[发明专利]一种预测DNA序列对靶蛋白激活情况的方法

权利要求书

1.一种预测DNA序列对靶蛋白激活情况的方法，其特征在于，包括以下步骤：

S1、基于现有的DNA序列数据集，对数据集中的每一条DNA序列进行特征向量的提取；

S2、对S1中提取的特征向量进行分析，确保样本分布大致均匀，不存在某一类样本过多或过少的情况；

S3、利用DNA序列的特征向量构建逻辑回归-逐步回归模型；

S4、训练S3中构建的逻辑回归-逐步回归模型并进行评价。

2.根据权利要求1所述的一种预测DNA序列对靶蛋白激活情况的方法，其特征在于，在所述S1中，假设一条DNA序列D的长度为L个BP，将此条序列描述为：

D＝R₁R₂R₃…R_L；

其中，R_i(i＝1,2,...,L)∈{A,C,G,T}，即R_i(i＝1,2,...,L)表示为在对应位置上的核苷酸碱基种类，为腺嘌呤、鸟嘌呤、胞嘧啶、胸腺嘧啶四种碱基中的一种；

将序列D表示为：

其中T是一个矩阵转置符，f₁＝f(AA…AA)表示的是在整个DNA序列中，AA…AA这K个碱基组合在一起的标准化出现频率，对于f₂＝f(AA…AC),f₃＝f(AA…AG)，f₄＝f(AA…AT)，分别表示的是AA…AC、AA…AG、AA…AT、TT…TT中K个碱基组合在一起的标准化出现频率。

3.根据权利要求2所述的一种预测DNA序列对靶蛋白激活情况的方法，其特征在于，所述DNA序列的顺序效应通过下面一组顺序相关因子来表示：

其中，K为碱基组合中碱基的数量，θ_i表示的是第i级顺序相关因子，它表示的是两个距离为i的核苷酸之间的相关度，距离指的是核苷酸之间的间隔，不是实际意义上的距离，即相邻的两个核苷酸，它们之间的距离为1，对应的顺序相关因子即为第1级顺序相关因子，以此类推；

在顺序相关因子的表达式中Θ_i,i+j的计算公式由下式给出：

其中R_i表示的是不同的核苷酸(A、T、C、G)，H_ξ(R_iR_i+1…R_i+K-1)表示的是K元核苷酸R_iR_i+1…R_i+K-1的第ξ个理化性质的标准化数值，H_ξ(R_i+jR_i+j+1…R_i+j+K-1)表示的是K元核苷酸R_i+jR_i+j+1…R_i+j+K-1的第ξ个理化性质的标准化数值；Λ表示的是参与计算的K元核苷酸理化性质的个数，其实际个数和种类由科研人员自行决定；

K元核苷酸R_iR_i+1…R_i+K-1的第ξ个理化性质的标准化数值H_ξ(R_i+jR_i+j+1…R_i+j+K-1)通过下式进行计算：

式中，符号Π表示对在该种理化性质下的所有可能的4^K种K元核苷酸组合的对应数值进行求和，而表示的是第ξ个理化性质的原始数值；不同的K元核苷酸组合理化性质的数值已经测算得到，直接查表使用；

最后，将序列D转化为如下的长度为4^K+λ的特征向量：

其中，

这里的ω为权重因子，反映了DNA序列顺序因子对基因表达的影响权重，为0～1之间的任意值；

通过以上步骤，将一条长为L的DNA序列D转化为标准化特征向量。

4.根据权利要求3所述的一种预测DNA序列对靶蛋白激活情况的方法，其特征在于，只考虑K＝2且相关等级λ＝2或λ＝3时的情况，此时DNA序列的特征向量的长度为18或19。