周斯涵，劉月蘭

(哈爾濱師范大學(xué))

0 引言

驗證蛋白質(zhì)的親疏水性對蛋白質(zhì)的穩(wěn)定性、構(gòu)象和蛋白質(zhì)功能具有重要意義.多年來,科學(xué)工作者為測定蛋白質(zhì)的親疏水性做了多方面的研究,目前，研究者多用ExPASy的Protparam[1]用來預(yù)測蛋白質(zhì)，但是仍未出現(xiàn)一種比較精確的預(yù)測方法.

機(jī)器學(xué)習(xí)[2](Machine Learning, ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科.該文基于機(jī)器學(xué)習(xí)中的四種分類算法，設(shè)計出四種分類器，并將四種分類器整合，得到最優(yōu)解.可將多個含有親疏水性特征值的蛋白質(zhì)作為一個數(shù)據(jù)集輸入到分類器中.分類器利用該數(shù)據(jù)集進(jìn)行自我訓(xùn)練與學(xué)習(xí)，最終準(zhǔn)確預(yù)測出蛋白質(zhì)的疏水性.

1 算法與過程

1.1 數(shù)據(jù)獲取

通過Python編程語言編寫數(shù)據(jù)挖掘方法，利用Enterz與包含正則表達(dá)式的re模塊，實(shí)現(xiàn)自動從美國NCBI數(shù)據(jù)庫獲取指定ID號的多個蛋白質(zhì)一級結(jié)構(gòu)序列數(shù)據(jù)，并以蛋白質(zhì)名、序列數(shù)據(jù)存入可指定位置的本地文檔，部分源代碼如下所示：

def get_protein_sequence(protein_id):

handle=Entrez.efetch(db="protein",id=str(protein_id),rettype="genbank", email="")

record=handle.read()

protein_name=re.findall(r'

(.+?)

protein_sequence=re.findall(r'

(.+?)

',str(record))

for n in range(100000,200000):

line=get_protein_sequence(n)

line=str(line)

line=line.replace(',',' ')

print line

f.write(line+' ')

f.flush()

f.close()

return protein_name,protein_sequence

def get_term(database_name,Term):

handle=Entrez.esearch(db=str(database_name),term=str(Term),email="")

record=Entrez.read(handle)

return record['Count']

def browse_record(m,n,record):

return record["IdList"][m:n]

1.2 類型轉(zhuǎn)換與特征值分配

蛋白質(zhì)的親疏水性的鑒定是一個二分類問題，故將親水性蛋白質(zhì)(hydrophilic protein)的特征值定為-1，疏水性蛋白質(zhì)(lyophobic protein)設(shè)為1.

由于分類算法中的輸入數(shù)據(jù)集必須為數(shù)值型數(shù)據(jù)，故將蛋白質(zhì)序列數(shù)據(jù)中各個氨基酸根據(jù)表1中的疏水性參數(shù)[9]進(jìn)行轉(zhuǎn)化.

如glutamate--ammonia ligase (EC 6.3.1.2) - kidney bean中的氨基酸序列可轉(zhuǎn)化為如下數(shù)組：[-3.5, -1.6,-1.3,4.2 4.2,-0.7, -0.8, 3.8,3.8, 1.8, -3.5, -0.7,-0.8,3.8,3.8,-0.9,-3.5,-1.6,-0.7,3.8,-3.5,1.8,-3.5,1.8,3.8,1.8,1.8,-3.5,-3.9,3.8,1.8,3.8,-3.9, 4.2].

表1 氨基酸疏水性參數(shù)

將從美國NCBI數(shù)據(jù)庫中隨機(jī)獲取的500個來自不同物種的非等長蛋白質(zhì)序列匹配相應(yīng)的參數(shù)值與特征值，作為訓(xùn)練數(shù)據(jù)集輸入到分類器中，分類器通過算法進(jìn)行學(xué)習(xí)后，達(dá)到對未知親疏水性的蛋白質(zhì)進(jìn)行自動分類.

