基于蛋白質(zhì)序列的癌癥驅(qū)動突變預(yù)測方法研究.pdf

1、生物信息學(xué)是利用數(shù)學(xué)、信息學(xué)、統(tǒng)計學(xué)和計算機科學(xué)的方法研究生物學(xué)問題。癌癥生物信息學(xué)從信息角度來研究腫瘤的生物學(xué)。癌癥是一種涉及基因組動態(tài)變化的疾病，錯義突變構(gòu)成了人類基因組的大部分的變異。錯義突變被鑒定出的數(shù)目隨著技術(shù)的進(jìn)步和基因組測序方法成本降低增加了很多。然而，癌癥基因組中有很大一部分氨基酸置換對腫瘤的進(jìn)展有很少或沒有影響，這些就是所謂的“乘客突變”。另外一部分則對腫瘤的發(fā)生與發(fā)展至關(guān)重要，稱為“驅(qū)動突變”。驅(qū)動突變對了解癌癥的發(fā)

2、生與發(fā)展的分子機制非常重要，人們通過這些機制可以有針對性的對病人進(jìn)行有效的治療。目前，對這方面的研究方法非常多，本文使用的是機器學(xué)習(xí)算法。
　　首先，需要對蛋白質(zhì)序列進(jìn)行特征編碼?；诘鞍踪|(zhì)序列特征提取的方法層出不窮，對蛋白質(zhì)序列特征編碼需要廣泛的資源。針對氨基酸殘基的理化屬性、結(jié)構(gòu)信息、功能信息、進(jìn)化屬性等信息，本文基于2-gram編碼與6-letter交換群編碼組合方法、氨基酸殘基改變值和氨基酸殘基替換分值方法進(jìn)行特征提取。提

3、取的特征越有代表性，預(yù)測結(jié)果越精確。
　　其次，前述方法獲取的特征往往維數(shù)較高，通常有一定的冗余性。特征選擇是模式識別領(lǐng)域關(guān)鍵性的數(shù)據(jù)預(yù)處理步驟，其結(jié)果直接影響著后續(xù)分類器的預(yù)測精度和泛化性能。本文提出基于最小絕對值壓縮與選擇算法(Lasso)對驅(qū)動突變特征矩陣進(jìn)行特征選擇。Lasso是一種基于一范式懲罰回歸求最優(yōu)解的特征選擇方法。另外，本文對每個特征進(jìn)行權(quán)重計算，根據(jù)權(quán)重大小索引依次加入特征子集以選擇出最優(yōu)特征子集來實現(xiàn)特征選擇

4、。與其他算法相比，Lasso不僅能夠準(zhǔn)確地選擇出與類標(biāo)簽強相關(guān)的變量，同時還具有特征選擇的穩(wěn)定性。
　　最后，對這些特征子集用機器學(xué)習(xí)算法來訓(xùn)練模型。為了獲得最好的分類性能，本文使用隨機森林(random forest)、旋轉(zhuǎn)森林(rotation forest)、極限學(xué)習(xí)機（extreme learning machine）以及支持向量機(support vector machine)等多種分類器來預(yù)測驅(qū)動突變，然后將這幾種分類