劉威，郭紅

(福州大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，福建福州 350116)

0 引言

表位是蛋白質(zhì)抗原性的基礎(chǔ)，深入研究蛋白質(zhì)表位對(duì)多肽和新型疫苗分子的設(shè)計(jì)及診斷試劑的開發(fā)具有重要意義［1］．線性B細(xì)胞表位是抗原序列上能與抗體結(jié)合的一段連續(xù)的區(qū)域［2］．早期的表位預(yù)測(cè)工作主要通過生物實(shí)驗(yàn)進(jìn)行鑒別，但這種方法耗時(shí)耗力而且得到的數(shù)據(jù)較少，針對(duì)標(biāo)準(zhǔn)的數(shù)據(jù)集開發(fā)自動(dòng)評(píng)價(jià)工具將是未來的發(fā)展方向［3］．

線性B細(xì)胞表位預(yù)測(cè)問題可以看作一個(gè)二分類問題:給定若干肽鏈序列，指出哪些肽鏈序列屬于表位，哪些屬于非表位．表位和非表位在某些生物特性、序列結(jié)構(gòu)、氨基酸組成上存在一定的差異，通過對(duì)這些差異提取特征進(jìn)行分類能夠有效地對(duì)表位進(jìn)行預(yù)測(cè)．B細(xì)胞表位數(shù)據(jù)庫的建立，提供了大量的表位序列片段，通過對(duì)表位和非表位序列分析，找出表位和非表位的特征，從而進(jìn)行分類．通常的研究方法是使用一種特征提取方法將肽鏈序列轉(zhuǎn)化為相應(yīng)的編碼，將編碼作為輸入再使用分類器進(jìn)行分類，從而得出預(yù)測(cè)結(jié)果．文獻(xiàn)［4］提出了一種氨基酸對(duì)抗原性量表(AAPantigenicity scale)，并將這種量表作為一種新的編碼，該編碼反映了表位與非表位中某些特定氨基酸對(duì)片段出現(xiàn)頻率的差異性，最后使用SVM作為分類器進(jìn)行預(yù)測(cè)．文獻(xiàn)［5］在AAP編碼的基礎(chǔ)上提出了長(zhǎng)度為3和4的抗原性量表的概念，結(jié)合LEP方法，將3種長(zhǎng)度的抗原性量表作為分類器的輸入?yún)?shù)得出預(yù)測(cè)模型，這表明AAP編碼是一種不錯(cuò)的特征編碼．文獻(xiàn)［6］中引入貝葉斯中先驗(yàn)概率，提出在線性B細(xì)胞表位上的一種貝葉斯特征提取方法，結(jié)合氨基酸在肽鏈序列中的位置形成貝葉斯編碼，最后使用SVM進(jìn)行預(yù)測(cè)．AAP編碼包含了氨基酸對(duì)信息，考慮了氨基酸對(duì)在表位和非表位數(shù)據(jù)中的出現(xiàn)頻率，但AAP編碼對(duì)缺少了單個(gè)氨基酸的出現(xiàn)頻率對(duì)肽鏈序列的影響，這導(dǎo)致肽鏈信息的缺失．單個(gè)氨基酸的貝葉斯編碼只包含單個(gè)氨基酸與分類結(jié)果的關(guān)系，沒有考慮到氨基酸之間的關(guān)系，不符合表位與非表位序列間存在一定結(jié)構(gòu)差異．

受文獻(xiàn)［6］的啟發(fā)，提出一種基于氨基酸對(duì)量表加權(quán)的貝葉斯特征提取方法，在貝葉斯特征提取方法的基礎(chǔ)上，引入氨基酸對(duì)抗原性量表的概念，有效地提取肽鏈序列的組成和結(jié)構(gòu)信息，提高序列與所屬類別的相關(guān)性．