1.3 分類器算法

1.3.1 支持向量機(jī)(Support Vector Machine)算法

支持向量機(jī)[3](Support Vector Machine,SVM)算法是由所屬于AT&TBell實(shí)驗室的V.Vapnik等人所提出的一種新的機(jī)器學(xué)習(xí)算法.支持向量機(jī)目前已經(jīng)用在了基因分類、目標(biāo)識別、函數(shù)回歸、函數(shù)逼近、時間序列預(yù)測及數(shù)據(jù)壓縮、數(shù)據(jù)挖掘等各個領(lǐng)域中.

SVM的主體思想[4]是針對二分類問題，找到一個能分成兩部分訓(xùn)練樣本點(diǎn)的超平面，達(dá)到保證最小的分類錯誤率.在線性可分的情況下，有一個或多個超平面能讓訓(xùn)練樣本全部分開，支持向量機(jī)算法的目的就是為了找到其中最優(yōu)的超平面.

SVM的基本模型：設(shè)輸入樣本集合{a[n]} ∈Rn由兩部分點(diǎn)組成, 如果a[n]屬于第一部分，則y[n] = 1 , 如果x[n]屬于第二部分，則y[n] = -1 , 有訓(xùn)練樣本的集合{a[n] ,b[n]} ,n= 1 ,2,3 , …,n,求最優(yōu)分類面ka-p=0,滿足：b[n](wa[i] -p) >= 1;并使得2*h= 2/‖k‖最大，即min‖k‖*‖k‖/2.

根據(jù)對偶理論，可以通過解該問題的對偶問得到最優(yōu)解，對偶問題為：

max∑α[n] - 1/2 ∑α[n]*α[m]*b[n]*b[m]*a[n]*a[m]

0≤α[n]≤C*∑α[n]*b[m]=0.

其中a[n] ·a[m]表示這兩個向量的內(nèi)積，當(dāng)對于線性不可分的情況，用核內(nèi)積K(a[n],a[m])(通過核函數(shù)映射到高維空間中對應(yīng)向量的內(nèi)積)代替a[n] ·a[m].根據(jù)對偶問題的解α，求得k,p，得到最優(yōu)分類面.

SVM 模型求解 ：當(dāng)向量維數(shù)較大且訓(xùn)練樣本向量比較多時，上述的對偶問題是一個大型矩陣的問題，用一般的矩陣求逆的方法不管是在時間復(fù)雜度上還是在空間復(fù)雜度上都是非常不可取的.序貫最小優(yōu)化(sequential minimal optimization,簡稱SMO)算法是目前解決大量數(shù)據(jù)下支持向量機(jī)訓(xùn)練問題的一種比較有效的方法.

SMO[6]算法的大致步驟為：

(1)將m向量分為兩個集合,工作集a,固定集b，即：m= {a,b}.

(2)每次對a求解單個較小的二次規(guī)劃時,使b中的值不變.

(3)每次迭代選擇不同的a和b，每次解出一個小規(guī)模的優(yōu)化問題，都是在原來的基礎(chǔ)上向最后的解集前進(jìn).

(4)在每次迭代后，檢查結(jié)果.當(dāng)滿足優(yōu)化條件時，便得到了優(yōu)化問題的解，該算法結(jié)束.

將該算法封裝成一個易于調(diào)用的函數(shù)，其部分源代碼如下所示：

def SVM(test_protein):

model=SVC()

model.fit(dataset.data,dataset.label)

svm_result=model.predict([dataset.To_staticlist(dataset.Delplace(test_protein))])

sum_result.append(svm_result[0])

1.3.2 決策樹(Decision Tree)算法

決策樹[5]也是經(jīng)常使用的數(shù)據(jù)挖掘算法，決策樹分類器就像判斷模塊和終止塊組成的流程圖，構(gòu)造決策樹的過程就是尋找有決定性作用的特征，根據(jù)其決定性大小的程度來構(gòu)建一個倒立的樹，將最大決定性作用的特征作為根節(jié)點(diǎn)，之后遞歸尋找各個分支下子集里其次要決定性作用的特征，直到子集中所有的數(shù)據(jù)都屬于同一類別.故建立決策樹的過程實(shí)際上就是依據(jù)數(shù)據(jù)的特征將數(shù)據(jù)集進(jìn)行分類的遞歸過程.

