一種可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法
【專利摘要】本發(fā)明公開了一種可在細(xì)菌全基因組水平預(yù)測外膜蛋白的方法，該方法為：利用分組重量編碼算法，計算蛋白質(zhì)序列特征，采用特征選擇技術(shù)提取特征向量，建立基于支持向量機(jī)的分類器，對外膜蛋白質(zhì)和非外膜蛋白質(zhì)進(jìn)行分類，通過web服務(wù)器，接受用戶輸入的蛋白質(zhì)序列，預(yù)測其是否為一個外膜蛋白。本發(fā)明為細(xì)菌基因組內(nèi)外膜蛋白質(zhì)的計算機(jī)篩選提供了有效工具，在訓(xùn)練數(shù)據(jù)集上區(qū)分外膜蛋白質(zhì)和非外膜蛋白的敏感性、特異性、總預(yù)測精度和馬氏相關(guān)系數(shù)分別達(dá)到95.2％、96.1％、95.9％和0.874，在13個物種基因組內(nèi)預(yù)測外膜蛋白質(zhì)的結(jié)果中體現(xiàn)出極高的敏感性，可應(yīng)用于新的細(xì)菌基因組外膜蛋白質(zhì)的篩選、鑒定和功能研究。
【專利說明】
一種可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于預(yù)測革蘭陰性菌外膜蛋白質(zhì)的技術(shù)領(lǐng)域，尤其涉及一種可在細(xì)菌全基 因組水平預(yù)測其外膜蛋白質(zhì)的方法。
【背景技術(shù)】
[0002] 革蘭陰性細(xì)菌外膜上分布大量beta-barrel形狀的跨膜蛋白質(zhì)，其中的一些蛋白 質(zhì)是細(xì)菌入侵宿主細(xì)胞的功能蛋白，也是宿主免疫系統(tǒng)清除細(xì)菌的靶向識別蛋白，介導(dǎo)多 種疾病的產(chǎn)生，同時也能激活機(jī)體的免疫機(jī)制來對抗細(xì)菌的感染。
[0003] 當(dāng)前，在新的細(xì)菌基因組內(nèi)鑒定外膜蛋白主要通過實驗完成。
[0004] 然而，使用實驗方法對外膜蛋白進(jìn)行鑒定，需要耗費大量的人力物力，成本高，效 率低。一個新的細(xì)菌基因組往往編碼幾千個蛋白質(zhì)，使用傳統(tǒng)實驗方法對其中的外膜蛋白 質(zhì)進(jìn)行一一鑒定，是一件極其困難的事情。因此，使用計算機(jī)來進(jìn)行生物信息學(xué)預(yù)測，可自 動化實現(xiàn)，速度快，成本低，是解決在細(xì)菌全基因組內(nèi)鑒別外膜蛋白質(zhì)的有效途徑。
[0005] 因此，如何建立一種準(zhǔn)確快速的生物信息學(xué)預(yù)測和識別算法，成為當(dāng)前這一領(lǐng)域 需要解決的主要問題。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種可在細(xì)菌全基因組水平預(yù)測其外膜蛋白質(zhì)的方法，旨 在解決目前在新的細(xì)菌基因組內(nèi)鑒定外膜蛋白主要通過實驗完成，造成耗費大量的人力物 力，成本高，效率低的問題。
[0007] 本發(fā)明是這樣實現(xiàn)的，一種可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，該可 在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法為：
[0008] 利用分組重量編碼算法，計算蛋白質(zhì)序列特征，提取特征向量，建立基于支持向量 機(jī)的分類器，對外膜蛋白質(zhì)和非外膜蛋白質(zhì)進(jìn)行分類，通過web服務(wù)器，接受用戶輸入的蛋 白質(zhì)序列，預(yù)測用戶輸入的蛋白質(zhì)序列是否為一個外膜蛋白。
[0009] 進(jìn)一步，該可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法具體包括以下步驟：
[0010] 步驟一、用戶登錄web服務(wù)器主頁，在文本框內(nèi)輸入待預(yù)測的細(xì)菌蛋白質(zhì)序列；
[0011] 步驟二、服務(wù)器JSP程序獲取用戶輸入的蛋白序列，并在前臺生成結(jié)果輸出頁，不 斷刷新；
[0012] 步驟三、JSP程序建立結(jié)果保存目錄，并調(diào)用Matlab來運(yùn)行核心預(yù)測程序，計算蛋 白質(zhì)序列分組重量編碼特征和氨基酸組成特征；
[0013]步驟四、Matlab程序?qū)⒍囝愄卣饕罁?jù)預(yù)設(shè)方式進(jìn)行選擇和組合，產(chǎn)生一個蛋白質(zhì) 特征向量；
[0014]步驟五、Matlab程序調(diào)用libSVM程序，使用事先訓(xùn)練好的模型，預(yù)測蛋白質(zhì)是外膜 蛋白的似然率；
[0015]步驟六、根據(jù)SVM預(yù)測結(jié)果判斷其是否為一個外膜蛋白，以HTML格式保存到結(jié)果目 錄；
[0016] 步驟七、負(fù)責(zé)結(jié)果輸出的JSP程序不斷查詢結(jié)果保存目錄，確認(rèn)結(jié)果文件是否生 成；
[0017] 步驟八、一旦結(jié)果生成，則JSP程序?qū)⒌鞍仔蛄泻团袛嘟Y(jié)果均顯示在前臺網(wǎng)頁。
[0018] 進(jìn)一步，所述分組重量編碼算法即EBGW算法為：
