[发明专利]一种区分蛋白编码基因和非编码基因的方法及系统

摘要

本发明提供一种区分蛋白编码基因和非编码基因的方法及系统，其能够在序列水平上区分蛋白编码基因和非编码基因的特征，该特征不依赖于物种已知的数据，不需要保守性信息，并且对长非编码RNA有很好的判断效果，除了在准确性上具有强大的优势外，自身操作简单，不需要过多的文件依赖，处理时间明显优于已知的方法。

主权项

1.一种区分蛋白编码基因和非编码基因的方法，其特征在于，包括：步骤1，将样本集按照编码和非编码序列分为正、负两个训练集合，对正、负两个训练集合分别执行步骤2至步骤4；步骤2，在训练集合中统计出每个相邻核苷酸三聚体ANT在编码序列、非编码序列和基因间区域序列中的出现频率并分别构建出现频率矩阵，基于三个出现频率矩阵通过log2-ratio运算构建打分矩阵；步骤3，所述打分矩阵利用滑动窗口进行打分的方式计算出窗口分值S-score，以此作为分类模型的第一个特征，并使用动态规划算法分别找出由所述样本集中的编码序列和非编码序列所转换成的数组内的具有最大子段和的区域作为特征子序列MLCDS，并且以所述MLCDS的长度作为分类模型的第二个特征；步骤4，利用i∈(1,2,3,4,5,6)获取分类模型的第三个特征，其中X是读码方式中MLCDS的长度，Yi代表全部六种读码方式中各自的MLCDS长度；利用j∈(1,2,3,4,5)获取分类模型的第四个特征，其中S是在核酸序列一共的六种读码方式中按照正确的读码方式提取出来的MLCDS的S-score，Ej代表剩下其他五种错误读码方式中提取出来的MLCDS的S-score；利用单个核苷酸三聚体在编码和非编码区域的出现频率进行log2-ratio运算，获取核苷酸三聚体偏好性作为分类模型的第五个特征；步骤5，利用所述正、负两个训练集合的五个特征组成正负两个特征向量集合来训练分类模型，待区分序列利用所述分类模型进行预测得到区分结果。