基于多特征融合的蛋白質(zhì)亞細(xì)胞多位點(diǎn)定位預(yù)測(cè).pdf

1、蛋白質(zhì)亞細(xì)胞定位預(yù)測(cè)是指對(duì)某種蛋白質(zhì)或者是基因表達(dá)產(chǎn)物所在細(xì)胞內(nèi)的具體存在部位進(jìn)行預(yù)測(cè)，即根據(jù)蛋白質(zhì)序列中所包含的特征信息，經(jīng)過(guò)預(yù)測(cè)算法的分類識(shí)別，預(yù)測(cè)其所在的亞細(xì)胞位點(diǎn)，即細(xì)胞器。蛋白質(zhì)的亞細(xì)胞位置和其功能高度相關(guān)，同時(shí)也是蛋白質(zhì)組學(xué)研究的基礎(chǔ)。蛋白質(zhì)是一切生命活動(dòng)的物質(zhì)承擔(dān)者和執(zhí)行者。但是，其功能的表現(xiàn)依賴其所在的亞細(xì)胞位點(diǎn)，只有處于特定的正確的亞細(xì)胞位置，蛋白質(zhì)才能充分發(fā)揮其功能，才能正常的參與各項(xiàng)生命活動(dòng)。蛋白質(zhì)處于正確的亞細(xì)胞

2、位點(diǎn)是生命體正常有序運(yùn)轉(zhuǎn)的前提和保障。因此，蛋白質(zhì)的亞細(xì)胞定位預(yù)測(cè)對(duì)于機(jī)體生理機(jī)制的研究是非常有意義的。此外，明確蛋白質(zhì)的亞細(xì)胞位點(diǎn)，對(duì)許多疾病發(fā)病機(jī)理的研究和靶細(xì)胞藥物的研發(fā)都起著至關(guān)重要的作用。
　　近幾年，隨著計(jì)算機(jī)科學(xué)以及生物技術(shù)的發(fā)展，由高通量實(shí)驗(yàn)積累的蛋白質(zhì)數(shù)量呈幾何級(jí)增長(zhǎng)，傳統(tǒng)的試驗(yàn)方法費(fèi)時(shí)費(fèi)力，已經(jīng)難以滿足定位研究的需要。因此，人們通過(guò)使用機(jī)器學(xué)習(xí)的方法來(lái)對(duì)海量的蛋白質(zhì)進(jìn)行定位預(yù)測(cè)。研究還發(fā)現(xiàn)有些蛋白質(zhì)不僅只含有一

3、個(gè)亞細(xì)胞位點(diǎn)，有的蛋白質(zhì)在兩個(gè)甚至是多個(gè)亞細(xì)胞中存在或者是游動(dòng)。根據(jù)DBMLoc的統(tǒng)計(jì)，在所有的已經(jīng)發(fā)現(xiàn)的蛋白質(zhì)中，超過(guò)30％的蛋白質(zhì)含有多個(gè)亞細(xì)胞位點(diǎn)。這類蛋白質(zhì)通常具有特殊的功能，具有對(duì)機(jī)體更加重要的生物學(xué)意義。開(kāi)發(fā)能夠快速準(zhǔn)確的鑒定新發(fā)現(xiàn)蛋白質(zhì)多個(gè)亞細(xì)胞位點(diǎn)的計(jì)算方法成為了重中之重，多位點(diǎn)蛋白質(zhì)的數(shù)量在不斷的增加，因此，蛋白質(zhì)的亞細(xì)胞定位預(yù)測(cè)開(kāi)始向多位點(diǎn)定位預(yù)測(cè)方向發(fā)展。蛋白質(zhì)的多位點(diǎn)定位預(yù)測(cè)比單位點(diǎn)預(yù)測(cè)要復(fù)雜的多，其本質(zhì)屬于典型

4、的多標(biāo)記學(xué)習(xí)問(wèn)題。因此研究者們紛紛將注意力轉(zhuǎn)移到近來(lái)發(fā)展迅速的能夠處理多標(biāo)記學(xué)習(xí)的機(jī)器學(xué)習(xí)方法上來(lái)，并取得了較好的成果。就預(yù)測(cè)步驟而言，蛋白質(zhì)亞細(xì)胞多位點(diǎn)定位預(yù)測(cè)和單位點(diǎn)定位預(yù)測(cè)類似，包括以下四個(gè)方面的內(nèi)容：一是數(shù)據(jù)集的構(gòu)建，二是對(duì)蛋白質(zhì)序列的特征表示，三是分類算法的設(shè)計(jì)與實(shí)現(xiàn)，四是對(duì)預(yù)測(cè)算法進(jìn)行評(píng)價(jià)。
　　本文選擇使用兩個(gè)基數(shù)據(jù)集：一個(gè)是 Virus-mPloc分類器中的數(shù)據(jù)集，另外一個(gè)是Gpos-mploc分類器中的數(shù)據(jù)集。這

5、兩個(gè)數(shù)據(jù)集都同時(shí)包含單位點(diǎn)蛋白質(zhì)和多位點(diǎn)蛋白質(zhì)序列。本文采用的特征提取方法有N端分選信號(hào)、偽氨基酸組成模型（PseAAC）、理化組成（PC）、氨基酸指數(shù)分布（AAID）和立體化學(xué)性質(zhì)（SP）。在特征提取的過(guò)程中，首先將N端分選信號(hào)和偽氨基酸組成模型組合起來(lái)，即先將氨基酸序列分成兩段，然后用偽氨基酸組成模型表示蛋白質(zhì)序列，得到一個(gè)80維的特征向量。然后在整條蛋白質(zhì)序列上提取理化性質(zhì)、氨基酸指數(shù)分布和立體化學(xué)特征，分別得到21維、40維和1