[0019] 蛋白質(zhì)序列視為20種氨基酸殘基組成的字符串，從氨基酸的疏水性、電荷性質(zhì)方 面分為四組：中性非極性氨基酸61 = {6，六，￥兒，1，^，￥};中性極性氨基酸62={〇，15， !'，￥，(：};酸性帶負(fù)電荷的氨基酸63={〇3};堿性帶正電荷的氨基酸64={11，1(，1?}，兩兩組 合，組合方式為：{G1，G2}和 s3，…，sn是一條長度為n的蛋白質(zhì)序列，通過定義以下三個映射，將序列A轉(zhuǎn)化為三條0-1進(jìn) 制序列：
[0020] Ti(n) = Si(s1)，Si(s2)H.Si(sn)(i = l，2,3)
[0021] 其中， .,、(1 //s,-e [Gl,G2})
[0022] &⑷=|〇 ^ ￡ 陽,;? = (1,2,…tt)
[0023] S2(Sj)^〇 if；je[G2>G4]\j-^-n) ,、fl i/> e{Gl,6'4}) . _
[0024] ~⑷=|() ^ e = (l,2，.n)
[0025] 記(i = l，2,3)，稱T1，T2，T3分別為序列A的1-特征序列、2-特征序列、3-特征序列， 對于任意一條特征序列，定義該序列中"1"出現(xiàn)的次數(shù)為該序列的重量，重量是與序列長度 相關(guān)的一個量，進(jìn)一步定義正規(guī)重量為該序列中"1"出現(xiàn)的頻率，對于長度為n的特征序列 T，其正規(guī)重量為W(n)=p/n，其中p為序列中"1"出現(xiàn)的次數(shù)，取一個正整數(shù)L，將特征序列T 劃分為L條長度遞增的子序列，記為7\U?/L」XA=1, 2 . , L),實中[*」表示取整運(yùn)算;分別 計算每條子序列的正規(guī)重量，記為砂U?/l」(^=i，2 ... 得到一個L維的向量，將長度為 n的蛋白質(zhì)序列編碼成為一個L維的向量，將T1，T2，T3三條特征序列向量組合在一起，得到一 個3L維的向量，記為[W1，W2，W3 ] = [W1，W2，…，W3L]，稱3L維的向量為序列分組重量特征向量； 計算蛋白質(zhì)A序列中20種氨基酸的含量，得到一個20維的向量，其中h表示第i種氨基酸殘 基在序列中的含量，為氨基酸組成特征向量;將分組重量特征和氨基酸組成特征進(jìn)行組合， 將一條蛋白質(zhì)序列編碼為一個3L+20維的向量：
[0026] X=[W1，W2,…，W3L，fl，f2,…，f20] 〇
[0027]進(jìn)一步，所述分組重量編碼算法即EBGW算法中對于一條蛋白質(zhì)序列，分組重量編 碼特征反映不同性質(zhì)的殘基在序列不同區(qū)域出現(xiàn)的頻率，氨基酸組成特征反映不同類型的 殘基在整個序列中出現(xiàn)的頻率。
[0028]進(jìn)一步，計算蛋白質(zhì)序列特征的web服務(wù)器后臺JSP程序，將用戶輸入的蛋白質(zhì)序 列輸入matlab腳本程序，matlab腳本程序依據(jù)分組重量編碼算法，采用預(yù)先設(shè)定的參數(shù)，從 蛋白質(zhì)序列中計算160維分組重量編碼特征，并同時計算氨基酸組成特征，將二類特征進(jìn)行 不同方式的組合，得到一個組合的特征向量。
[0029] 進(jìn)一步，所述提取特征向量方法為:使用F-score得分和反向特征選擇算法挑選有 效特征，將挑選出來的有效特征轉(zhuǎn)換成一個多維特征向量。
[0030] 進(jìn)一步，所述建立基于支持向量機(jī)(SVM)的分類器，對外膜蛋白質(zhì)和非外膜蛋白質(zhì) 進(jìn)行分類的方法為：利用libSVM3.12建立基于SVM的分類器并將多維的特征向量輸入，SVM 分類器包括利用數(shù)據(jù)挖據(jù)技術(shù)建立的外膜蛋白和非外膜蛋白訓(xùn)練數(shù)據(jù)集，以及根據(jù)SVM算 法建立并使用訓(xùn)練數(shù)據(jù)訓(xùn)練好的分類模型，核函數(shù)，參數(shù)。
[0031] 進(jìn)一步，所述使用F-score得分來篩選有效特征方法為:對于一個給定的m維訓(xùn)練 向量Xk，k = 1，2，…，m，若陽性和陰性的訓(xùn)練樣本數(shù)量分別為n+和n-，則第i個特征的F-score值計算公式為：
[0033] 這里，分別為第i個特征值的均值、正樣本均值、負(fù)樣本均值，xk>1(+)表 示第k個陽性樣本的第i個特征值，Xk>1?表示第k個陰性樣本的第i個特征值，分子指出陽性 數(shù)據(jù)集和陰性數(shù)據(jù)集之間的差別，而分母指出兩個數(shù)據(jù)集中每兩個數(shù)據(jù)之間的差別。
[0034] 進(jìn)一步，所述使用反向特征選擇算法挑選有效特征方法為:進(jìn)行有效特征選擇時， 使用反向選擇方法，首先使用全部特征來訓(xùn)練分類模型，每次進(jìn)行選擇時，在當(dāng)前特征向量 中去掉F-score值最小的特征并重新進(jìn)行訓(xùn)練和測試;測試中分類效果包括分類效果提高 和分類效果降低，分類效果提高則舍棄當(dāng)前特征值，分類效果降低則保留當(dāng)前特征值，重復(fù) 這一步驟，直到預(yù)測性能無法繼續(xù)提高，以此時的結(jié)果作為最終選擇。
[0035]進(jìn)一步，所述根據(jù)SVM算法建立并使用訓(xùn)練數(shù)據(jù)訓(xùn)練好的分類模型，核函數(shù)，參數(shù) 中分類模型的構(gòu)建方法為：
