[发明专利]一种跨物种编码多肽sORF的预测方法

权利要求书

1.一种跨物种编码多肽sORF的预测方法，其特征在于，包括以下步骤：

将非编码序列产生策略应用于多个物种的肽编码sORFs的数据集，分别得到与之对应的非编码sORFs数据集；将各物种的肽编码sORFs和非编码sORFs分别去冗余，得到各物种相应的正负样本，构建训练集和测试集；

提取各数据集中相应的特征参数；结合最大相关最小冗余策略和增量选择方法选取表现较好的特征，构建相应特征集；构建基于支持向量机肽编码sORFs的预测模型，将训练集的特征集用于模型训练；利用贪婪的网格搜索方法对训练模型进一步优化，分别得到指定参数范围内的最佳预测模型；

利用预测模型对测试集进行预测，分析各数据集预测结果，比较评估不同特征选取策略的预测效率，得到表现最好的特征集和预测模型作为最佳的特征集和预测模型。

2.根据权利要求1所述的跨物种编码多肽sORF的预测方法，其特征在于，从sORF数据库中下载人和小鼠的编码序列，从TAIR数据库中下载拟南芥的CDS，从NCBI数据库中下载部分原核生物基因组的CDS；根据数据过滤策略滤除“错误”序列，得到多个物种的肽编码sORFs的数据集。

3.根据权利要求2所述的一种跨物种编码多肽sORF的预测方法，其特征在于，“错误”序列过滤策略为：

滤除sORF长度≥100aa；

滤除序列长度不能被3整除的sORF；

滤除以终止密码子开头的sORF；

滤除不以终止密码子结尾的sORF；

滤除序列中带有终止密码子的sORF。

4.根据权利要求1所述的跨物种编码多肽sORF的预测方法，其特征在于，

非编码序列产生策略为：固定起始密码子和终止密码子，随机打乱每个正sORF序列；

确保在序列末端的终止密码子之前没有任何终止密码子。

5.根据权利要求1所述的跨物种编码多肽sORF的预测方法，其特征在于，去冗余方法为：

通过CDHit程序，将各物种的肽编码sORFs和非编码sORFs分别去冗余，得到各物种相应的正负样本，构建训练集和测试集；

去冗余阈值设为0.80，滤除相似度大于80％的DNA序列。

6.根据权利要求1所述的跨物种编码多肽sORF的预测方法，其特征在于，根据9种不同的特征选取策略，提取各数据集中相应的特征参数；所述9种不同的特征选取策略分别为：CPPred、2mer、3mer、TN、ITN、Cylindrical、Spherical、Codon、Amino。

7.根据权利要求1所述的跨物种编码多肽sORF的预测方法，其特征在于，利用PyCharm软件提取各数据集中DNA序列的特征参数；利用PyCharm软件pymrmr包实现MRMR策略和增量选择方法，完成特征排序，构建相应的特征集。

8.根据权利要求1所述的跨物种编码多肽sORF的预测方法，其特征在于，

网格搜索方法的参数设置：

cmin：惩罚参数c的变化范围的最小值；默认为-5；

cmax：惩罚参数c的变化范围的最大值；默认为5；

gmin：参数g的变化范围的最小值；默认为-5；

gmax：参数g的变化范围的最大值；默认为5；

v：交叉验证的参数；默认为3；

cstep：参数c步进的大小；默认为1；

gstep：参数g步进的大小；默认为1；

accstep：最后显示准确率图时的步进大小；默认为1.5。

9.根据权利要求1所述的一种跨物种编码多肽sORF的预测方法，其特征在于，利用matlab的libsvm包，利用预测模型对测试集进行跨物种预测，根据Sn、Sp、ACC、MCC，4个指标分析预测结果，对预测模型进行比较评估，将表现最好的特征集和预测模型作为跨物种编码多肽sORF的预测方法的特征集和预测模型。

10.根据权利要求9所述的一种跨物种编码多肽sORF的预测方法，评估指标计算公式如下：

其中，Sn为灵敏度，Sp为特异度，ACC为准确率，MCC为马修斯相关系数，TP为真正例，FN为假负例，TN为真负例，FP假正例。