[发明专利]一种蛋白质相互作用预测方法

说明书

本发明公开了一种基于融合生物语义的非相互作用蛋白质对的采样策略的蛋白质相互作用预测方法，基于GO术语语义相似度对处于不同分子功能、生物学进程、细胞成分的蛋白质对进行采样并组合获得NIPs子集。通过这种负集采样策略，获得一个更高质量且低选择偏差的非蛋白质相互作用数据集，从而经过训练获得一个具有更好的鲁棒性和较好的预测性能的蛋白质相互作用预测模型。

技术领域

本发明涉及生物信息技术领域，具体涉及一种基于融合生物语义的非相互作用蛋白质对的采样策略的蛋白质相互作用预测方法。

背景技术

蛋白质-蛋白质相互作用(Protein-protein interactions，下文简称PPIs)在细胞结构和功能中发挥着重要作用，研究与重建PPIs网络不仅有助于了解细胞过程和疾病发病机理，而且有助于开发治疗药物。现有的PPIs实验方法具有劳动密集型和耗时的局限性，从而导致了对蛋白质相互作用计算预测的需要。虽然当前已有一些较为先进的PPIs计算预测模型被提出，但大部分计算模型同时需要正负样本进行模型的训练，具有对高质量PPIs和NIPs(non-interacting proteins)数据的需要。目前，通过多种实验技术和计算方法验证的PPIs通常被认为是高质量的。然而，由于实验验证的负样本集非常小，而且实际NIPs比PPIs多成百上千倍，所以我们通常需要对NIPs集合进行子集采样，因此如何采样生成高质量且选择性偏差较小的NIPs子集逐渐引起人们更多的重视。

目前对于NIPs子集的采样问题还没有一个标准的解决方案，两种策略被广泛地使用。一种是随机采样的方法：通过随机配对蛋白质，然后删除正例。其原理是两个随机采样的蛋白质高概率不会相互作用，而且采样获得的NIPs子集偏差较小。但随机抽样的方法具有对假阴性数据采样的风险，并且很难从生物学上进行解释。另一种是亚细胞定位的采样方法：选择了不是亚细胞共定位的那些蛋白质对作为阴性实例。这种采样方法减少了假阴性率，获得的阴性数据更可靠，但无法覆盖处于相同亚细胞定位的NIPs，导致模型预测中带有选择偏差，生成的模型难以在真实工作场景得到较好的效果。

基于此，本发明的关注点在于如何根据蛋白质的生物学语义进行非相互作用蛋白质对的采样，以获得一个更高质量且低选择偏差的非相互作用蛋白质对数据集，从而训练出一个具有更好的鲁棒性和较好的预测性能的蛋白质相互作用预测模型。

发明内容

针对上述技术问题，本发明提供了一种基于融合生物语义的非相互作用蛋白质对的采样策略的蛋白质相互作用预测方法，该方法基于GO(基因本体，Gene Ontology，见文献Ashburner M,Ball C A et al.,Nature Genetics,2000,25(1):25-29.)术语语义相似度对处于不同分子功能、生物学进程、细胞成分的蛋白质对进行采样并组合获得NIPs子集。通过这种负集采样策略，获得一个更高质量且低选择偏差的非蛋白质相互作用数据集，从而经过训练获得一个具有更好的鲁棒性和较好的预测性能的蛋白质相互作用预测模型。

一种基于融合生物语义的非相互作用蛋白质对的采样策略的蛋白质相互作用预测方法，包括步骤：

(A)根据PPIs数据集构建PPIs网络，获得PPIs网络的补集作为NIPs集合；

(B)基于基因本体术语，计算蛋白质对的最大生物学语义相似度；

(C)根据步骤(B)的计算方法从NIPs集合选取出不同分子功能、不同生物学进程、不同细胞成分的三种NIPs子集；

(D)将所述三种NIPs子集组合获得一个融合生物语义的NIPs数据集；

(E)将所述PPIs数据集与融合生物语义的NIPs数据集作为蛋白质相互作用预测模型的正负样本数据集；

(F)将所述蛋白质相互作用预测模型的数据集划分为训练集和测试集；