[发明专利]一种基于序列频率信息识别DNA增强子元件的方法

权利要求书

1.一种基于序列频率信息识别DNA增强子元件的方法，其特征在于：所述方法基于支持向量机构建的双层DNA增强子元件预测模型，所述预测模型通过如下步骤生成：

步骤(1)：通过细胞系的染色质数据库信息构建DNA增强子序列数据集；

步骤(2)：通过PSTNP算法对DNA增强子序列数据集进行处理获得具有位置特异性的三核苷酸序列的DNA增强子信息；

步骤(3)：通过Kullback-Leibler散度算法对DNA增强子信息的三核苷酸序列信息进行优化；

步骤(4)：采用LASSO算法对DNA增强子信息的三核苷酸序列的特征数据进行降维处理。

2.根据权利要求1所述的一种基于序列频率信息识别DNA增强子元件的方法，其特征在于：所述步骤(2)中获取增强子序列具有位置特异性的三核苷酸组成信息采用如下步骤生成：

2.1、对于每一个200bp的序列样本S，有：

S＝N₁N₂…N_l…N₂₀₀

其中，N_l代表第l个位置的核苷酸，由A，C，G，T组成；

2.2、使用k-mer方法提取增强子序列的位置特异性信息，并取k＝3；

2.3、通过如下公式计算增强子序列的三核苷酸位置特异性的正样本频率信息F⁺：

其中，表示出现在序列中第200-k+1个位置的第4^k个三核苷酸(3mer_i)的频率(正样本)，而3mer_i表示AAA，AAC，…，TTT。

2.4、通过如下公式计算增强子序列的三核苷酸位置特异性的负样本频率信息F^-：

其中，表示出现在序列中第200-k+1个位置的第4^k个三核苷酸(3mer_i)的频率(负样本)，而3mer_i表示AAA，AAC，…，TTT。

3.根据权利要求1所述的一种基于序列频率信息识别DNA增强子元件的方法，其特征在于：所述步骤(3)中对DNA增强子信息的三核苷酸序列信息进行优化过程：

3.1、使用KL散度对三核苷酸序列信息进行优化的过程表示为：

其中，F⁺和F^-分别表示由正负样本频率信息获得频率矩阵的分布情况；表示出现在序列中第200-k+1个位置的第4^k个三核苷酸(3mer_i)的正负样本频率差异度，而3met_i表示AAA，AAC，…，TTT。

3.2、通过如下公式将每个序列样本S进行表示为：

S＝[φ₁，φ₂，…，φ_w，…，φ_200-k+1]^T

其中，T是转置运算符，而φ_w定义如下：

其中，表示出现在序列中第w个位置的第4^k个三核苷酸(3mer_i)的正负样本频率差异度，而3mer_i表示AAA，AAC，…，TTT。