基于机器学习的酵母ncRNA预测研究

论文摘要

现有研究表明，基因组中存在大量的非编码RNA（ncRNA），在基因表达调控等方面发挥重要作用。如何利用生物信息学手段发现ncRNA，从而为用实验手段发现ncRNA提供帮助已成为生物信息学的研究热点之一。为此，本研究以酵母基因组为研究对象，以k-tuple组成为特征变量，运用机器学习方法系统研究了酵母基因组中ncRNA的预测问题。首先，构建用于机器学习的训练集与测试集，利用90条位于基因间区中的ncRNA作为阳性数据集，并提取出其上游和下游各1000nt的序列。为了构建阴性数据集，从酵母基因组中提取了功能注释比较清晰的4058个蛋白编码基因，为了保持阳性与阴性数据集中序列数目的平衡，我们以成熟mRNA蛋白编码区的3-tuple含量与上游和下游1000nt序列的4-tuple含量为特征进行聚类去冗余，将获得的90个代表样本点作为阴性数据集。最终从阳性和阴性数据中各随机抽取出80个序列作为训练集，余下的序列作为测试集。其次，利用Na（?）ve Bayes和SVM方法构建分类器，结果如下：1、以ncRNA序列和蛋白编码基因编码区的3-tuple含量为特征构建分类器，基于Na（?）ve Bayes方法的训练集精度为85％，测试集精度为90％；基于SVM方法的训练集精度为98.75％，测试集精度为90％。2、利用ncRNA和蛋白编码基因起始密码子上游4-tuple含量构建分类器，基于Na（?）ve Bayes方法的训练集精度为93.73％，测试集精度为75％；基于SVM方法的训练集精度为100％，测试集精度为90％。3、利用ncRNA和蛋白编码基因终止密码子下游4-tuple含量构建分类器，基于Na（?）ve Bayes方法的训练集精度为93.75％，测试集精度为85％；基于SVM方法的训练集精度为100％，测试集精度为90％。最后，鉴于SVM方法给出的测试集分类精度要高于Na（?）ve Bayes方法给出的分类精度，我们利用SVM方法构建的分类器在酵母基因间区中进行扫描，最终得到7469条预测的ncRNA序列，其中包含了已知的76条ncRNA，占基因间区的酵母ncRNA的84.4％（76／90），为酵母基因组中ncRNA的实验发现提供了生物信息学支持，也为其它物种基因组中的ncRNA发现提供了方法学参考。

论文目录

• 目录
• 中文摘要
• 英文摘要
• 英文缩略语词表
• 引言
• 第一部分 数据来源及特征提取
• 1.数据来源
• 2.特征提取
• 3.数据集的选取
• 第二部分 分类器的构建
• 1.Na（?）ve Bayes方法构建分类器
• 自身序列
• 上游序列
• 下游序列
• 2.SVM方法构建分类器
• 自身序列
• 上游序列
• 下游序列
• 3.特征分析
• t-检验分析
• 贡献值分析
• 第三部分 ncRNA的全基因组预测
• 1.方法
• 2.结果
• 第四部分 讨论
• 第五部分 总结
• 参考文献
• 致谢
• 发表论文
• 附录
• 硕士期间投出文章
• 硕士期间获得的奖励