基于機(jī)器學(xué)習(xí)的酵母ncRNA預(yù)測(cè)研究.pdf

1、現(xiàn)有研究表明，基因組中存在大量的非編碼RNA(ncRNA)，在基因表達(dá)調(diào)控等方面發(fā)揮重要作用。如何利用生物信息學(xué)手段發(fā)現(xiàn)ncRNA，從而為用實(shí)驗(yàn)手段發(fā)現(xiàn)ncRNA提供幫助已成為生物信息學(xué)的研究熱點(diǎn)之一。為此，木研究以酵母基因組為研究對(duì)象，以k-tupie組成為特征變量，運(yùn)用機(jī)器學(xué)習(xí)方法系統(tǒng)研究了酵母基因組中ncRNA的預(yù)測(cè)問題。 首先，構(gòu)建用于機(jī)器學(xué)習(xí)的訓(xùn)練集與測(cè)試集，利用90條位于基因問區(qū)中的ncRNA作為陽性數(shù)據(jù)集，并提取出

2、其上游和下游各1000nt的序列。為了構(gòu)建陰性數(shù)據(jù)集，從酵母基因組中提取了功能注釋比較清晰的4058個(gè)蛋白編碼基因，為了保持陽性與陰性數(shù)據(jù)集中序列數(shù)目的平衡，我們以成熟mRNA蛋白編碼區(qū)的3-tuple含量與上游和下游1000nt序列的4-tupie含量為特征進(jìn)行聚類去冗余，將獲得的90個(gè)代表樣本點(diǎn)作為陰性數(shù)據(jù)集。最終從陽性和陰性數(shù)據(jù)中各隨機(jī)抽取出80個(gè)序列作為訓(xùn)練集，余下的序列作為測(cè)試集。 其次，利用Naive Bayes和S

3、VM方法構(gòu)建分類器，結(jié)果如下： 1、以ncRNA序列和蛋白編碼基因編碼區(qū)的3-tuple含量為特征構(gòu)建分類器，基于Naive Bayes方法的訓(xùn)練集精度為85％，測(cè)試集精度為90％；基于SVM方法的訓(xùn)練集精度為98.75％，測(cè)試集精度為90％。 2、利用ncRNA和蛋白編碼基因起始密碼子上游4-tuple含量構(gòu)建分類器，基于Naive Bayes方法的訓(xùn)練集精度為93.73％，測(cè)試集精度為75％；基于SVM方法的訓(xùn)練集精

4、度為100％，測(cè)試集精度為90％。 3、利用ncRNA和蛋白編碼基因終止密碼子下游4-tupie含量構(gòu)建分類器，基于Naive Bayes方法的訓(xùn)練集精度為93.75％，測(cè)試集精度為85％；基于SVM方法的訓(xùn)練集精度為100％，測(cè)試集精度為90％。 最后，鑒于SVM方法給出的測(cè)試集分類精度要高于Naive Bayes方法給出的分類精度，利用SVM方法構(gòu)建的分類器在酵母基因問區(qū)中進(jìn)行掃描，最終得到7469條預(yù)測(cè)的ncRNA