[0036] 首先收集樣本序列，并采用BLAST算法去除冗余序列，得到外膜蛋白質(zhì)序列和非外 膜蛋白質(zhì)序列作為訓(xùn)練數(shù)據(jù)集，去除冗余序列后的每一條蛋白質(zhì)序列之間的序列相似度不 超過25 %，訓(xùn)練SVM分類模型時，SVM核函數(shù)選擇RBF核函數(shù)，懲罰因子參數(shù)使用網(wǎng)格搜索和 十倍交叉驗證測試來確定，SVM分類模型使用libSVM中的SVMtrain程序進(jìn)行訓(xùn)練，使用敏感 性、特異性、總預(yù)測精度和馬氏相關(guān)系數(shù)綜合評價預(yù)測性能，最終從測試結(jié)果中選擇馬氏相 關(guān)系數(shù)最優(yōu)的特征組合方式和模型參數(shù)，將性能最優(yōu)的模型作為最終模型輸出保存。
[0037] 本發(fā)明是生物信息學(xué)方法在細(xì)菌外膜蛋白質(zhì)預(yù)測領(lǐng)域的一個應(yīng)用，其核心思想是 提出了一種結(jié)合分組重量編碼和氨基酸組成的蛋白質(zhì)序列特征挖掘方法，并結(jié)合機(jī)器學(xué)習(xí) 算法設(shè)計了高度準(zhǔn)確的預(yù)測模型和算法。已知細(xì)菌外膜蛋白質(zhì)普遍具有由beta折疊構(gòu)成的 筒形結(jié)構(gòu)，這一特別的結(jié)構(gòu)形成的基礎(chǔ)在于其序列能夠形成8~22條反平行的beta折疊，如 果能夠提取其中的序列特征，并依此建立序列分類算法，就可以在各類蛋白質(zhì)序列中識別 這類外膜蛋白質(zhì)。本發(fā)明基于上述思想，將信息學(xué)中使用的分組重量編碼技術(shù)(EBGW)應(yīng)用 于蛋白質(zhì)序列信息提取，計算EBGW和氨基酸組成兩類特征，并且設(shè)計了一種基于F-Score方 程的特征選擇方法，通過該方法從組合特征向量中選擇最有效的特征子集;此外，采用在模 式識別和機(jī)器學(xué)習(xí)領(lǐng)域表現(xiàn)出優(yōu)異性能的支持向量機(jī)算法來建立分類模型，采用R0C曲線 確定最佳分組數(shù)量，采用網(wǎng)格搜索確定最佳SVM核函數(shù)和參數(shù);使用數(shù)據(jù)庫檢索和文獻(xiàn)挖掘 方法建立標(biāo)準(zhǔn)訓(xùn)練和測試數(shù)據(jù)集，使用BLAST同源比對技術(shù)去除數(shù)據(jù)冗余，使用敏感性、特 異性、預(yù)測精度和馬氏相關(guān)系數(shù)等多個指標(biāo)來衡量預(yù)測性能，通過大量性能測試建立優(yōu)化 好的SVM分類模型，可以對任意未知的蛋白質(zhì)序列進(jìn)行預(yù)測，給出其是一個外膜蛋白質(zhì)的似 然率。該程序通過web服務(wù)器的方式，接受用戶輸入的細(xì)菌基因組蛋白質(zhì)序列，預(yù)測其是否 為一個外膜蛋白，并且具有很高的預(yù)測準(zhǔn)確度。
[0038] 建立了包含208條外膜蛋白、879條非外膜蛋白的無冗余訓(xùn)練數(shù)據(jù)集，在訓(xùn)練數(shù)據(jù) 集上使用十倍交叉驗證測試檢驗本發(fā)明的性能，結(jié)果顯示，該方法區(qū)分外膜蛋白質(zhì)和非外 膜蛋白之的敏感性、特異性、總預(yù)測精度和馬氏相關(guān)系數(shù)分別達(dá)到95.2%、96.1%、95.9% 和0.874,預(yù)測性能超過了國內(nèi)外研究者提出的其它方法。此外，使用該預(yù)測工具在13個物 種全基因組蛋白質(zhì)中進(jìn)行進(jìn)行計算和預(yù)測，在革蘭陰性菌基因組內(nèi)，據(jù)估計大約有1.5%到 3%的蛋白質(zhì)為外膜蛋白。模型在4個革蘭陰性菌基因組中預(yù)測的外膜蛋白的比例與這一估 計相符，這其中包括52條包含在208個訓(xùn)練樣本中的外膜蛋白，以及212條新預(yù)測到的外膜 蛋白。還在具備外膜結(jié)構(gòu)的聚球藍(lán)藻細(xì)菌基因組內(nèi)預(yù)測到21個外膜蛋白，表明預(yù)測模型的 敏感性比較高。在不存在外膜蛋白質(zhì)的2個古細(xì)菌和4個革蘭陽性菌基因組內(nèi)，一共預(yù)測到 0.24%的外膜蛋白（37/15616)，這一比例遠(yuǎn)低于在革蘭陰性菌中的數(shù)量，表明預(yù)測模型具 有很好的特異性。此外，在真核物種中的預(yù)測結(jié)果顯示該預(yù)測模型也能夠發(fā)現(xiàn)其中的外膜 蛋白，如在酵母中預(yù)測到了6個陽性結(jié)果，其中4個為已知的線粒體外膜蛋白，其中包括兩個 VDAC異構(gòu)體蛋白。此外，在人類基因組中預(yù)測到31個外膜蛋白，其中13個為已知的線粒體外 膜蛋白，18個為假陽性結(jié)果，表明在與細(xì)菌差異較大的人類基因組內(nèi)，預(yù)測模型的特異性降 低，但是仍然保持了較好的敏感性。
[0039] 本發(fā)明可以廣泛應(yīng)用于鑒定細(xì)菌外膜蛋白質(zhì)的相關(guān)研究。細(xì)菌外膜蛋白質(zhì)是參與 細(xì)菌致病的重要分子，是眾多抗菌藥物的作用靶標(biāo)。利用本發(fā)明及其提供的web預(yù)測服務(wù) 器，可以快速預(yù)測新的細(xì)菌基因組內(nèi)的外膜蛋白質(zhì)，獲得一個數(shù)據(jù)量很小的外膜蛋白質(zhì)候 選對象，用于實驗鑒定或者其他用途，從而加速細(xì)菌基因組外膜蛋白質(zhì)的鑒定過程。
