征融合矩陣來表示每一個(gè)樣本。

3 結(jié)果評估

近年來，深度學(xué)習(xí)技術(shù)與其他機(jī)器學(xué)習(xí)方法相比，已經(jīng)顯示出了提高識別力的能力，并在生物信息學(xué)領(lǐng)域得到了廣泛的應(yīng)用[5]。

使用全連接層神經(jīng)網(wǎng)絡(luò)和經(jīng)典的LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練和預(yù)測。同時(shí)采用五折交叉驗(yàn)證來劃分訓(xùn)練集和測試集。

本文采用Keras 框架進(jìn)行模型構(gòu)建和訓(xùn)練，使用的全連接層神經(jīng)網(wǎng)絡(luò)包含三個(gè)隱藏層，隱藏層的節(jié)點(diǎn)數(shù)量分別為512、256 和128，采用Adam 梯度下降算法，迭代次數(shù)為30，批次大小為256；在LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)中，第一個(gè)卷積層的卷積核數(shù)量為16且大小為3×3，第一個(gè)池化層的池化大小為，第二個(gè)卷積層的卷積核數(shù)量為32 且大小為5×5，第二個(gè)池化層的池化大小為，緊接著的三個(gè)全連接層的節(jié)點(diǎn)數(shù)量分別為800、120 和84，采用Adam 梯度下降算法，迭代次數(shù)為30，批次大小為256。

在二分類問題中，通常使用六個(gè)典型的指標(biāo)來評估模型的訓(xùn)練效果：靈敏度（SN）、特異性（SP）、準(zhǔn)確性（ACC）、F1 分?jǐn)?shù)Matthews 相關(guān)系數(shù)（MCC）。這五個(gè)指標(biāo)可以通過以下公式計(jì)算：

在這些等式中，TP，F(xiàn)P，TN 和FN 分別表示真陽性的數(shù)目，假陽性的數(shù)目，真陰性的數(shù)目和假陰性的數(shù)目。由于數(shù)據(jù)集中的不平衡問題，主要用靈敏度（SN）和特異性（SP）進(jìn)行模型的評估。

不同網(wǎng)絡(luò)結(jié)構(gòu)模型的預(yù)測結(jié)果如下：

表1 全連接神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果

表2 LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果

由以上結(jié)果可以看出，無論是使用全連接神經(jīng)網(wǎng)絡(luò)還是使用LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)，融合了One-hot 編碼與PSSM矩陣兩個(gè)序列特征的結(jié)果優(yōu)于單個(gè)特征。

4 結(jié)論

在這項(xiàng)研究中，提出了一種新的基于序列的DNA- 蛋白質(zhì)結(jié)合位點(diǎn)預(yù)測方法。該方法在PDNA-224 數(shù)據(jù)集上使用PSSM、One-Hot 編碼進(jìn)行特征提取。通過構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)和LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明了該特征融合方法的有效性。在今后的工作中，將進(jìn)一步研究用不同的特征融合方法對DNA- 蛋白質(zhì)結(jié)合位點(diǎn)進(jìn)行預(yù)測。