[发明专利]一种基于基因本体信息的蛋白质序列表示方法

摘要

本发明涉及一种新的基于基因本体信息的蛋白质序列表示方法，首先使用BLAST程序搜索Swiss‑Prot数据库找到蛋白质序列P所有的相似蛋白质序列，将训练数据集中所有蛋白质输入到GO数据库中，搜寻每个蛋白质所具有的GO本体信息；然后在基因本体库中搜寻P蛋白质所具有的标注基因本体信息；根据预测问题具有的M个标签，将P蛋白质定义为M个元素的离散向量。本方法通过将序列集中的蛋白质GO信息，融合成新的蛋白质P的向量描述，使得采用GO方法维度大大降低，用于蛋白质亚细胞多标签定位预测和抗菌肽功能多标签预测中，能明显提高相关预测器的预测成功率，具有广阔的运用前景。

主权项

1.一种基于基因本体信息的蛋白质序列表示方法，其特征在于包括以下步骤：（1）使用BLAST程序搜索Swiss‑Prot数据库找到蛋白质序列P所有的相似蛋白质序列；（2）将训练数据集中所有蛋白质输入到GO数据库中，搜寻每个蛋白质所具有的GO本体信息，GO数据库网站为http://www.geneontology.org/；（3）在基因本体库中搜寻P蛋白质所具有的标注基因本体信息，如果P蛋白质没有相关信息，则按照与P蛋白质相似度的高低，依次搜寻相似蛋白质序列的GO信息，直到找到至少一个GO本体信息作为P蛋白质的GO信息，表示为；（4）假设P蛋白质功能或者其它预测问题具有M个标签，分别表示为A1,A2,…,AM，将P蛋白质定义为M个元素的离散向量，如下式所示：δ1表示P蛋白质属于第一个标签的概率，δ2表示P蛋白质属于第二个标签的概率，依次类推，δM表示P蛋白质属于第M个标签的概率,它们初始值都为0；δi（i=1,2，…，M）的计算方法如下：依次对P蛋白质所含有GO信息在训练数据集中找到对应的蛋白质，如在训练集中有n个蛋白质含有信息的蛋白质，分别为P₁、P₂、…、P_n，假设P₁所属的标签为A_i和A_j,则δ_i和δ_j分别加1，P₂具有标签为A_r、A_t、A_y，则δ_r、δ_t、δ_y分别加1，直至将P蛋白质所具有的GO信息按照上述方法计算完毕，这样就得到了含有GO信息的蛋白质描述新方法。