決策樹的基本構(gòu)造步驟如下；

(1)Create node M

(2)if訓(xùn)練集為NULL，在返回node M標(biāo)記為False

(3)if訓(xùn)練集中所有數(shù)據(jù)都屬于同一個類，則用此類別標(biāo)記node M

(4)如果候選的屬性為空，則返回M作為葉節(jié)點(diǎn)，標(biāo)記為訓(xùn)練集中最普通的類；

(5)for each 候選屬性 Att_List

(6)if 候選屬性是連續(xù)的

(7)then對該屬性進(jìn)行離散化

(8)選擇候選屬性Att_List中具有最高信息增益率的屬性A

(9)標(biāo)記node M為屬性A

(10)for each 屬性A的統(tǒng)一值a

(11)由節(jié)點(diǎn)M長出一個條件為A=d的分支

(12)設(shè)置S是訓(xùn)練集中A=d的訓(xùn)練樣本的集合

(13)if S==NULL

(14)加上一個樹葉，標(biāo)記為訓(xùn)練集中最普通的類

(15)else加上一個返回的點(diǎn)

將上述算法封裝成一個易被調(diào)用的函數(shù)，其部分源代碼如下所示：

def Decision_Tree(test_protein):

model = DecisionTreeClassifier()

model.fit(dataset.data,dataset.label)

tree_result=model.predict([dataset.To_staticlist(dataset.Delplace(test_protein))])

sum_result.append(tree_result[0])

1.3.3 邏輯回歸(Logistic Regression)算法

邏輯回歸[7]是機(jī)器學(xué)習(xí)中一種常見的分類方法，主要用于二分類問題，利用Logistic函數(shù)，自變量取值范圍為(-INF, INF)，自變量的取值范圍為(0,1)，函數(shù)形式為：

因為Logistic函數(shù)的定義域是(-INF, +INF),而值域為(0, 1)，所有最基本的LR分類器適合于對二分類(類0,類1)目標(biāo)進(jìn)行分類.Logistic 函數(shù)是“S”形圖案的函數(shù)，如圖1所示.

圖1 Logistic 函數(shù)

(1)

函數(shù)hθ(X)的值表示結(jié)果為1的概率(特征屬于y=1的概率)所以對于輸入x分類結(jié)果類別1和類別0的概率如式(2)所示：

P(y=1|x;θ)=hθ(x)

P(y=0|x;θ)=1-hθ(x)

(2)

當(dāng)要判別一個新來的特征屬于哪個類時，按式(3)求出一個z值：

(3)

(x1,x2,…,xn是某樣本數(shù)據(jù)的各個特征，維度為n)

進(jìn)一步求出hθ(X)，當(dāng)其大于0.5時，就是y=1的類，相反則屬于y=0的類.(假設(shè)統(tǒng)計樣本是均勻分布的，設(shè)閾值為0.5).

Logistic算法也可以用于多分類問題，但是二分類的更較常用.因此實(shí)際中最常用的就是二分類的Logistic算法.LR分類器適用數(shù)據(jù)類型：數(shù)值型和標(biāo)稱型數(shù)據(jù).其優(yōu)點(diǎn)是計算代價不高，易于理解和實(shí)現(xiàn)；其缺點(diǎn)是容易欠擬合，分類精度可能不高.

將上述算法封裝成一個函數(shù)，其部分源代碼如下所示：

def Logistic_Regression(test_protein):

model=LogisticRegression()

model.fit(dataset.data,dataset.label)

logic_result=model.predict([dataset.To_staticlist(dataset.Delplace(test_protein))])

sum_result.append(logic_result[0])

1.3.4 K近鄰(K-Nearest Neighbor)算法

KNN[8](K Nearest Neighbors,K近鄰)是一種基于實(shí)例的監(jiān)督學(xué)習(xí)算法，利用計算訓(xùn)練集和新數(shù)據(jù)集特征值之間的距離，然后選取k(k>=1)個距離最近的鄰居進(jìn)行回歸或者分類判斷.當(dāng)k=1，新數(shù)據(jù)就會被簡單分配給其相鄰的類.KNN算法的過程為:

(1)選取一個計算距離的方式, 利用所有的數(shù)據(jù)特征來計算新數(shù)據(jù)集與已知類別數(shù)據(jù)集中數(shù)據(jù)點(diǎn)的距離.

