[发明专利]用于识别细胞外基质蛋白的集成学习方法

说明书

技术领域

本发明涉及蛋白质功能属性识别领域，具体为一种用于识别细胞外基质蛋白的集成学习方法。

背景技术

细胞外基质(Extracellular Matrix，ECM)是细胞和组织赖以生存的微环境，在细胞行为和组织特性的调控中发挥重要作用。ECM强大的生物学功能归因于ECM蛋白的多样性。ECM蛋白的组成和动态变化对细胞的增殖、分化、迁移，组织的形态发生、分化等生命现象具有全方位的影响。同时，ECM蛋白的功能紊乱可导致众多疾病。蛋白聚糖和胶原是ECM蛋白的主要组成成分。其中，蛋白聚糖调控组织修复、肿瘤生长、细胞粘附、增殖和迁移等生理活动；胶原蛋白广泛应用于骨组织工程，并调节细胞粘附、迁移，指导组织发育。ECM蛋白质的准确识别将有助于理解上述生物过程的潜在机制，并为基于ECM蛋白的生物材料设计和药物开发提供重要的线索。

近二十多年来，生命科学快速发展的最重要特征是生物学数据量的剧增。如何处理、分析和解释这些生物学数据成为众多学者关注的问题。其中，生物大分子序列的功能属性识别问题已成为生物信息学领域的重要研究课题，由于实验测定方法昂贵而且周期长，模式识别方法已成为主流方法。近年来，研究人员尝试应用机器学习方法识别细胞外基质蛋白。2010年，Juan J等建立了ECM蛋白的预测系统ECMPP，此方法引入了5种新特征，包括分子量、序列长度、重复残基、重复结构域、重复三联体glycine-x-y(Jung J,Ryu T,Hwang Y,Lee E,Lee D.(2010)Prediction of extracellular matrix proteins based on distinctive sequence and domain characteristics.Journal of computational Biology 17:97-105)。2013年，Kandaswamy KK等开发了预测ECM蛋白的网络服务器ECMPRED，该方法所提取的特征来自于蛋白质序列中官能团的频率和氨基酸的物理化学性质(Kandaswamy KK,Pugalenthi G,Kalies KU,Hartmann E,Martinetz T.(2013)EcmPred:prediction of extracellular matrix proteins based on random forest with maximum relevance minimum redundancy feature selection.Journal of Theoretical Biology317:377-383)。然而，对蛋白质功能属性预测非常重要的序列顺序信息和结构信息，上述两种方法均未考虑。而且，现有方法也没有解决数据集不平衡的问题(ECM蛋白的样本个数远远小于非ECM蛋白的样本个数)，导致绝大多数样本被预测为非ECM蛋白，极大地限制了分类器的性能。

发明内容

为解决现有技术存在的不足，本发明公开了用于识别细胞外基质蛋白的集成学习方法，目的在于解决数据集的不平衡问题，同时综合多种序列特征信息，以平衡和提高细胞外基质蛋白正负样本的预测精度。

为实现上述目的，本发明的具体方案如下：

用于识别细胞外基质蛋白的集成学习方法，包括以下步骤：

步骤一：数据集建立：建立细胞外基质ECM蛋白序列的训练样本集和独立测试样本集；

步骤二：基于序列组成、物理化学属性、进化信息及结构信息，将训练样本集中的蛋白质序列映射成数值特征向量；

步骤三：为降低计算复杂度和减少特征的冗余性，采用信息增益率—增量特征选择方法挑选出相对有效的特征子集，以提高评估训练样本集的预测性能；

步骤四：采用集成学习的方法建立集成分类器模型，以解决数据集不平衡的问题；

步骤五：将独立测试样本集按步骤二的方法映射成数值特征向量，基于集成分类器模型的预测结果，采用多数表决方法得到测试样本的类别，最终利用所有独立测试样本的预测结果评价预测系统的性能；

步骤六：利用用于细胞外基质蛋白识别的网络服务器系统，进行在线识别细胞外基质蛋白。

所述步骤一中训练样本集含有410个后生动物ECM蛋白和4464个后生动物非ECM蛋白；独立测试样本集则包括85个人类ECM蛋白和130个人类非ECM蛋白。