[发明专利]一种跨物种编码多肽sORF的预测方法

说明书

本发明属于生物信息领域，公开了一种跨物种编码多肽sORF的预测方法，整合了sORF数据库中人和小鼠、TAIR数据库中拟南芥以及NCBI数据库中部分原核生物的可编码蛋白的DNA序列，并通过数据过滤策略和负样本产生策略构建各物种相应的正负样本；提取序列特征，并利用最大相关最小冗余和增量选择的方法对训练集进行特征筛选，得到不同方法对应的最佳特征集，构建肽编码sORF预测模型；利用贪婪的网格搜索方法进行参数优化，构建基于支持向量机的最佳预测模型，并通过灵敏度、特异度、准确率和马修斯相关系数对预测模型经行评估。本方法有助于分类识别肽编码sORFs，对肽编码sORFs的研究和基因注释有重要意义。

技术领域

本发明具体涉及一种跨物种编码多肽sORF的预测方法，属于生物信息领域。

背景技术

小开放阅读框(small Open Reading Frames,sORFs)是长度小于100个氨基酸的DNA序列，许多生物的基因组中均存在sORFs。在过去的十多年里，由于 sORFs序列长度短，表达水平低，且相关资料较少，研究人员往往在基因组注释中忽略了sORF。随着测序技术的发展，人们发现许多sORFs也能够编码蛋白质，且普遍存在于基因组各个区域。2016年，德克萨斯大学Eric教授等人发现，由sORF编码的小蛋白质DWORF对心肌收缩功能具有不可忽视的作用，这引起了研究人员对sORFs的重新思考与认识。

近年来，在细菌、酵母、人类中均能检测到由sORF编码的小蛋白质，这些小蛋白质在胚胎发育、肌肉功能、细胞凋亡等生命活动中发挥重要作用。因此，肽编码sORFs逐渐成为生物学领域的一个研究热点。然而传统序列分析方法，如基因组测序、转录组测序、蛋白质组测序(质谱分析)等手段在sORFs识别中表现甚微。近几年，核糖体谱成为继质谱分析等传统测序方法的新技术，并被广泛用于分类识别序列能否编码蛋白质，其主要内容是通过核糖体印记技术分析蛋白质的合成情况，但有证据显示许多ncRNA也能与核糖体结合，因此仅靠传统的测序方法分类识别肽编码sORF远远不够。目前，已有许多工具可用于区分编码RNA和ncRNA，例如：CPAT、CNCI、PLEK、CPC2、CPPred、LGC、 MePiped、DeepCPP以及CPPred-sORF等。这些方法均建立在一定数据集之上，且能较好地区分“普通”长度的编码RNA和ncRNA，但对于分类识别肽编码 sORF的准确性却不高。因此，发展有效的sORF分类识别技术意义重大。

发明内容

本发明的目的在于克服现有背景技术中的不足，提供一种跨物种编码多肽sORF的预测方法，解决样本数量不平衡的问题，便于提取稳健、高效的DNA 序列特征。

为达到上述目的，本发明是采用下述技术方案实现的：

一种跨物种编码多肽sORF(small Open Reading Frame，小开放阅读框)的预测方法，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(Max-Relevance and Min-Redundancy，MRMR)，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MRMR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；

构建基于向量机(Support Vector Machine，SVM)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。