基于鏈核和加權(quán)支持向量機(jī)的microRNA前體識(shí)別算法研究.pdf

1、MicroRNA(miRNA)是一種長度約21-23個(gè)核苷酸大小的單鏈RNA小分子，是由具有發(fā)夾結(jié)構(gòu)的更長的單鏈RNA前體(動(dòng)物microRNA前體為60～80個(gè)核苷酸大小，植物microRNA前體的長度變化較大，一般為60～342核苷酸大小，有的超過1kb)經(jīng)過Dicer酶加工后生成，可通過誘導(dǎo)mRNA的切割降解，翻譯抑制或者其他形式的調(diào)節(jié)機(jī)制抑制靶基因的表達(dá)，已經(jīng)發(fā)現(xiàn)廣泛存在于動(dòng)物、植物和病毒中。尋找這類調(diào)控分子及其靶基因已成為分子

2、生物學(xué)和生物信息學(xué)研究的熱點(diǎn)。由于生物學(xué)實(shí)驗(yàn)成本昂貴和很多microRNA的表達(dá)量小，基于機(jī)器學(xué)習(xí)的計(jì)算方法已經(jīng)成為發(fā)現(xiàn)新的microRNA的一個(gè)重要手段，為實(shí)驗(yàn)發(fā)現(xiàn)提供候選microRNA基因。在計(jì)算方法中，如何從microRNA成熟序列、前體序列及其二級結(jié)構(gòu)中提取有效的分類信息是關(guān)鍵的步驟。 支持向量機(jī)是一種基于核函數(shù)的非線性機(jī)器學(xué)習(xí)算法，它通過核函數(shù)來衡量兩個(gè)樣本之間的相似性，而加權(quán)支持向量機(jī)利用兩個(gè)正則化常數(shù)來控制正負(fù)類

3、樣本的敏感性和特異性。在生物信息學(xué)中，很多數(shù)據(jù)是由符號(hào)而非數(shù)字化的特征組成的，如microRNA就包含A，C，G，U四個(gè)字符。所以有必要構(gòu)建一個(gè)基于鏈或序列的核函數(shù)以便于SVM分類。相比microRNA序列本身而言。其前體序列和二級結(jié)構(gòu)隱含了更多的可識(shí)別特征與信息，因此在本文中，我們利用生物信息學(xué)中常用于比較兩條鏈相似性的加權(quán)Levenshtein距離，結(jié)合前體序列及其二級結(jié)構(gòu)構(gòu)造一個(gè)指數(shù)核函數(shù)，最后結(jié)合SVM構(gòu)造識(shí)別模型鑒別真假前體。

4、在實(shí)驗(yàn)中我們首先采用5折疊法為序列信息和二級結(jié)構(gòu)信息的訓(xùn)練集找到最優(yōu)的參數(shù)，實(shí)驗(yàn)結(jié)果顯示前者的敏感性、特異性和訓(xùn)練精度分別為79.14％，77.38％，78.25％，均低于后者的95.71％，94.64％，95.17％，這意味著若單獨(dú)使用序列信息是無法構(gòu)造一個(gè)較好的識(shí)別模型。因此在我們的方法中同時(shí)將序列和結(jié)構(gòu)信息考慮到核函數(shù)中，盡可能減少信息的損失。對新方法同樣采用5折疊法找到最優(yōu)的參數(shù)組(16，16，16，16)，對訓(xùn)練樣本進(jìn)行訓(xùn)練后

5、得到最佳的識(shí)別模型用于測試數(shù)據(jù)的識(shí)別。實(shí)驗(yàn)結(jié)果表明新方法的識(shí)別精度在人類數(shù)據(jù)上能達(dá)到98.04％，高于三聯(lián)SVM9.22％。在新增數(shù)據(jù)的比較中也能高于三聯(lián)SVM6.54％。為了驗(yàn)證單獨(dú)使用加權(quán)Levenshtein距離的識(shí)別效果，對人類數(shù)據(jù)作k近鄰法分類，實(shí)驗(yàn)結(jié)果表明敏感性達(dá)到90％以上，但是特異性只有60％～70％左右。縱觀所有的實(shí)驗(yàn)結(jié)果可以看出，和現(xiàn)有的預(yù)測算法三聯(lián)SVM、k近鄰法進(jìn)行比較后發(fā)現(xiàn)我們所提出的方法是有效的，可以達(dá)到較高