【附圖說明】
[0040] 圖1是本發(fā)明提供的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法具體步驟流程 圖。
[0041] 圖2是本發(fā)明提供的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的算法流程圖。
【具體實施方式】
[0042] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明 進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于 限定本發(fā)明。
[0043] 下面結(jié)合附圖對本發(fā)明的應(yīng)用原理作進(jìn)一步描述。
[0044] -種可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，該可在細(xì)菌全基因組水平預(yù) 測外膜蛋白質(zhì)的方法為：
[0045] 利用分組重量編碼算法，計算蛋白質(zhì)序列特征，提取特征向量，建立基于支持向量 機(jī)的分類器，對外膜蛋白質(zhì)和非外膜蛋白質(zhì)進(jìn)行分類，通過web服務(wù)器，接受用戶輸入的蛋 白質(zhì)序列，預(yù)測用戶輸入的蛋白質(zhì)序列是否為一個外膜蛋白。
[0046]如圖1所示:該可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法具體包括以下步驟： [0047] S101:用戶登錄web服務(wù)器主頁，在文本框內(nèi)輸入待預(yù)測的細(xì)菌蛋白質(zhì)序列；
[0048] S102:服務(wù)器JSP程序獲取用戶輸入的蛋白序列，并在前臺生成結(jié)果輸出頁，不斷 刷新；
[0049] S103:JSP程序建立結(jié)果保存目錄，并調(diào)用Matlab來運(yùn)行核心預(yù)測程序，計算蛋白 質(zhì)序列分組重量編碼特征、氨基酸組成特征；
[0050] S104:Matlab程序?qū)⒍囝愄卣饕罁?jù)預(yù)設(shè)方式進(jìn)行選擇和組合，產(chǎn)生一個蛋白質(zhì)特 征向量；
[0051 ] S105:Matlab程序調(diào)用libSVM程序，使用事先訓(xùn)練好的模型，預(yù)測蛋白質(zhì)是外膜蛋 白的似然率；
[0052] S106:根據(jù)SVM預(yù)測結(jié)果判斷其是否為一個外膜蛋白，以HTML格式保存到結(jié)果目 錄；
[0053] S107:負(fù)責(zé)結(jié)果輸出的JSP程序不斷查詢結(jié)果保存目錄，確認(rèn)結(jié)果文件是否生成；
[0054] S108:-旦結(jié)果生成，則JSP程序?qū)⒌鞍仔蛄泻团袛嘟Y(jié)果均顯示在前臺網(wǎng)頁。
[0055] 進(jìn)一步，所述分組重量編碼算法即EBGW算法為：
[0056]蛋白質(zhì)序列視為20種氨基酸殘基組成的字符串，從氨基酸的疏水性、電荷性質(zhì)方 面分為四組：中性非極性氨基酸61 = {6，六，￥兒，1，^，￥};中性極性氨基酸62={〇，15， !'，￥，(：};酸性帶負(fù)電荷的氨基酸63={〇3};堿性帶正電荷的氨基酸64={11，1(，1?}，兩兩組 合，組合方式為：{G1，G2}和 s3，…，sn是一條長度為n的蛋白質(zhì)序列，通過定義以下三個映射，將序列A轉(zhuǎn)化為三條0-1進(jìn) 制序列：
[0057] T^n) = Si(si) ,Si(s2) ? ? ? Si(sn)(i = 1,2,3)
[0058] 其中， …、(1 if s. e{Cl,G2})
[_噸H。"E陽小m) /、 f 1 if Si G
[0060] i/s；e(G2(G4}j /-(U-n) ,、fl i/&e{Cl,G4}) _] ^.e{G2,G3}j) = (U-i)
[0062]記（i = l，2,3)，稱T1，T2，T3分別為序列A的1-特征序列、2-特征序列、3-特征序列， 對于任意一條特征序列，定義該序列中"1"出現(xiàn)的次數(shù)為該序列的重量，重量是與序列長度 相關(guān)的一個量，進(jìn)一步定義正規(guī)重量為該序列中"1"出現(xiàn)的頻率，對于長度為n的特征序列 T，其正規(guī)重量為W(n)=p/n，其中p為序列中"1"出現(xiàn)的次數(shù)，取一個正整數(shù)L，將特征序列T 劃分為L條長度遞增的子序列，記為T(LA77/L」)(X:=U 2 , L),其中L*」表示取整運(yùn)算;分別 計算每條子序列的正規(guī)重量，記為沙U?/L」(hl，2 ...，U)，得到一個L維的向量，將長度為 n的蛋白質(zhì)序列編碼成為一個L維的向量，將T1，T2，T3三條特征序列向量組合在一起，得到一 個3L維的向量，記為[W1，W2，W3 ] = [W1，W2，…，W3L]，稱3L維的向量為序列分組重量特征向量； [0063]計算蛋白質(zhì)A序列中20種氨基酸的含量，得到一個20維的向量，其中h表示第i種 氨基酸殘基在序列中的含量，為氨基酸組成特征向量;將分組重量特征和氨基酸組成特征 進(jìn)行組合，將一條蛋白質(zhì)序列編碼為一個3L+20維的向量：