1 貝葉斯特征提取方法

1．1 貝葉斯特征提取方法的原理

文獻(xiàn)［5］中使用貝葉斯方法(Bi－profile Bayes feature extraction)來提取氨基酸序列的特征，并提出貝葉斯特征提取方法的蛋白質(zhì)甲基化位點(diǎn)預(yù)測(cè)(BPB－PPM)．文獻(xiàn)［7］構(gòu)造了Px用于描述表位和非表位數(shù)據(jù)中不同氨基酸在不同位置上的差異，將bayes方法應(yīng)用到線性B細(xì)胞表位上．

每條肽鏈的貝葉斯編碼是一個(gè)長(zhǎng)度2n的向量，其中n表示肽鏈的長(zhǎng)度，每個(gè)位置上的氨基酸編碼由兩個(gè)部分構(gòu)成:對(duì)表位數(shù)據(jù)的先驗(yàn)概率，對(duì)非表位數(shù)據(jù)的先驗(yàn)概率．對(duì)2n長(zhǎng)度的貝葉斯編碼而言，單個(gè)貝葉斯編碼包含氨基酸在特定位置上出現(xiàn)對(duì)類別的先驗(yàn)概率，整體的編碼又包含了肽鏈的氨基酸組成情況．

貝葉斯特征提取方法計(jì)算過程描述如下:①將實(shí)驗(yàn)數(shù)據(jù)集分為測(cè)試集和訓(xùn)練集;②統(tǒng)計(jì)訓(xùn)練集中的每條肽鏈上單個(gè)氨基酸的信息，信息包含肽鏈序列的不同位置上出現(xiàn)各種氨基酸數(shù)量;③使用統(tǒng)計(jì)信息構(gòu)造不同位置上出現(xiàn)氨基酸對(duì)肽鏈類別的先驗(yàn)概率;④使用構(gòu)造的先驗(yàn)概率對(duì)數(shù)據(jù)集的每一條肽鏈進(jìn)行編碼，編碼時(shí)使用氨基酸的種類和位置確定該氨基酸的編碼值．

1．2 貝葉斯特征提取方法的不足

貝葉斯特征提取方法以肽鏈序列與單個(gè)氨基酸之間的關(guān)系作為特征，然而該方法忽略了氨基酸之間的結(jié)構(gòu)可能對(duì)表位和非表位的差異所造成的影響．目前表位和非表位之間存在的明顯差異還不得而知，但實(shí)際上，表位和非表位存在一定結(jié)構(gòu)上差異，表現(xiàn)為包含數(shù)量不同的氨基酸結(jié)構(gòu)體，和結(jié)構(gòu)體在肽鏈中不同的位置組合．

Bcipep數(shù)據(jù)庫是專門收集B細(xì)胞表位數(shù)據(jù)的數(shù)據(jù)庫，Swiss－Prot數(shù)據(jù)庫是經(jīng)過注釋的蛋白質(zhì)序列數(shù)據(jù)庫，作為非表位數(shù)據(jù)庫．通過對(duì) Bcipep和Swiss－Prot數(shù)據(jù)庫的氨基酸對(duì)組成進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)表位和非表位的氨基酸對(duì)組成有很大差異［4］，如圖1所示，以每種氨基酸對(duì)占總共400氨基酸對(duì)的比例作為縱坐標(biāo)，以氨基酸對(duì)FI和MP為例，F(xiàn)I在Bcipep數(shù)據(jù)庫中占所有400種氨基酸對(duì)總數(shù)的0．067%，MP為0．037%，而在Swiss－Port數(shù)據(jù)庫中這兩種氨基酸對(duì)占的比例為0．242%和0．111%，通過對(duì)比說明表位和非表位數(shù)據(jù)之間存在氨基酸對(duì)的差異，因此很有必要對(duì)氨基酸對(duì)在表位和非表位數(shù)據(jù)中的差異信息進(jìn)行提?。?/p>

圖1 Bcipep和Swiss－Port數(shù)據(jù)庫中不同氨基酸片段比例Fig．1 Difference of AAPcomposition in Bcipep and Swiss－Port database

