基于隨機(jī)森林的有害同義突變預(yù)測方法研究.pdf

1、由于密碼子的簡并性，同義突變并不改變最終的氨基酸序列，所以它在過去一直被認(rèn)為是沉默的，是不會(huì)對生物個(gè)體產(chǎn)生任何影響的。但現(xiàn)在越來越多的實(shí)驗(yàn)已經(jīng)證明同義突變可以通過不同的機(jī)制如密碼子使用偏好性，翻譯效率等擾亂基因的表達(dá)和細(xì)胞的功能進(jìn)而影響疾病發(fā)生發(fā)展過程。同時(shí)，由于致病性的同義突變的發(fā)病率較低，如何正確區(qū)分致病性和中性的同義突變具有一定的挑戰(zhàn)性。近年來雖然已經(jīng)開發(fā)了許多用于預(yù)測單核苷酸突變體的功能影響的方法和工具，專門設(shè)計(jì)用于預(yù)測同義突變

2、的工具卻非常少，而且這些方法的預(yù)測性能還需進(jìn)一步提升。根據(jù)當(dāng)前同義突變預(yù)測方法的研究現(xiàn)狀，首先從數(shù)據(jù)和特征層面構(gòu)建了一個(gè)有較優(yōu)性能的預(yù)測模型IDSV(Identifying Deleterious Synonymous Variants)，然后從算法層面上對其進(jìn)行優(yōu)化得到模型IDSV-Ⅱ(Identifying Deleterious Synonymous Variants-modelⅡ)以進(jìn)一步提升預(yù)測性能。
　　在數(shù)據(jù)及特征層

3、面，首先通過采用來源可靠的均衡的訓(xùn)練集數(shù)據(jù)，量化得到豐富的有較高分類能力的特征，并利用序列后向選擇方法得到了最優(yōu)特征子空間，最后使用合適的分類器隨機(jī)森林算法構(gòu)建了一種新的預(yù)測模型IDSV來預(yù)測有害同義突變。實(shí)驗(yàn)結(jié)果表明，IDSV與SilVA，DDIG-SN，TraP，CADD和FATHMM-MKL這幾個(gè)預(yù)測突變有害性的工具相比更有優(yōu)勢。此外，實(shí)驗(yàn)結(jié)果也表明保守性，剪切以及翻譯效率對于識(shí)別有害同義突變的作用較大。雖然功能區(qū)域注釋和序列特征

4、的分類預(yù)測能力不是很強(qiáng)，但它們能夠在與其他預(yù)測特征相結(jié)合時(shí)正確區(qū)分有害和良性同義突變體。因此保守性，剪切，序列，翻譯效率以及功能區(qū)域注釋特征都有利于預(yù)測有害同義突變。
　　在算法層面，基于上述簡單的預(yù)測模型IDSV，對其分類器進(jìn)行了改進(jìn)得到模型IDSV-Ⅱ以優(yōu)化預(yù)測性能。首先由于實(shí)驗(yàn)數(shù)據(jù)較少，參考五折交叉驗(yàn)證分割數(shù)據(jù)的方式將訓(xùn)練集切割形成五個(gè)子訓(xùn)練集和對應(yīng)的五個(gè)子驗(yàn)證集，并隨之構(gòu)建了五個(gè)子隨機(jī)森林模型。其次，隨機(jī)森林是一個(gè)基于決策

5、樹的bagging類型的集成學(xué)習(xí)算法，可能會(huì)集成一些與目標(biāo)分類結(jié)果相關(guān)性較弱且相互之間冗余性較強(qiáng)的子樹，因此根據(jù)子驗(yàn)證集的結(jié)果對每個(gè)子隨機(jī)森林模型中的子樹進(jìn)行了相關(guān)性和冗余性篩選，并最終集成得到優(yōu)化后的隨機(jī)森林模型IDSV-Ⅱ。兩項(xiàng)綜合指標(biāo)F-measure和AUC結(jié)果表明IDSV-Ⅱ與之前提出的模型以及現(xiàn)有的幾個(gè)預(yù)測工具相比性能有所提升。
　　近年來，生物醫(yī)學(xué)研究人員對同義突變相關(guān)研究越來越關(guān)注，這就使得同義突變的數(shù)據(jù)在不斷的擴(kuò)