[0064] X=[W1，W2,…，W3L，fl，f2,…，f20] 〇
[0065]進(jìn)一步，所述分組重量編碼算法即EBGW算法中對于一條蛋白質(zhì)序列，分組重量編 碼特征反映不同性質(zhì)的殘基在序列不同區(qū)域出現(xiàn)的頻率，氨基酸組成特征反映不同類型的 殘基在整個序列中出現(xiàn)的頻率。
[0066]進(jìn)一步，計算蛋白質(zhì)序列特征的web服務(wù)器后臺JSP程序，將用戶輸入的的蛋白質(zhì) 序列輸入matlab程序，matlab程序依據(jù)分組重量編碼算法，采用預(yù)先設(shè)定的參數(shù)，從蛋白質(zhì) 序列中計算160維分組重量編碼特征，并同時計算氨基酸組成特征，將二類特征進(jìn)行不同方 式的組合，得到一個組合的特征向量。
[0067] 進(jìn)一步，所述提取特征向量方法為:使用F-score得分和反向特征選擇算法挑選有 效特征，將挑選出來的有效特征轉(zhuǎn)換成一個多維特征向量。
[0068] 進(jìn)一步，所述建立基于支持向量機(jī)的分類器，對外膜蛋白質(zhì)和非外膜蛋白質(zhì)進(jìn)行 分類的方法為:利用1 ibSVM3.12建立基于支持向量機(jī)的SVM分類器并將特征向量輸入，SVM 分類器包括利用數(shù)據(jù)挖據(jù)技術(shù)建立的外膜蛋白和非外膜蛋白訓(xùn)練數(shù)據(jù)集，以及根據(jù)SVM算 法建立并使用訓(xùn)練數(shù)據(jù)訓(xùn)練好的分類模型，核函數(shù)，參數(shù)。
[0069] 進(jìn)一步，所述使用F-score得分來篩選有效特征方法為:對于一個給定的m維訓(xùn)練 向量Xk，k = 1，2，…，m，若陽性和陰性的訓(xùn)練樣本數(shù)量分別為n+和n-，則第i個特征的F-score值計算公式為：
[0071] 這里，分別為第i個特征值的均值、正樣本均值、負(fù)樣本均值，Xk>1(+)表 示第k個陽性樣本的第i個特征值，Xk>1?表示第k個陰性樣本的第i個特征值，分子指出陽性 數(shù)據(jù)集和陰性數(shù)據(jù)集之間的差別，而分母指出兩個數(shù)據(jù)集中每兩個數(shù)據(jù)之間的差別。
[0072] 進(jìn)一步，所述使用反向特征選擇算法挑選有效特征方法為:進(jìn)行有效特征選擇時， 使用反向選擇方法，首先使用全部特征來訓(xùn)練分類模型，每次進(jìn)行選擇時，在當(dāng)前特征向量 中去掉F-score值最小的特征并重新進(jìn)行訓(xùn)練和測試;測試中分類效果包括分類效果提高 和分類效果降低，分類效果提高則舍棄當(dāng)前特征值，分類效果降低則保留當(dāng)前特征值，重復(fù) 這一步驟，直到預(yù)測性能無法繼續(xù)提高，以此時的結(jié)果作為最終選擇。
[0073]進(jìn)一步，所述根據(jù)SVM算法建立并使用訓(xùn)練數(shù)據(jù)訓(xùn)練好的分類模型，核函數(shù)，參數(shù) 中分類模型的構(gòu)建方法為：
[0074]使用數(shù)據(jù)庫搜索、序列比對和文獻(xiàn)挖掘手段收集樣本序列，并采用BLAST算法去除 冗余序列，得到208個外膜蛋白質(zhì)序列，879條非外膜蛋白質(zhì)序列作為訓(xùn)練數(shù)據(jù)集，其中的每 一條蛋白質(zhì)序列之間的序列相似度不超過25%，訓(xùn)練SVM分類模型時，SVM核函數(shù)選擇RBF核 函數(shù)，懲罰因子參數(shù)使用網(wǎng)格搜索和十倍交叉驗證測試來確定，SVM分類模型使用libSVM中 的SVMtrain程序進(jìn)行訓(xùn)練，使用敏感性、特異性、總預(yù)測精度和馬氏相關(guān)系數(shù)綜合評價預(yù)測 性能，最終從測試結(jié)果中選擇馬氏相關(guān)系數(shù)最優(yōu)的特征組合方式和模型參數(shù)，將性能最優(yōu) 的模型作為最終模型輸出保存。
[0075] 在訓(xùn)練數(shù)據(jù)集上使用時十倍交叉驗證測試檢驗本發(fā)明的性能，結(jié)果顯示，該方法 區(qū)分外膜蛋白質(zhì)和非外膜蛋白之的敏感性、特異性、總預(yù)測精度和馬氏相關(guān)系數(shù)分別達(dá)到 95.2%、96.1 %、95.9%和0.874,預(yù)測性能超過了國內(nèi)外研究者提出的其它方法。此外，使 用該預(yù)測工具在13個物種全基因組蛋白質(zhì)中進(jìn)行進(jìn)行計算和預(yù)測，結(jié)果如下表所示。在革 蘭陰性菌基因組內(nèi)，據(jù)估計大約有1.5%到3%的蛋白質(zhì)為外膜蛋白。模型在4個革蘭陰性菌 基因組中預(yù)測的外膜蛋白的比例與這一估計相符，這其中包括52個包含在208個訓(xùn)練樣本 中的外膜蛋白，以及212條新預(yù)測到的外膜蛋白。還在具備外膜結(jié)構(gòu)的聚球藍(lán)藻細(xì)菌基因組 內(nèi)預(yù)測到21個外膜蛋白，表明預(yù)測模型的敏感性比較高。在不存在外膜蛋白質(zhì)的2個古細(xì)菌 和4個革蘭陽性菌基因組內(nèi)，一共預(yù)測到0.24%的外膜蛋白（37/15616)，這一比例遠(yuǎn)低于在 革蘭陰性菌中的預(yù)測結(jié)果，表明預(yù)測模型具有很好的特異性。此外，在真核物種中的預(yù)測結(jié) 果顯示該預(yù)測模型也能夠發(fā)現(xiàn)其中的外膜蛋白，如在酵母中預(yù)測到了 6個陽性結(jié)果，其中4 個為已知的線粒體外膜蛋白，其中包括兩個VDAC異構(gòu)體蛋白。此外，在人類基因組中預(yù)測到 31個外膜蛋白，其中13個為已知的線粒體外膜蛋白，18個為假陽性結(jié)果，表明在與細(xì)菌差異 較大的人類基因組內(nèi)，預(yù)測模型的特異性降低，但是仍然保持了較好的敏感性。
