论文部分内容阅读
必需基因是指在一定条件下,维持生物体的生命活动所必不可少的基因。正确鉴定必需基因对研究一个物种赖以生存的最小条件、揭示进化过程中物种的关系和确定潜在的药物靶点等具有重要作用。由于实验方法鉴定必需基因有花费高、耗时长、易受环境影响和不同实验方法鉴定结果不一致等不足,因此理论预测必需基因存在很大的发展空间。机器学习是一种比较常用的理论预测方法,作为机器学习的一种常见方法,BP神经网络(Back Propagation Neural Network,简称BPNN)在处理非线性等复杂问题表现出较好的能力,具有较强的容错能力,在生物学、生物信息学等领域以及实际生产得到了很多研究和应用。但目前基于人工神经网络(Artificial Neural Network,ANN)预测必需基因的研究存在分析物种局限、预测形式单一、应用到的特征有限并且没有对关键特征进行筛选等不足。论文以NCBI和DEG数据库的基因库为研究对象,使用常见的模式识别流程,采用人工生成基于序列的特征和基于文本分类生成特征两种方式,建立BPNN模型预测必需基因。主要工作如下:(1)基于57维特征应用神经网络预测必需基因。选取31种原核生物的基因组作为分析对象,并在此基础上人工提取57维基于序列的特征。由于必需基因数量远远少于非必需基因,采用重复采样法和抽样法解决样本不平衡问题。结合现有研究理论和经验公式,通过反复实验选取了合适的模型参数,同时使用并比较了常用的神经网络权值改进训练算法。在选择好ANN模型参数之后,着重设计了四种实验形式并展开预测:单个物种自预测、留一物种法、单个预测总体及总体自预测,使用十折交叉验证评价实验结果,分析结果及不足。(2)提出基于WPCA(Weighted Principal Component Analysis)的方法进行关键特征子集的研究。WPCA使用主成分分析计算出来的特征向量矩阵对各特征的贡献度,计算得到各特征的相对重要度,并选择相对重要度最大的特征作为关键特征。其中,与基因组成有关的特征重要性得分较高。在实验中,WPCA方法实现了对基于基因序列特征的有效选择,将原始特征从57维减少到26维,同时预测结果在相同的四种实验形式中基本保持不变。该结果与特征提取实验相结合验证原始特征数据集存在一定冗余性,而基于WPCA的特征选择方法能有效地剔除这些冗余信息,同时使得必需基因预测所需时间变短。(3)基于文本分类方式自动生成特征。传统人工提取基于序列的特征费时费力,寻找新特征非常困难。因此借鉴文本分类方法,经过基因表示、特征词选择和权重生成等方法,批量生成特征。最终仍然采用57维基于序列特征预测实验中所使用的四种预测形式,使用BPNN预测并分析结果。