用于识别细胞外基质蛋白的集成学习方法技术

本发明专利技术公开了用于识别细胞外基质蛋白的集成学习方法，数据集建立：建立细胞外基质ECM蛋白序列的训练样本集和独立测试样本集；将训练样本集中的蛋白质序列映射成数值特征向量；采用信息增益率—增量特征选择方法挑选出相对有效的特征子集，采用集成学习的方法建立集成分类器模型，以解决数据集不平衡的问题；将独立测试样本集映射成数值特征向量，基于集成分类器模型的预测结果，采用多数表决方法得到测试样本的类别，最终利用所有测试样本的预测结果评价预测系统的性能；本发明专利技术开发了用于细胞外基质蛋白识别的网络服务器系统。用户无需理解细胞外基质蛋白识别的具体执行过程，只需输入待预测的蛋白质序列，即可得到预测结果。

【技术实现步骤摘要】
用于识别细胞外基质蛋白的集成学习方法
本专利技术涉及蛋白质功能属性识别领域，具体为一种用于识别细胞外基质蛋白的集成学习方法。
技术介绍
细胞外基质(ExtracellularMatrix，ECM)是细胞和组织赖以生存的微环境，在细胞行为和组织特性的调控中发挥重要作用。ECM强大的生物学功能归因于ECM蛋白的多样性。ECM蛋白的组成和动态变化对细胞的增殖、分化、迁移，组织的形态发生、分化等生命现象具有全方位的影响。同时，ECM蛋白的功能紊乱可导致众多疾病。蛋白聚糖和胶原是ECM蛋白的主要组成成分。其中，蛋白聚糖调控组织修复、肿瘤生长、细胞粘附、增殖和迁移等生理活动；胶原蛋白广泛应用于骨组织工程，并调节细胞粘附、迁移，指导组织发育。ECM蛋白质的准确识别将有助于理解上述生物过程的潜在机制，并为基于ECM蛋白的生物材料设计和药物开发提供重要的线索。近二十多年来，生命科学快速发展的最重要特征是生物学数据量的剧增。如何处理、分析和解释这些生物学数据成为众多学者关注的问题。其中，生物大分子序列的功能属性识别问题已成为生物信息学领域的重要研究课题，由于实验测定方法昂贵而且周期长，模式识别方法已成为主流方法。近年来，研究人员尝试应用机器学习方法识别细胞外基质蛋白。2010年，JuanJ等建立了ECM蛋白的预测系统ECMPP，此方法引入了5种新特征，包括分子量、序列长度、重复残基、重复结构域、重复三联体glycine-x-y(JungJ,RyuT,HwangY,LeeE,LeeD.(2010)Predictionofextracellularmatrixproteinsbasedondistinctivesequenceanddomaincharacteristics.JournalofcomputationalBiology17:97-105)。2013年，KandaswamyKK等开发了预测ECM蛋白的网络服务器ECMPRED，该方法所提取的特征来自于蛋白质序列中官能团的频率和氨基酸的物理化学性质(KandaswamyKK,PugalenthiG,KaliesKU,HartmannE,MartinetzT.(2013)EcmPred:predictionofextracellularmatrixproteinsbasedonrandomforestwithmaximumrelevanceminimumredundancyfeatureselection.JournalofTheoreticalBiology317:377-383)。然而，对蛋白质功能属性预测非常重要的序列顺序信息和结构信息，上述两种方法均未考虑。而且，现有方法也没有解决数据集不平衡的问题(ECM蛋白的样本个数远远小于非ECM蛋白的样本个数)，导致绝大多数样本被预测为非ECM蛋白，极大地限制了分类器的性能。
技术实现思路
为解决现有技术存在的不足，本专利技术公开了用于识别细胞外基质蛋白的集成学习方法，目的在于解决数据集的不平衡问题，同时综合多种序列特征信息，以平衡和提高细胞外基质蛋白正负样本的预测精度。为实现上述目的，本专利技术的具体方案如下：用于识别细胞外基质蛋白的集成学习方法，包括以下步骤：步骤一：数据集建立：建立细胞外基质ECM蛋白序列的训练样本集和独立测试样本集；步骤二：基于序列组成、物理化学属性、进化信息及结构信息，将训练样本集中的蛋白质序列映射成数值特征向量；步骤三：为降低计算复杂度和减少特征的冗余性，采用信息增益率—增量特征选择方法挑选出相对有效的特征子集，以提高评估训练样本集的预测性能；步骤四：采用集成学习的方法建立集成分类器模型，以解决数据集不平衡的问题；步骤五：将独立测试样本集按步骤二的方法映射成数值特征向量，基于集成分类器模型的预测结果，采用多数表决方法得到测试样本的类别，最终利用所有独立测试样本的预测结果评价预测系统的性能；步骤六：利用用于细胞外基质蛋白识别的网络服务器系统，进行在线识别细胞外基质蛋白。所述步骤一中训练样本集含有410个后生动物ECM蛋白和4464个后生动物非ECM蛋白；独立测试样本集则包括85个人类ECM蛋白和130个人类非ECM蛋白。所述步骤二中，所述蛋白质序列映射成数值特征向量的方法为：基于序列组成官能团的频率的特征建立策略；基于序列组成信息熵的特征建立策略；基于序列组成氨基酸分布的特征建立策略；基于序列组成氨基酸转换的特征建立策略；基于物理化学属性伪氨基酸组成的特征建立策略；基于物理化学属性离散小波变换的特征建立策略；基于进化信息的特征建立策略；基于进化信息非稳定构象的特征建立策略；基于进化信息二级结构信息的特征建立策略；基于进化信息功能域信息的特征建立策略。所述步骤三中，采用信息增益率—增量特征选择方法挑选出相对有效的特征子集，具体为：利用增量特征选择方法获取最优特征子集，增量特征选择方法从空特征集合开始，按特征的排序从高到低逐一加入到特征集合；每一次加入一个特征，都会产生一个新的特征子集，具有高均衡准确率和低维数的特征子集将被作为预测系统的最终输入特征向量。所述步骤四中的分类器模型为随机森林，随机森林通过重采样技术，随机生成训练样本用于训练多个决策树，基于多数表决的方法，独立测试样本的最终预测结果由决策树输出类别的众数而定。所述步骤五中评价预测系统的性能指标分别为敏感性sensitivity、特异性specificity、准确率accuracy、均衡准确率balancedaccuracy；上述评价指标定义分别如下：其中，TP、FN、TN和FP分别为真阳性TruePositive、假阴性FalseNegative、真阴性TrueNegative和假阳性FalsePositive。评估训练样本集的预测性能的方法为10-交叉验证方法，训练样本集的正负样本集分别随机地分为样本数量相同的10组数据子集，在这生成的20组数据子集中，正负样本集的各一组数据子集用于训练，剩余的数据子集用于测试，每次用于训练的数据子集保证不同，上述过程循环重复10次。对于每一次循环过程，其执行流程包括如下步骤：S1：训练样本集中负样本的个数大约为正样本的11倍，负样本训练集通过欠采样方法分为样本数量几乎相同的11组数据子集。每一组数据子集与正样本训练集构成训练子集，通过上述欠采样过程，可得到11个训练子集；S2：分别用S1得到的11个训练子集训练随机森林分类器，所获取的11个随机森林分类器组成集成分类器，测试样本集用于评估集成分类器的性能，基于集成分类器，测试样本的最终预测类别通过多数表决的方法获得。数据集建立的具体过程：KandaswamyKK等给出的445个ECM蛋白和4486个非ECM蛋白用于训练样本集的构造。与此同时，利用人类蛋白质组建立独立测试集。人类ECM蛋白(正样本)从文献(CromarGL,XiongX,ChautardE,Ricard-BlumS,ParkinsonJ.(2012)TowardasystemslevelviewoftheECMandrelatedproteins:aframeworkforthesystematicdefinitionandanalysisofbiologicalsystems.Pro本文档来自技高网...

