一种预测miRNA靶基因的序列特征分析方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106599615A(43)申请公布日2017.04.26(21)申请号201611081932.9(22)申请日2016.11.30(71)申请人广东顺德中山大学卡内基梅隆大学国际联合研究院地址528300广东省佛山市顺德区大良街道办事处云路社区居民委员会南国东路9号申请人中山大学广东工业大学(72)发明人邹小勇夏飞迪王洋戴宗(74)专利代理机构广州粤高专利商标代理有限公司44102代理人林丽明(51)Int.Cl.G06F19/22(2011.01)G06F19/24(2011.01)权利要求书2页说明书14页附图3页(54)发明名称一种预测miRNA靶基因的序列特征分析方法(57)摘要本发明公开了一种预测miRNA靶基因的序列特征分析方法。该方法基于CLASH实验数据集，构造了27个miRNA-靶位点配对序列相关特征，结合传统特征，组成了一个包含84个特征值的特征集合；并使用随机森林模型进行机器学习，构造miRNA靶基因预测模型，进行miRNA靶基因识别。本方法构建的模型具有很好的准确率、敏感度、特异性、精确度，可以较为准确地预测miRNA靶基因。CN106599615ACN106599615A权利要求书1/2页1.一种预测miRNA靶基因的序列特征分析方法，其特征在于，包括如下步骤：S1：收集数据集，构造正负样本选择CLASH数据集作为正样本，并根据该数据集构造负样本，将CLASH数据集中的miRNA与靶位点序列随机配对，删除其中的正样本，再从剩余的数据集中随机选择18514条作为负样本；S2：根据传统特征的计算方法，计算样本传统特征的特征值根据所采用的传统特征，计算每一个样本的特征值，并结合传统特征值构建样本特征向量；S3：计算miRNA与靶位点结合序列特征，并构建样本特征向量采用改进的Smith-Waterman方法将正负样本进行序列匹配，并转换为二进制序列；再根据正样本序列匹配的情况构造权重向量w，并以此向量计算正负样本的序列匹配得分特征；提出了miRNA-靶位点配对序列特征，结合传统特征，组成了一个包含84个特征值的特征集合；S4：构建模型进行miRNA靶基因识别采用随机森林的方法构建miRNA靶基因预测模型，并训练模型的参数；S5：模型测试。2.根据权利要求1所述的方法，其特征在于，步骤S1的具体方法为：S11.从CLASH数据集选择正样本数据，所述正样本数据包含miRNA名、miRNA序列、靶位点所属的mRNA名、靶位点在mRNA上的起始位置、靶位点在mRNA上的终止位置、靶位点序列；其中，所述靶位点所属的mRNA名取自ENSEMBL数据库；S12.将正样本中所涉及到的miRNA和靶位点信息随机匹配，去除掉其中的正样本，然后从中随机抽选18514条数据，作为负样本；其中，正负样本比例为1：1。3.根据权利要求1所述的方法，其特征在于，步骤S2的具体方法为：基于文献报道，选择miRNA与其靶基因结合的传统特征，并根据特征描述计算其特征值；所述传统特征包括：miRNA与其靶位点结合成双链的最小自由能、miRNA种子区域配对、靶位点可接入性、种子区域附近AU含量、种子区域的保守性、侧翼链的保守性、双链配对个数、靶位点长度、最长连续配对长度、最长连续序列位置、miRNA3’端的配对数目、miRNA种子区与3’端配对差、miRNA伪二核苷酸特征、靶位点序列伪二核苷酸特征、靶位点AC个数、靶位点UG个数、靶位点AG个数、靶位点CG个数、靶位点GC含量、靶位点上游GC含量和靶位点3’端GC含量。4.根据权利要求1所述的方法，其特征在于，步骤S3的具体方法为：S31.使用改进的Smith-Waterman算法，即按照碱基A:U和G:C互补配对原则，允许G:U错配，对每一个样本中miRNA序列和靶位点序列进行序列匹配；S32.基于S31的序列匹配情况，从miRNA序列5’端的第一个核苷酸开始，和靶位点序列对应的核苷酸进行比对，如果匹配，则用“1”表示，如果不匹配，则用“0”表示；因为CLASH数据集中大部分miRNA的长度为23，因此本方法将每一条miRNA与靶位点结合后的双链转换为了23个“0”或“1”组成的二进制序列，如果miRNA的长度小于23，则该特征值用0补充；如果miRNA长度大于23，多出来的特征值不予考虑；最后，将这23个特征值加入特征集；S33.根据正样本对应的二进制序列，可以计算正样本中miRNA每一个核苷酸位置配对2CN106599615A权利要求书2/2页成功的概率，并以此可以构造权重向量w；S34.根据描述，计算序列匹配得分，并加入到特征集合中；对于miRNA上第i位的匹配情况xi,都有其对应的权值wi；因此，构建了”全序