劉立婷++臧鴻雁++劉秀芹

摘 要：本文主要討論斑馬魚piRNA的預(yù)測(cè)方法。本文通過選取恰當(dāng)?shù)陌唏R魚piRNA特征，使用SVM方法訓(xùn)練正訓(xùn)練集和負(fù)訓(xùn)練集，然后利用5-fold交叉驗(yàn)證去預(yù)測(cè)正負(fù)測(cè)試集。完成上述工作后，使用Python語言進(jìn)行編程，模擬理論研究成果，使用測(cè)試集進(jìn)行預(yù)測(cè)，得到敏感性為83.2%，特異性為74.6%，預(yù)測(cè)精度為78.9%。

關(guān)鍵詞：斑馬魚piRNA；支持向量機(jī)；預(yù)測(cè)

中圖分類號(hào)：Q74 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）12-0251-01

2006年7月，雜志Science和Nature均報(bào)道了一種最新發(fā)現(xiàn)的非編碼類小RNA[1]，這些非編碼類小RNA主要分布于哺乳動(dòng)物的生殖細(xì)胞中，經(jīng)科學(xué)家們研究發(fā)現(xiàn)，這種小RNA可以與PIWI蛋白質(zhì)之間相互結(jié)合而產(chǎn)生重大作用，被稱為piRNA。經(jīng)過多年的研究，研究人員發(fā)現(xiàn)piRNA可以調(diào)控哺乳動(dòng)物體內(nèi)生殖細(xì)胞的生長(zhǎng)和發(fā)育進(jìn)程，從而對(duì)各種生物體產(chǎn)生重要作用[2]。因此，piRNA的預(yù)測(cè)能夠促進(jìn)人們對(duì)piRNA生成過程和結(jié)構(gòu)特點(diǎn)的認(rèn)識(shí)，進(jìn)一步研究piRNA的結(jié)構(gòu)特點(diǎn)和功能特點(diǎn)，對(duì)腫瘤的診斷和治療，對(duì)新藥的研發(fā)提供了重要的科學(xué)理論依據(jù)。

1 數(shù)據(jù)來源

由于斑馬魚基因與人類基因的相似度程度高，而且容易獲取大數(shù)量的實(shí)驗(yàn)數(shù)據(jù)，這樣可以有效的減少時(shí)間消耗和實(shí)驗(yàn)成本，提高預(yù)測(cè)精度。

根據(jù)本文的研究目的選擇斑馬魚piRNA序列作為正集，斑馬魚非編碼序列作負(fù)集，因?yàn)槭褂猛晃锓N的基因序列可以避免由于不同物種之間的同源性差所造成的結(jié)果偏差，提高預(yù)測(cè)精度。從http：//www.regulatoryrna.org/database/piRNA/download.html下載斑馬魚piRNA序列，共1330692條。從http：//www.noncode.org/download.php上下載了12836條斑馬魚非編碼序列。

2 訓(xùn)練集與測(cè)試集

本文正集和負(fù)集序列均為1500條，這個(gè)數(shù)字是作者任意選取的，當(dāng)然，可以通過多次試驗(yàn)選取最合適的樣本條數(shù)。

從斑馬魚piRNA序列中隨機(jī)選擇1500條序列作為正集，其中2/3的序列（即1000條序列）作為訓(xùn)練集，剩余的1/3序列（即500條序列）作為測(cè)試集。從斑馬魚非編碼序列中隨機(jī)選擇1500條序列作為負(fù)集，其中2/3的序列作為訓(xùn)練集，剩余的1/3序列作為測(cè)試集。使用python編程統(tǒng)計(jì)了正集序列的長(zhǎng)度為17-36，因此為了提高預(yù)測(cè)精度，負(fù)集序列的長(zhǎng)度應(yīng)該也在此范圍內(nèi)。所以，編程實(shí)現(xiàn)了從負(fù)集的非編碼序列中隨機(jī)截取相似程度的序列作為試驗(yàn)中用到的負(fù)集。

3 特征的提取

使用軟件Teiresias提取訓(xùn)練集的特征。選項(xiàng)選擇為“Exact Discovery”，“Seq Version”和“Only nucleic acid characters”。經(jīng)多次試驗(yàn)，參數(shù)選擇為L(zhǎng)=2，W=5，K=600，它表示1000條序列中有共同特征的至少有600條序列，長(zhǎng)度最大為5的motifs中至少有兩個(gè)核苷酸[3]。

從訓(xùn)練集的正集中共提取出了59條特征，從訓(xùn)練集負(fù)集中共提取出了62條特征。去除提取出的motifs特征中的冗余特征后剩余62條特征，如特征“T..A”，“T”和“A”分別表示胸腺嘧啶和腺嘌呤，“T”和“A”之間的“.”表示任意核苷酸。