[0076] 表1在13個物種基因組內(nèi)預(yù)測外膜蛋白的結(jié)果
[0079] 下面結(jié)合總體設(shè)計及具體實施例對本發(fā)明的應(yīng)用原理作進(jìn)一步描述。
[0080] 二、總體設(shè)計
[0081] 2. lweb預(yù)測服務(wù)器的工作環(huán)境
[0082] 該web服務(wù)器操作系統(tǒng)為CentOS Linux 5 ? 11，JSP支持環(huán)境為apache-tomcat-8.0.30。網(wǎng)頁代碼使用JSP和HTML編寫，核心程序使用matlab編寫，程序內(nèi)集成LibSVM3.12， Matlab編譯版本為R201 lb。該web服務(wù)器主要內(nèi)容包括:介紹web服務(wù)器的基本功能和應(yīng)用 背景知識的Read Me、下載本算法所使用的訓(xùn)練數(shù)據(jù)集的Data、引用參考文獻(xiàn)信息的 Citation和提供聯(lián)系方式的Contacts。
[0083] 2.3程序運(yùn)行原理
[0084]服務(wù)器后臺的JSP程序，將前臺網(wǎng)頁提交的蛋白質(zhì)序列輸入matlab程序，該程序依 據(jù)預(yù)先設(shè)定的參數(shù)，使用EBGW算法，從蛋白質(zhì)序列中計算160維分組重量編碼特征，并同時 計算氨基酸組成特征，使用特征選擇算法挑選有效特征，將這些特征轉(zhuǎn)換成一個特征向量， 將該特征向量輸入支持向量機(jī)分類器(利用libSVM3.12建立的分類器，包括根據(jù)訓(xùn)練數(shù)據(jù) 集建立的分類模型，核函數(shù)，參數(shù)等），SVM分類器將輸出判別結(jié)果，保存到本地磁盤。最后， JSP網(wǎng)頁不斷查詢該數(shù)據(jù)保存目錄，一旦結(jié)果計算完畢，則將預(yù)測結(jié)果輸出到前臺網(wǎng)頁。用 戶通過前臺網(wǎng)頁可以查看蛋白質(zhì)是否預(yù)測為一個外膜蛋白質(zhì)。
[0085]三、程序使用說明
[0086] 3.1主要功能
[0087] 該程序可以對輸入的革蘭陰性細(xì)菌基因組蛋白質(zhì)序列，對其進(jìn)行分組重量編碼， 并自動提取特征子集，利用內(nèi)置的支持向量機(jī)算法判別其是否為一個外膜蛋白質(zhì)。一次可 以輸入一個不小于50個氨基酸殘基的蛋白質(zhì)序列。該方法不需要任何已知的蛋白質(zhì)結(jié)構(gòu)或 功能信息，是一種應(yīng)用非常方便的Denovo預(yù)測方法。
[0088] 3.2預(yù)測性能
[0089]預(yù)測細(xì)菌基因組內(nèi)外膜蛋白質(zhì)的敏感性達(dá)到95.2%，總體準(zhǔn)確率達(dá)到95.9%，優(yōu) 于國內(nèi)外已經(jīng)報道的其他預(yù)測算法。
[0090] 3.3使用方法和步驟
[0091] 1)登陸web服務(wù)器。該程序的web服務(wù)器網(wǎng)址：
[0092] http://202.202.232.206/EBGW_0MP;
[0093] 或者:http://bioinfo.tmmu.edu.cn/EBGW_OMP，，
[0094] 主頁除了序列輸入文本框意外，還包括四個方面功能：
[0095] 1.Read Me:介紹了本工具的基本功能和應(yīng)用背景知識。
[0096] 2. Data:可以下載本算法所使用的訓(xùn)練數(shù)據(jù)集。
[0097] 3.Citation:引用參考文獻(xiàn)信息
[0098] 4.Contacts:本項目的聯(lián)系方式。
[0099] 2)輸入蛋白質(zhì)序列，
[0100] 進(jìn)入主頁，在頁面上的文本框內(nèi)輸入待預(yù)測的蛋白質(zhì)序列(要求僅僅輸入序列，不 包含其他任何信息）。輸入序列以后，點擊"Submit"即可完成提交。等待服務(wù)器計算完成，預(yù) 測結(jié)果將顯示在該網(wǎng)頁上。期間，網(wǎng)頁會自動刷新。
[0101] 3)計算
[0102] 提交的序列將轉(zhuǎn)到服務(wù)器后臺，完成序列特征計算和SVM分類器判別，用戶需要等 待結(jié)果計算完成。
[0103] 4)預(yù)測結(jié)果查看
[0104]計算完成以后，在網(wǎng)頁上會自動顯示預(yù)測結(jié)果的鏈接，點擊鏈接即可查看預(yù)測結(jié) 果。
