基于機器學習的酵母ncRNA預測研究.pdf

1、現有研究表明，基因組中存在大量的非編碼RNA(ncRNA)，在基因表達調控等方面發(fā)揮重要作用。如何利用生物信息學手段發(fā)現ncRNA，從而為用實驗手段發(fā)現ncRNA提供幫助已成為生物信息學的研究熱點之一。為此，木研究以酵母基因組為研究對象，以k-tupie組成為特征變量，運用機器學習方法系統(tǒng)研究了酵母基因組中ncRNA的預測問題。 首先，構建用于機器學習的訓練集與測試集，利用90條位于基因問區(qū)中的ncRNA作為陽性數據集，并提取出

2、其上游和下游各1000nt的序列。為了構建陰性數據集，從酵母基因組中提取了功能注釋比較清晰的4058個蛋白編碼基因，為了保持陽性與陰性數據集中序列數目的平衡，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含量為特征進行聚類去冗余，將獲得的90個代表樣本點作為陰性數據集。最終從陽性和陰性數據中各隨機抽取出80個序列作為訓練集，余下的序列作為測試集。 其次，利用Naive Bayes和S

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

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