基于数据挖掘与机器学习的蛋白质疏水性分析的研究
2017-12-27周斯涵刘月兰
周斯涵,刘月兰
(哈尔滨师范大学)
0 引言
验证蛋白质的亲疏水性对蛋白质的稳定性、构象和蛋白质功能具有重要意义.多年来,科学工作者为测定蛋白质的亲疏水性做了多方面的研究,目前,研究者多用ExPASy的Protparam[1]用来预测蛋白质,但是仍未出现一种比较精确的预测方法.
机器学习[2](Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科.该文基于机器学习中的四种分类算法,设计出四种分类器,并将四种分类器整合,得到最优解.可将多个含有亲疏水性特征值的蛋白质作为一个数据集输入到分类器中.分类器利用该数据集进行自我训练与学习,最终准确预测出蛋白质的疏水性.
1 算法与过程
1.1 数据获取
通过Python编程语言编写数据挖掘方法,利用Enterz与包含正则表达式的re模块,实现自动从美国NCBI数据库获取指定ID号的多个蛋白质一级结构序列数据,并以蛋白质名、序列数据存入可指定位置的本地文档,部分源代码如下所示:
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'
(.+?)',str(record))
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 类型转换与特征值分配
蛋白质的亲疏水性的鉴定是一个二分类问题,故将亲水性蛋白质(hydrophilic protein)的特征值定为-1,疏水性蛋白质(lyophobic protein)设为1.
由于分类算法中的输入数据集必须为数值型数据,故将蛋白质序列数据中各个氨基酸根据表1中的疏水性参数[9]进行转化.
如glutamate--ammonia ligase (EC 6.3.1.2) - kidney bean中的氨基酸序列可转化为如下数组:[-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 氨基酸疏水性参数
将从美国NCBI数据库中随机获取的500个来自不同物种的非等长蛋白质序列匹配……