[0105]其中，"Your input sequence"顯示用戶輸入的蛋白質(zhì)序列;在蛋白質(zhì)序列信息后 面一行提不了預(yù)測結(jié)果，例如"The protein is an Outer Membrane Protein"表面該蛋白 質(zhì)預(yù)測為一個外膜蛋白；若提不"The protein is NOT an Outer Membrane Protein"，則 提示該蛋白質(zhì)預(yù)測為一個非外膜蛋白質(zhì)。
[0106] 3.4程序文件說明
[0107] predict, jsp:后臺獲取蛋白質(zhì)序列并提交到計算程序的JSP程序；
[0108] result, jsp:后臺獲取預(yù)測結(jié)果發(fā)送到前臺網(wǎng)頁顯示的JSP程序；
[0109] 11131：1313(30(16目錄：計算程序的核心11131：1313代碼；其中核心程序為6匕8￥&&_ predict. m，其功能為計算蛋白質(zhì)序列特征并調(diào)用1 ibSVM進(jìn)行預(yù)測；
[0110] libSVM 目錄：libSVM3.12程序；
[0111] dataset目錄：由實驗驗證的細(xì)菌外膜蛋白質(zhì)和非外膜蛋白質(zhì)序列構(gòu)成的訓(xùn)練數(shù) 據(jù)集。
[0112] 以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精 神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項】
1. 一種可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于，該可在細(xì)菌全基 因組水平預(yù)測外膜蛋白質(zhì)的方法為： 利用分組重量編碼算法，計算蛋白質(zhì)序列特征，提取特征向量，建立基于支持向量機(jī)的 分類器，對外膜蛋白質(zhì)和非外膜蛋白質(zhì)進(jìn)行分類，通過web服務(wù)器，接受用戶輸入的細(xì)菌基 因組編碼的蛋白質(zhì)序列，預(yù)測用戶輸入的蛋白質(zhì)序列是否為一個外膜蛋白。2. 如權(quán)利要求1所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于，該 可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法具體包括以下步驟： 步驟一、用戶登錄web服務(wù)器主頁，在文本框內(nèi)輸入待預(yù)測的細(xì)菌蛋白質(zhì)序列； 步驟二、服務(wù)器JSP程序獲取用戶輸入的蛋白序列，并在前臺生成結(jié)果輸出頁，不斷刷 新； 步驟三、JSP程序建立結(jié)果保存目錄，并調(diào)用Matlab來運(yùn)行核心預(yù)測程序，計算蛋白質(zhì) 序列分組重量編碼特征、氨基酸組成特征； 步驟四、Matlab程序?qū)⒍囝愄卣饕罁?jù)預(yù)設(shè)方式進(jìn)行特征選擇和組合，產(chǎn)生一個蛋白質(zhì) 特征向量； 步驟五、Matlab程序調(diào)用libSVM程序，使用事先訓(xùn)練好的模型，預(yù)測蛋白質(zhì)是外膜蛋白 的似然率； 步驟六、根據(jù)SVM預(yù)測結(jié)果判斷其是否為一個外膜蛋白，以HTML格式保存到結(jié)果目錄； 步驟七、負(fù)責(zé)結(jié)果輸出的JSP程序不斷查詢結(jié)果保存目錄，確認(rèn)結(jié)果文件是否生成； 步驟八、一旦結(jié)果生成，則JSP程序?qū)⒌鞍仔蛄泻团袛嘟Y(jié)果均顯示在前臺網(wǎng)頁。3. 如權(quán)利要求1所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于，所 述分組重量編碼算法即EBGW算法為： 蛋白質(zhì)序列視為20種氨基酸殘基組成的字符串，從氨基酸的疏水性、電荷性質(zhì)方面分 為四組：中性非極性氨基酸61 = {6,4，￥兒，1，^，￥};中性極性氨基酸62={〇^，5，1'，￥， C};酸性帶負(fù)電荷的氨基酸G3= {D，E};堿性帶正電荷的氨基酸G4= {H，K，R}，兩兩組合，組 合方式為：{G1，G2}和 sn是一條長度為η的蛋白質(zhì)序列，通過定義以下三個映射，將序列A轉(zhuǎn)化為三條0-1進(jìn)制序 列： τΗη)=8?(3?),8?(82)···8?(8η) (i = l,2,3) 其中，記（i = l，2,3)，稱T1，!'2，!'3分別為序列A的1-特征序列、2-特征序列、3-特征序列，對于 任意一條特征序列，定義該序列中"Γ出現(xiàn)的次數(shù)為該序列的重量，重量是與序列長度相關(guān) 的一個量，進(jìn)一步定義正規(guī)重量為該序列中"Γ出現(xiàn)的頻率，對于長度為η的特征序列T，其 正規(guī)重量為W(n)=p/n，其中p為序列中"Γ出現(xiàn)的次數(shù)，取一個正整數(shù)L，將特征序列T劃分 為L條長度遞增的子序列，記為丁([如/[」貼=1,2 ...，L),其中L·」表示取整運(yùn)算;分別計算 每條子序列的正規(guī)重量，記為機(jī)A7i/L」(A'=1，2 ...