【技术保护点】
用于识别细胞外基质蛋白的集成学习方法，其特征是，包括以下步骤：步骤一：数据集建立：建立细胞外基质ECM蛋白序列的训练样本集和独立测试样本集；步骤二：基于序列组成、物理化学属性、进化信息及结构信息，将训练样本集中的蛋白质序列映射成数值特征向量；步骤三：为降低计算复杂度和减少特征的冗余性，采用信息增益率—增量特征选择方法挑选出相对有效的特征子集，以提高评估训练样本集的预测性能；步骤四：采用集成学习的方法建立集成分类器模型，以解决数据集不平衡的问题；步骤五：将独立测试样本集按步骤二的方法映射成数值特征向量，基于集成分类器模型的预测结果，采用多数表决方法得到测试样本的类别，最终利用所有测试样本的预测结果评价预测系统的性能；步骤六：利用用于细胞外基质蛋白识别的网络服务器系统，进行在线识别细胞外基质蛋白。

【技术特征摘要】
1.用于识别细胞外基质蛋白的集成学习方法，其特征是，包括以下步骤：步骤一：数据集建立：建立细胞外基质ECM蛋白序列的训练样本集和独立测试样本集；步骤二：基于序列组成、物理化学属性、进化信息及结构信息，将训练样本集中的蛋白质序列映射成数值特征向量；步骤三：为降低计算复杂度和减少特征的冗余性，采用信息增益率—增量特征选择方法挑选出相对有效的特征子集，以提高评估训练样本集的预测性能；步骤四：采用集成学习的方法建立集成分类器模型，以解决数据集不平衡的问题；步骤五：将独立测试样本集按步骤二的方法映射成数值特征向量，基于集成分类器模型的预测结果，采用多数表决方法得到测试样本的类别，最终利用所有测试样本的预测结果评价预测系统的性能；步骤六：利用用于细胞外基质蛋白识别的网络服务器系统，进行在线识别细胞外基质蛋白；所述步骤四中的分类器模型为随机森林，随机森林通过重采样技术，随机生成训练样本用于训练多个决策树，基于多数表决的方法，独立测试样本的最终预测结果由决策树输出类别的众数而定；所述步骤二中，所述蛋白质序列映射成数值特征向量的方法为：基于序列组成官能团的频率的特征建立策略；基于序列组成信息熵的特征建立策略；基于序列组成氨基酸分布的特征建立策略；基于序列组成氨基酸转换的特征建立策略；基于物理化学属性伪氨基酸组成的特征建立策略；基于物理化学属性离散小波变换的特征建立策略；基于进化信息的特征建立策略；基于进化信息非稳定构象的特征建立策略；基于进化信息二级结构信息的特征建立策略；基于进化信息功能域信息的特征建立策略；所述步骤三中，采用信息增益率—增量特征选择方法挑选出相对有效的特征子集，具体为：利用增量特征选择方法获取最优特征子集，增量特征选择方法从空特征集合开始，按特征的排序从高到低逐一加入到特征集合；每一次加入一个特征，都会产生一个新的特征子集，具有高均衡准确率和低维数的特征子集将被作为预测系统的最终输入特征向量。2.如权利要求1所述的用于识别细胞外基质蛋白...

【专利技术属性】
技术研发人员：张承进，杨润涛，高瑞，张丽娜，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37