[发明专利]使用KNN计算与相似性比对预测蛋白质亚细胞区间方法

说明书

技术领域

本发明属于生物信息学领域，涉及预测蛋白质亚细胞区间的方法，具体涉及一种使用KNN计算与相似性比对预测蛋白质亚细胞区间方法。

背景技术

蛋白序列的功能与其所属的亚细胞区间有着紧密联系，因此对蛋白序列的亚细胞区间预测研究有着重要意义。目前利用机器学习的思想对蛋白质亚细胞区间进行预测成为了获取区间信息的主要研究方法。

随着1991年机器学习方法首次应用于对亚细胞区间预测，近二十多年,对蛋白质亚细胞区间预测的研究取得了一系列进展,主要预测方法包括：利用协变判别函数对蛋白序列氨基酸组成特征进行预测，基于N端、C端以及疏水性等特征融合预测，模糊K近邻(FuzzyK-NearestNeighbor,FKNN)算法结合伪氨基酸特征的预测等。

上述预测方法中，提取蛋白序列特征并输入分类器确定区间，由于仅考虑序列本身的特征而忽略了序列间遗传变异产生的相似性联系，导致预测的准确率偏低。

发明内容

针对现有技术的不足，本发明公开了一种使用KNN计算与相似性比对预测蛋白质亚细胞区间方法。

本发明的技术方案如下：

一种使用KNN计算与相似性比对预测蛋白质亚细胞区间方法，包括以下步骤：

步骤1、提取蛋白质序列数据集中所有蛋白质序列的AAC特征；

步骤2、在蛋白质序列数据集中选取一条蛋白质序列设定为测试序列，其余蛋白质序列设定为训练集，通过KNN算法，确定预测范围内的蛋白质序列集合；

步骤3、将所预测序列与预测范围内的蛋白质序列集合进行Blast相似性比对计算，得到最高相似性序列；最高相似性序列所属的区间就是所预测序列的所属区间。

其进一步的技术方案为，所述步骤1具体包括：

步骤1-A、将蛋白质序列数据集中每条蛋白质序列表示为P：

P＝R₁R₂R₃R₄R₅…R_L；

上式中，L为蛋白质序列的长度，R_i(i＝1…L)为蛋白质序列中第i个氨基酸残基；

步骤1-B、计算每条蛋白质序列P的AAC特征：

P_AAC＝[f₁,f₂,…f₂₀]^T；

上式中，f_u(u＝1,2,3,…,20)表示第u种氨基酸在蛋白质序列P中出现的频率。

其进一步的技术方案为，所述步骤1-B中第u种氨基酸在蛋白质序列P中出现的频率f_u的计算方法为：

上式中，L表示蛋白质序列的长度，N表示一个蛋白质序列所包含的所有氨基酸残基的总数目，A(u)表示序号u所对应的氨基酸残基。

其进一步的技术方案为，所述步骤2具体包括：

步骤2-A、确定KNN算法中的阈值K；

步骤2-B、在蛋白质序列数据集中选取一条作为预测序列，其余序列作为训练集；

步骤2-C、基于步骤1得到的蛋白质序列的AAC特征，计算预测序列与训练集中每一个蛋白质序列之间的欧氏距离，选取欧式距离最短的前K个蛋白质序列作为预测范围。

其进一步的技术方案为，所述步骤2-C中计算欧式距离的具体方法为：

预测序列的AAC特征P′_ACC＝(f′₁,f′₂,f′₃,...,f′_n)，训练集中任一个蛋白质序列的AAC特征P″_ACC＝(f″₁,f″₂,f″₃,...,f″_n)，则欧氏距离d的计算方法如下：

其进一步的技术方案为，所述步骤3具体包括：

步骤3-A、将预测范围内的蛋白质序列集合作为蛋白质序列比对数据库；

步骤3-B、将所预测序列和蛋白质序列比对数据库进行Blast相似性比对，将所预测序列中得分最高的蛋白质序列作为相似性最高序列，相似性最高序列的所属区间就是所预测序列的所属区间。

本发明的有益技术效果是：