，L)，得到一個L維的向量，將長度為η的 蛋白質(zhì)序列編碼成為一個L維的向量，將Τ1，Τ2，Τ3三條特征序列向量組合在一起，得到一個 3L維的向量，記為[W1，W2，W3 ] = [W1，W2，…，W3L]，稱3L維的向量為序列分組重量特征向量;計 算蛋白質(zhì)Α序列中20種氨基酸的含量，得到一個20維的向量，其中h表示第i種氨基酸殘基 在序列中的含量，為氨基酸組成特征向量;將分組重量特征和氨基酸組成特征進(jìn)行組合，將 一條蛋白質(zhì)序列編碼為一個3L+20維的向量： X= [wi ,W2 , ,W3L,fl ,f2 , ··· ,f2〇] 〇4. 如權(quán)利要求3所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于，所 述分組重量編碼算法即EBGW算法中對于一條蛋白質(zhì)序列，分組重量編碼特征反映不同性質(zhì) 的殘基在序列不同區(qū)域出現(xiàn)的頻率，氨基酸組成特征反映不同類型的殘基在整個序列中出 現(xiàn)的頻率。5. 如權(quán)利要求1所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于， web服務(wù)器后臺的JSP程序，將用戶輸入的的蛋白質(zhì)序列輸入mat lab腳本程序，mat lab腳本 程序依據(jù)分組重量編碼算法，采用預(yù)先設(shè)定的參數(shù)，從蛋白質(zhì)序列中計算160維分組重量編 碼特征，并同時計算氨基酸組成特征，將二類特征進(jìn)行不同方式的組合，得到一個組合的特 征向量。6. 如權(quán)利要求1所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于，所 述提取特征向量方法為:使用F-score得分和反向特征選擇算法挑選有效特征，將挑選出來 的有效特征轉(zhuǎn)換成一個多維的特征向量。7. 如權(quán)利要求1所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于，所 述建立基于支持向量機(jī)的分類器，對外膜蛋白質(zhì)和非外膜蛋白質(zhì)進(jìn)行分類的方法為： 利用1 ibSVM3.12建立基于支持向量機(jī)的SVM分類器并將多維特征向量輸入，SVM分類器 包括外膜蛋白和非外膜蛋白訓(xùn)練數(shù)據(jù)集，以及根據(jù)SVM算法建立并使用訓(xùn)練數(shù)據(jù)集訓(xùn)練好 的分類模型、核函數(shù)、參數(shù)。8. 如權(quán)利要求6所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于，所 述使用F-score得分篩選有效特征方法為： 對于一個給定的m維訓(xùn)練向量Xk，k=l，2,…，m，若陽性和陰性的訓(xùn)練樣本數(shù)量分別為n+ 和η-，貝lj第i個特征的F-score值計算公式為：這里，分別為第i個特征值的均值、正樣本均值、負(fù)樣本均值，Xk>1(+)表示第 k個陽性樣本的第i個特征值，表示第k個陰性樣本的第i個特征值，分子指出陽性數(shù)據(jù) 集和陰性數(shù)據(jù)集之間的差別，而分母指出兩個數(shù)據(jù)集中每兩個數(shù)據(jù)之間的差別。9. 如權(quán)利要求6所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于，所 述使用反向特征選擇算法挑選有效特征方法為： 進(jìn)行有效特征選擇時，使用反向選擇方法，首先使用全部特征來訓(xùn)練分類模型，每次進(jìn) 行選擇時，在當(dāng)前特征向量中去掉F-score值最小的特征并重新進(jìn)行訓(xùn)練和測試;測試中分 類效果包括分類效果提高和分類效果降低，測試中分類效果為分類效果提高時則舍棄當(dāng)前 特征值，測試中分類效果為分類效果降低時則保留當(dāng)前特征值，重復(fù)這一步驟，直到預(yù)測性 能無法繼續(xù)提高，以此時的結(jié)果作為最終選擇。10.如權(quán)利要求7所述的可在細(xì)菌全基因組水平預(yù)測外膜蛋白質(zhì)的方法，其特征在于， 所述根據(jù)SVM算法建立并使用訓(xùn)練數(shù)據(jù)訓(xùn)練好的分類模型，核函數(shù)，參數(shù)中分類模型的構(gòu)建 方法為： 首先從公開的數(shù)據(jù)庫和文獻(xiàn)中收集樣本序列，并采用BLAST算法去除冗余序列，得到外 膜蛋白質(zhì)序列和非外膜蛋白質(zhì)序列作為訓(xùn)練數(shù)據(jù)集，去除冗余序列后的每一條蛋白質(zhì)序列 之間的序列相似度不超過25%，訓(xùn)練SVM分類模型時，SVM核函數(shù)選擇RBF核函數(shù)，懲罰因子 參數(shù)使用網(wǎng)格搜索和十倍交叉驗證測試來確定，SVM分類模型使用libSVM中的SVMtrain程 序進(jìn)行訓(xùn)練，使用敏感性、特異性、總預(yù)測精度和馬氏相關(guān)系數(shù)綜合評價預(yù)測性能，最終從 測試結(jié)果中選擇馬氏相關(guān)系數(shù)最優(yōu)的特征組合方式和模型參數(shù)，將性能最優(yōu)的模型作為最 終模型輸出保存。
【文檔編號】G06F19/18GK105930687SQ201610228308
【公開日】2016年9月7日
【申請日】2016年4月11日
【發(fā)明人】鄒凌云, 陳抗, 鐘蔚
【申請人】中國人民解放軍第三軍醫(yī)大學(xué)