2 加權(quán)貝葉斯特征提取方法

Bayes編碼缺少氨基酸對(duì)結(jié)構(gòu)信息，文獻(xiàn)［7］中氨基酸對(duì)抗原性量的思想是對(duì)氨基酸對(duì)的一種表示，將其引入到貝葉斯特征提取中，使用滑動(dòng)窗口將肽鏈序列分割成氨基酸對(duì)，并對(duì)氨基酸對(duì)進(jìn)行加權(quán)，提出了基于氨基酸對(duì)量表加權(quán)的貝葉斯特征提取方法．

假設(shè)肽鏈序列S={s1，s2，…，sn}，sj(j=1，2，…，n)表示肽鏈序列中第j個(gè)位置的氨基酸s，肽鏈序列S屬于表位或非表位，符號(hào)C1表示表位，C－1表示非表位，表1給出三條肽鏈樣本．根據(jù)公式有:其中:表示Ci數(shù)據(jù)中第j個(gè)位置上是氨基酸s的概率;P(Ci)表示所有肽鏈序列數(shù)據(jù)中Ci數(shù)據(jù)的概率;P(sj)表示在所有肽鏈序列數(shù)據(jù)中第j個(gè)位置上是氨基酸s的概率，Psj表示序列S上第j個(gè)位置的貝葉斯編碼．

表1 三條肽鏈樣本Tab．1 Three peptide chains samples

AAP作為一種最簡(jiǎn)單的氨基酸組合模式和結(jié)構(gòu)，包含了相鄰氨基酸相互之間的信息，文獻(xiàn)［4］利用同種AAP在表位數(shù)據(jù)和非表位數(shù)據(jù)中的頻率比值作為該AAP的抗原性量表，使用滑動(dòng)窗口方式得到AAP編碼RAAP，將窗口長(zhǎng)度設(shè)為2，從頭到尾每次向后滑動(dòng)一個(gè)氨基酸，由此可得:

本文提出的改進(jìn)貝葉斯特征提取方法基于氨基酸對(duì)量表加權(quán)，采用獨(dú)立隨機(jī)變量的方法去除氨基酸對(duì)量表中出現(xiàn)的冗余問題．改進(jìn)后貝葉斯方法不僅包含單個(gè)氨基酸與分類結(jié)果的關(guān)系，還考慮到氨基酸之間的關(guān)系，通過增加特征提取所包含的肽鏈信息提高了預(yù)測(cè)的準(zhǔn)確率．

3 基于改進(jìn)的貝葉斯特征提取的線性B細(xì)胞表位預(yù)測(cè)方法

使用改進(jìn)的貝葉斯特征提取方法并結(jié)合SVM分類器用于線性B細(xì)胞表位的預(yù)測(cè)，步驟如下．

1)準(zhǔn)備數(shù)據(jù)集，包括表位和非表位數(shù)據(jù)集，使用El－Manzalawy和Saha數(shù)據(jù)集，將兩組數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集，使用五折交叉驗(yàn)證法生成五組對(duì)應(yīng)的訓(xùn)練集和測(cè)試集．

2)特征提取和編碼，對(duì)兩組數(shù)據(jù)的訓(xùn)練集進(jìn)行特征提取，使用加權(quán)貝葉斯特征提取方法對(duì)數(shù)據(jù)集編碼，包括訓(xùn)練集和測(cè)試集數(shù)據(jù)．

3)訓(xùn)練分類器，本文使用SVM作為分類器，使用第二步中已編碼的訓(xùn)練集數(shù)據(jù)作為SVM的輸入進(jìn)行訓(xùn)練，訓(xùn)練過程完成SVM參數(shù)的確定．

4)分類器預(yù)測(cè)，SVM參數(shù)確定之后，將第二步中已編碼的測(cè)試集數(shù)據(jù)作為分類器的輸入，得到分類器對(duì)測(cè)試集的結(jié)果．