(2)依照距離，遞增排序，選擇和當(dāng)前距離最進(jìn)的k個點(diǎn).

(3)對于離散的分類問題，對返回k個點(diǎn)出現(xiàn)頻率最多的類別進(jìn)行預(yù)測分類；對于回歸則返回k個點(diǎn)的加權(quán)值用作預(yù)測值.

將上述算法封裝成一個函數(shù)，其部分源代碼如下所示：

def KNN(test_protein):

model=KNeighborsClassifier(n_neighbors=10)

model.fit(dataset.data,dataset.label)

knn_result=model.predict([dataset.To_staticlist(dataset.Delplace(test_protein))])

sum_result.append(knn_result[0])

2 結(jié)果與分析

2.1 算法結(jié)果

根據(jù)上述算法，開發(fā)出名為protein verify的軟件，可從本地打開包含氨基酸序列的文本文檔作為輸入數(shù)據(jù)寫入軟件，其輸入格式具有很強(qiáng)的健壯性，可對輸入數(shù)據(jù)進(jìn)行增刪更改，輸入數(shù)據(jù)無格式要求，可包含空格數(shù)字，對輸入序列大小寫無要求.該軟件界面如圖2所示.

圖2 protein verify軟件界面

軟件功能如下：

(1)open按鈕；可從本機(jī)打開存有蛋白質(zhì)一級序列的文檔，打開后序列呈現(xiàn)在文本框內(nèi).

(2)Save按鈕：對打開后的序列進(jìn)行增刪更改后可保存到本地.

(3)verify按鈕；即可對該蛋白質(zhì)做出親疏水性鑒定.其查詢結(jié)果與預(yù)測準(zhǔn)確率如圖3所示.

圖3 查詢結(jié)果顯示

2.2 準(zhǔn)確率分析

通過以上四種分類器算法的集成，隨機(jī)選擇多個蛋白質(zhì)進(jìn)行軟件測試，利用圖4所示的計算方法得出表2的預(yù)測準(zhǔn)確率：

True Positive(TP)：被模型預(yù)測為正的正樣本

True Negative(TN)：被模型預(yù)測為負(fù)的負(fù)樣本

False Positive(FP)：被模型預(yù)測為正的負(fù)樣本

False Negative(FN)：被模型預(yù)測為負(fù)的正樣本

True Positive Rate(TPR)

TPR = TP/(TP + FN)正樣本預(yù)測結(jié)果數(shù)/正樣本實(shí)際數(shù)

True Negative Rate(TNR) TNR = TN/(TN + FP)負(fù)樣本預(yù)測結(jié)果數(shù)/負(fù)樣本實(shí)際數(shù)

False Positive Rate(FPR) FPR = FP/(FP + TN)被預(yù)測為正的負(fù)樣本結(jié)果數(shù)/負(fù)樣本實(shí)際數(shù))

False Negative Rate( FNR)FNR = FN/(TP + FN)被預(yù)測為負(fù)的正樣本結(jié)果數(shù)/正樣本實(shí)際數(shù)

圖4 概率計算方法

Precision：正確預(yù)測的概率

F1-Score：precision和recall的調(diào)和平均數(shù)

Recall(真陽性率)：正確識別的概率

Support：訓(xùn)練集樣本容量

表2 Classification report

2.3 結(jié)論

經(jīng)過實(shí)驗，該算法可將多個含有親疏水性特征值的蛋白質(zhì)作為一個數(shù)據(jù)集輸入到分類器中.分類器利用該數(shù)據(jù)集進(jìn)行自我訓(xùn)練與學(xué)習(xí)，最終準(zhǔn)確預(yù)測出蛋白質(zhì)的疏水性.

該算法可作為蛋白質(zhì)疏水性分析預(yù)測的有力工具，在生物信息領(lǐng)域中得到廣泛的應(yīng)用.