[发明专利]一种人类基因启动子识别方法及系统

说明书

技术领域

本申请涉及启动子识别技术领域，更具体地说，涉及一种人类基因启动子识别方法及系统。

背景技术

人类基因草图完成后，关于研究人类基因表达调控已然成为一个极具挑战性的研究方向。而启动子识别对整个基因组功能的诠释具有重要的作用，因此如何又快又好的识别人类启动子，已成为一个热点研究领域。

目前预测启动子主要从鉴定启动子的转录起始位点、核心启动子区域、转录因子结合域和启动子的CpG岛四个方向出发。其中，CpG岛(CpG island)的含义是：CpG双核苷酸在人类基因组中的分布很不均一，而在基因组的某些区段，CpG保持或高于正常概率，这些区段被称作CpG岛。新兴的启动子识别方法提出了对启动子结构特征进行研究，例如挠性（lexibility），刚性（rigidity）和柔性（bendability）特征均是从三维空间提取的特征。这些结构特征可以为建立的启动子识别系统提供重要的补充信息。

梅丽等人提出了采用支持向量机（SVM）将特征分级使用的算法。第一级SVM分类器利用CpG岛特征来识别启动子，第一级SVM分类器所划分出的非启动子序列则由第二级SVM分类器进一步识别。该算法提取的是相同样本的组成成分特征，并没有利用基因的结构特征。并且，不同启动子序列的特征并不相同，所以使用相同的样本提取的特征并不一定具有最强的分辨力。因此，现有的方法存在识别率不高的问题。

发明内容

有鉴于此，本申请提供了一种人类基因启动子识别方法及系统，用于解决现有算法对基因启动子的识别率不高的问题。

为了实现上述目的，现提出的方案如下：

一种人类基因启动子识别方法，包括：

接收由多个样本基因序列构成的样本集；

分别统计每一个样本基因序列的胞嘧啶、鸟嘌呤CG偏好特征，得到统计结果；

根据所述统计结果将所有的样本基因序列划分为两类，一类具有所述CG偏好特征，另一类不具有所述CG偏好特征；

针对划分后的每一类样本基因序列，分别提取其中每一个样本基因序列的刚性特征、CpG岛特征和四联体组成成分特征；

利用所述刚性特征构成刚性分类器、利用所述CpG岛特征构成CpG岛分类器以及利用所述四联体组成成分特征构成四联体分类器，所述刚性分类器、所述CpG岛分类器和所述四联体分类器分别对同一样本基因序列进行启动子识别判断，并分别给出对应的第一识别结果；

在三个所述第一识别结果满足第一预设条件时，确定当前样本基因序列为启动子序列；

对不满足第一预设条件的样本基因序列，提取其五联体组成成分特征并构成五联体分类器，由所述五联体分类器对所述不满足第一预设条件的样本基因序列进行启动子识别判断，并给出第二识别结果；

在所述第二识别结果满足第二预设条件时，确定当前样本基因序列为启动子序列，否则为非启动子序列。

优选地，所述由多个样本基因序列构成的样本集为：

其中x_i∈R^L，y_i∈{“启动子"，“外显子”，“内含子”，“3′UTR”}，

N为样本个数，L为样本基因序列长度。

优选地，所述分别统计每一个样本基因序列的胞嘧啶、鸟嘌呤CG偏好特征，得到统计结果，具体为：

对每一个样本基因序列x_i统计其中胞嘧啶C和鸟嘌呤G含量的比值，并将统计完之后的所述样本集表示为：

其中n_C为样本基因序列中胞嘧啶C出现的个数，n_G表示样本基因序列中鸟嘌呤G出现的个数。

优选地，所述根据所述统计结果将所有的样本基因序列划分为两类，一类具有所述CG偏好特征，另一类不具有所述CG偏好特征，具体为：

设置阈值w，当时，代表该样本基因序列具有CG偏好特征，反之代表该样本基因序列不具有CG偏好特征。

优选地，所述每一个样本基因序列的刚性特征提取过程，具体为：

采取三核苷酸模型来计算每一个样本基因序列的刚性特征：

在计算样本基因序列每一碱基位点的刚性特征时，采用6个碱基长序列进行计算，累加四个重叠的三核苷酸的刚性参数值，刚性特征提取后的样本基因序列表示为：

其中j(j=1,2,...,L-5)是位置索引,t_k是每个重叠的三核苷酸在第j个碱基位置的刚性参数值。

优选地，所述每一个样本基因序列的CpG岛特征提取过程，具体为：