5)重復(fù)步驟3)、4)，使用五組數(shù)據(jù)中的訓(xùn)練集，并用訓(xùn)練好的分類器測(cè)試相應(yīng)的測(cè)試集數(shù)據(jù)．

4 實(shí)驗(yàn)結(jié)果與分析

4．1 實(shí)驗(yàn)數(shù)據(jù)集

用于線性B細(xì)胞表位預(yù)測(cè)的標(biāo)準(zhǔn)數(shù)據(jù)集較多，bcipep數(shù)據(jù)庫［8］是專門收集B細(xì)胞表位數(shù)據(jù)的網(wǎng)上公用數(shù)據(jù)庫，為了更準(zhǔn)確地進(jìn)行測(cè)試，本文使用與文獻(xiàn)［6］相同的數(shù)據(jù)集，引用El－Manzalawy和J．Chen已整理的數(shù)據(jù)集．

1)由El－Manzalawy［9］從bcipep數(shù)據(jù)庫中的947條表位數(shù)據(jù)中整理的數(shù)據(jù)集，使用“延伸－截尾”方法得到(30、28、26、24、22、20、18、16、14、12)長(zhǎng)度的701條表位數(shù)據(jù)集．?dāng)?shù)據(jù)下載地址:http://ailab．cs．iastate．edu/bcpreds/．

2)J．Chen等［4］從bcipep數(shù)據(jù)庫中獲得并處理得到的固定長(zhǎng)度為20的數(shù)據(jù)，使用“延伸－截尾”方法得到(20、18、16、14、12、10)長(zhǎng)度的872條表位數(shù)據(jù)集．?dāng)?shù)據(jù)下載地址:http://link．springer．com/article/10．1007%2Fs00726－006－0485－9．

El－Manzalawy和S．Saha數(shù)據(jù)雖然都來自統(tǒng)一數(shù)據(jù)庫，由于處理方式、篩選尺度的不同，數(shù)據(jù)集仍存在較大的差別，多篇文獻(xiàn)也同時(shí)引用兩個(gè)數(shù)據(jù)集作為試驗(yàn)數(shù)據(jù)集．

3)從Swiss－Prot數(shù)據(jù)庫中隨機(jī)生成的固定長(zhǎng)度的多肽作為非表位數(shù)據(jù)．

SVM常用的核函數(shù)四種，憑經(jīng)驗(yàn)選擇RBF作為核函數(shù)．本文使用的SVM來自于Chang［10］編寫的libsvm工具箱．為了提高實(shí)驗(yàn)效果，采用libsvm自帶的網(wǎng)格搜索算法尋找C和σ2的最優(yōu)組合．

4．2 評(píng)價(jià)指標(biāo)

采用五折交叉驗(yàn)證法，將實(shí)驗(yàn)數(shù)據(jù)分為5個(gè)子集，每次把1個(gè)子集作為測(cè)試集，其余的4個(gè)子集作為訓(xùn)練集，每一個(gè)子集都被測(cè)試過1次，訓(xùn)練過4次，最后將5次結(jié)果的平均值作為實(shí)際的實(shí)驗(yàn)結(jié)果．

使用的幾個(gè)評(píng)價(jià)指標(biāo)包括特異性、敏感性、準(zhǔn)確率、MCC(Mattew相關(guān)系數(shù))、AUC(受試者工作特征曲線下的面積)．Rsen反映的是靈敏度，即真實(shí)表位被預(yù)測(cè)為表位的比率;Rspe反映的是特異性，即非表位被預(yù)測(cè)為非表位的比率;Racc反映的是準(zhǔn)確率，即能夠被正確預(yù)測(cè)的表位和非表位的比率;Rpos反映的是陽性預(yù)測(cè)率，即被預(yù)測(cè)為表位中真實(shí)表位所占的比率;Mattew相關(guān)系數(shù)是一個(gè)性能綜合評(píng)價(jià)指標(biāo)，其中，真陽性(TP)實(shí)際為正樣本被正確地預(yù)測(cè)為正樣本的樣本數(shù);假陽性(FP)實(shí)際為負(fù)樣本被錯(cuò)誤地預(yù)測(cè)為正樣本的樣本數(shù);真陰性(TN)實(shí)際為負(fù)樣本被正確地預(yù)測(cè)為負(fù)樣本的樣本數(shù);假陰性(FN)實(shí)際為正樣本被錯(cuò)誤地預(yù)測(cè)為負(fù)樣本的樣本數(shù)．AUC值為ROC曲線下的面積，AUC越接近于1，說明效果越好．這些參數(shù)具體為:

敏感度:Rsen=TP/(TP+FN)×100% 特異度:Rspe=TN/(TN+FP)×100%

精確度:Racc=(TP+TN)/(TP+FP+TN+FN)×100% 陽性預(yù)測(cè)率:Rpos=TP/(TP+FP)×100%

4．3 實(shí)驗(yàn)結(jié)果及評(píng)價(jià)

文獻(xiàn)［4］中的貝葉斯特征提取方法對(duì)數(shù)據(jù)提取的貝葉斯編碼中包含了訓(xùn)練集和測(cè)試集的信息，僅提取訓(xùn)練集數(shù)據(jù)的信息，對(duì)AAP編碼也僅提取訓(xùn)練集數(shù)據(jù)信息．在兩個(gè)數(shù)據(jù)集上將加權(quán)貝葉斯特征提取方法，與貝葉斯特征提取方法作對(duì)比．

表2、3是在El－Manzalawy數(shù)據(jù)集上使用貝葉斯特征提取方法，加權(quán)貝葉斯方法在不同長(zhǎng)度窗口(12、14、16、18、20、22、24、26、28、30)下的參數(shù)，由于都是采用SVM訓(xùn)練分類器來進(jìn)行分類，因此分類效果的區(qū)別主要來自特征提取方法，可以看出改進(jìn)的貝葉斯方法除了特異度以外，在其他指標(biāo)上整體參數(shù)均有提升．當(dāng)窗口長(zhǎng)度大于20時(shí)提升更加明顯，在窗口長(zhǎng)度為26、28、30時(shí)準(zhǔn)確率的提升達(dá)到了10個(gè)百分點(diǎn)．需要強(qiáng)調(diào)的是目前90%的表位數(shù)據(jù)長(zhǎng)度都在20以下，數(shù)據(jù)集中長(zhǎng)度大于20的表位數(shù)據(jù)都是利用源數(shù)據(jù)擴(kuò)展得來，但是在一定程度上也表現(xiàn)出數(shù)據(jù)的性質(zhì)，因此采用了大于20長(zhǎng)度的表位數(shù)據(jù)集(22、24、26、28、30)．

表4、5是在Saha數(shù)據(jù)集上對(duì)貝葉斯特征提取方法和加權(quán)貝葉斯特征提取方法的比較，從表中可以看出，在Saha數(shù)據(jù)集上，各個(gè)長(zhǎng)度的數(shù)據(jù)的實(shí)驗(yàn)結(jié)構(gòu)相比貝葉斯方法改進(jìn)后有較大的提升．20為肽鏈的經(jīng)典長(zhǎng)度，在該長(zhǎng)度下將兩個(gè)數(shù)據(jù)集的兩種特征提取方法繪制ROC曲線(圖2)．從圖2可以看出，在El－Manzalawy數(shù)據(jù)集上，由于改進(jìn)前方法的特異度高于改進(jìn)之后的特異度值，兩條ROC曲線的AUC值并無太大差異;在Saha數(shù)據(jù)集上，改進(jìn)后方法的敏感度和特異度均優(yōu)于改進(jìn)前方法，可以看出ROC曲線下的AUC值有明顯提升．

表2 貝葉斯特征提取在El－Manzalawy數(shù)據(jù)集上的參數(shù)Tab．2 Using Bayes feature extraction in El－Manzalawy dataset