計(jì)算每個(gè)motif在每條序列中出現(xiàn)的頻數(shù)，構(gòu)成了一個(gè)特征矩陣，如（3，0，1，2，1，3，1，4，2，1，2，0，2，2，0，0，2，2，1，2，1，2，1，0，0，0，3，0，1，3，2，2，4，2，1，2，0，1，0，1，2，3，0，2，1，1，0，3，1，1，1，2，0，0，1，1，0，0，1，1，0，0）為其中某一條序列的特征向量，其中第一個(gè)元素“3”表示在該序列中第一個(gè)特征“TG”的個(gè)數(shù)，第二個(gè)元素為第二個(gè)特征“TA”在該序列中的個(gè)數(shù)，之后的數(shù)字依次類推。

4 訓(xùn)練和預(yù)測(cè)

在網(wǎng)址http：//www.csie.ntu.edu.tw/～cjlin/libsvm/oldfiles/上下載libsvm。

首先，統(tǒng)計(jì)訓(xùn)練集中每條序列的motifs頻數(shù)，使用python編程將統(tǒng)計(jì)的motifs頻數(shù)轉(zhuǎn)換成libsvm所接受的特征矩陣的形式，然后使用libsvm軟件包中的svm-scale.exe對(duì)訓(xùn)練集特征矩陣train.txt進(jìn)行標(biāo)準(zhǔn)化處理，對(duì)測(cè)試集進(jìn)行同樣的標(biāo)準(zhǔn)化處理。

本文使用的訓(xùn)練函數(shù)為RBF核函數(shù)。因?yàn)檫@個(gè)核函數(shù)可以非線性的映射到高維空間中，能夠處理類標(biāo)簽和屬性是非線性時(shí)的關(guān)系，并且線性核函數(shù)是RBF的一個(gè)特殊情況。使用libsvm tools目錄下的grid.py來選擇參數(shù)，選擇結(jié)果為=512。0，=0。00390625，它的交叉驗(yàn)證率為77.35%。使用得到的最佳參數(shù)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，然后使用該訓(xùn)練模型對(duì)標(biāo)準(zhǔn)化后的測(cè)試集進(jìn)行預(yù)測(cè)。經(jīng)預(yù)測(cè)，得到了測(cè)試集的預(yù)測(cè)結(jié)果為78.9%。

5 特異性和靈敏性

使用SVM訓(xùn)練訓(xùn)練集得到了預(yù)測(cè)模型來預(yù)測(cè)測(cè)試集中的序列，由于測(cè)試集中的序列分類是已知的，因此，本文使用已知分類和預(yù)測(cè)得到的分類結(jié)果求得特異性為74.6%，靈敏性為78.9%。

特異性表明500條斑馬魚非編碼序列被預(yù)測(cè)正確的概率是74.6%，靈敏性表明500條斑馬魚piRNA序列中被預(yù)測(cè)正確的概率是78.9%。預(yù)測(cè)精度為特異性和靈敏性的平均值，表示整個(gè)測(cè)試集中序列被預(yù)測(cè)正確的概率。

6 結(jié)語

本文使用高斯核函數(shù)（RBF）建立了一個(gè)斑馬魚piRNA的分類模型，由于斑馬魚piRNA序列和斑馬魚非編碼序列之間具有不同的特征，因此使用motifs特征可以識(shí)別斑馬魚piRNA序列和非編碼序列。然后統(tǒng)計(jì)訓(xùn)練集中每條序列中motifs的頻數(shù)，構(gòu)成特征矩陣。使用支持向量機(jī)對(duì)訓(xùn)練集和測(cè)試集進(jìn)行分類和預(yù)測(cè)，得到的預(yù)測(cè)精度為78。9%，其中特異性為74.6%，敏感性為83.2%。特異性和靈敏性結(jié)果表明，在提取特征過程中，負(fù)集的特征提取不完善，如果想要得到更高的預(yù)測(cè)精度，就需要提取盡可能多的特征。

參考文獻(xiàn)

[1]Aravin A，Gaidatzis D，Pfeffer S，et al. A novel class of small RNAs bind to MILI protein in mouse testes[J]. Nature，2006，442（7099）：203-207.

[2]郭艷合，劉立，蔡榮，等.小 RNA 家族的新成員—piRNA[J].遺傳，2008，30（1）：28-34.

[3]Liu X，He S，Skogerb G，et al. Integrated sequence-structure motifs suffice to identify microRNA precursors[J]. PloS one，2012，7（3）：e32797.