赵 南， 张 梁， 薛 卫*， 王雄飞， 任守纲

（1.南京农业大学 信息科学技术学院，江苏 南京210095；2.江南大学 粮食发酵工艺与技术国家工程实验室，江苏 无锡214122）

词袋模型在蛋白质亚细胞定位预测中的应用

赵 南1， 张 梁2， 薛 卫*1， 王雄飞1， 任守纲1

（1.南京农业大学 信息科学技术学院，江苏 南京210095；2.江南大学 粮食发酵工艺与技术国家工程实验室，江苏 无锡214122）

运用词袋模型结合传统的蛋白质特征提取算法提取蛋白质序列特征，采用K-means算法构建字典，计算获得蛋白质序列的词袋特征，最终将提取的特征值送入SVM多类分类器，对数据集中蛋白质的亚细胞位置进行预测，在一定程度上提高了亚细胞定位预测的准确率。

词袋模型；K-means；支持向量机；亚细胞定位预测

人类对生命科学的研究因计算机技术的蓬勃发展发生了巨大变化，自从进入后基因组时代，人类获得了大规模的核酸和蛋白质序列数据，借助先进高效的计算机自动化数据处理技术[1]从这些海量数据中挖掘有效信息成为必然趋势。国内外学者在以往的研究中，主要采用数学方法描述提取的蛋白质序列特征信息，用高维的特征向量表示蛋白质序列，然后设计使用高效的分类器进行预测分析。

目前，用于蛋白质序列特征提取的算法主要包括：氨基酸组成（AAC）、氨基酸的物化特性、二肽及多肽组成、伪氨基酸组成（PseAAC）以及不同特征的融合等[2-6]。如Lin等[4]的蛋白质亚细胞定位预测研究采用了四肽信息；杨会芳等[5]在预测蛋白质亚细胞定位中采用了分段伪氨基酸的特征提取方法；……