表3 加權(quán)貝葉斯特征提取在El－Manzalawy數(shù)據(jù)集上的參數(shù)Tab．3 Using weighted Bayes feature extraction in El－Manzalawy dataset

表4 貝葉斯特征提取在Saha數(shù)據(jù)集上的參數(shù)Tab．4 Using Bayes feature extraction in Saha dataset

表5 加權(quán)貝葉斯特征提取在Saha數(shù)據(jù)集上的參數(shù)Tab．5 Using weighted Bayes feature extraction in Saha dataset

目前預(yù)測(cè)線性B細(xì)胞表位的方法較多，所提取的特征也不盡相同，但總體預(yù)測(cè)效果差不多．AAP方法是一種常用的線性B細(xì)胞表位預(yù)測(cè)方法，該方法以氨基酸對(duì)作為特征提取的基本單位．為了進(jìn)一步說明本文提出方法的有效性，下面給出本文提出方法與AAP方法的對(duì)比實(shí)驗(yàn)，為了避免數(shù)據(jù)人工處理帶來的誤差，這里取長(zhǎng)度為20的表位數(shù)據(jù)在前面所述兩個(gè)數(shù)據(jù)集上進(jìn)行試驗(yàn)比對(duì)．

圖2 El－Manzalawy，Saha數(shù)據(jù)集的兩種貝葉斯特征提取方法ROC曲線Fig．2 Both bayes and weighted bayes feature extraction ROC on El－Manzalawy，Saha dataset

通過兩個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果可以看出，AAP方法的敏感度(Rsen)比貝葉斯方法高，這說明此類特征能更準(zhǔn)確描述表位數(shù)據(jù)，而加權(quán)貝葉斯方法中的敏感度高于兩種方法，表明加權(quán)貝葉斯方法在描述表位數(shù)據(jù)上更加有效;特異度(Rspe)一定程度上受到敏感度的影響，使得加權(quán)貝葉斯方法在特異度上數(shù)值有所降低，由于表位數(shù)據(jù)來源于真實(shí)數(shù)據(jù)，而非表位數(shù)據(jù)是從數(shù)據(jù)庫中隨機(jī)生成，這也影響了非表位數(shù)據(jù)的精度和實(shí)驗(yàn)結(jié)果;準(zhǔn)確率反映了整體的預(yù)測(cè)精度，加權(quán)貝葉斯方法相比其他兩種方法表現(xiàn)出了較好精度．從表6、7的結(jié)果可知，相比AAP算法，加權(quán)貝葉斯算法有更好的性能效果．

表6 貝葉斯，加權(quán)貝葉斯，AAP提取方式在El－Manzalawy數(shù)據(jù)集上的參數(shù)Tab．6 Using Bayes，w －Bayes，AAP feature extraction in El－Manzalawy dataset

表7 貝葉斯，加權(quán)貝葉斯，AAP提取方式在Saha數(shù)據(jù)集上的參數(shù)Tab．7 Using Bayes，w －Bayes，AAP feature extraction in Saha dataset

5 結(jié)論

對(duì)線性B細(xì)胞表位的預(yù)測(cè)是一個(gè)重要的問題，而特征提取是問題的重心所在．針對(duì)特征提取提出了一種基于氨基酸對(duì)量表加權(quán)的貝葉斯特征提取方法．在對(duì)氨基酸序列的特征提取上考慮了結(jié)構(gòu)的特征，把一種AAP量表引入到貝葉斯特征提取上來，根據(jù)對(duì)El－Manzalawy和Saha數(shù)據(jù)集的實(shí)驗(yàn)，該方法能夠提高貝葉斯特征提取方法的預(yù)測(cè)精度．今后的研究工作重點(diǎn)是如何將改進(jìn)貝葉斯的特征提取方法應(yīng)用到線性B細(xì)胞表位的預(yù)測(cè)中去．