基于蛋白質(zhì)序列的癌癥驅(qū)動突變預測方法研究.pdf

1、生物信息學是利用數(shù)學、信息學、統(tǒng)計學和計算機科學的方法研究生物學問題。癌癥生物信息學從信息角度來研究腫瘤的生物學。癌癥是一種涉及基因組動態(tài)變化的疾病，錯義突變構(gòu)成了人類基因組的大部分的變異。錯義突變被鑒定出的數(shù)目隨著技術(shù)的進步和基因組測序方法成本降低增加了很多。然而，癌癥基因組中有很大一部分氨基酸置換對腫瘤的進展有很少或沒有影響，這些就是所謂的“乘客突變”。另外一部分則對腫瘤的發(fā)生與發(fā)展至關(guān)重要，稱為“驅(qū)動突變”。驅(qū)動突變對了解癌癥的發(fā)

2、生與發(fā)展的分子機制非常重要，人們通過這些機制可以有針對性的對病人進行有效的治療。目前，對這方面的研究方法非常多，本文使用的是機器學習算法。
　　首先，需要對蛋白質(zhì)序列進行特征編碼?；诘鞍踪|(zhì)序列特征提取的方法層出不窮，對蛋白質(zhì)序列特征編碼需要廣泛的資源。針對氨基酸殘基的理化屬性、結(jié)構(gòu)信息、功能信息、進化屬性等信息，本文基于2-gram編碼與6-letter交換群編碼組合方法、氨基酸殘基改變值和氨基酸殘基替換分值方法進行特征提取。提

3、取的特征越有代表性，預測結(jié)果越精確。
　　其次，前述方法獲取的特征往往維數(shù)較高，通常有一定的冗余性。特征選擇是模式識別領(lǐng)域關(guān)鍵性的數(shù)據(jù)預處理步驟，其結(jié)果直接影響著后續(xù)分類器的預測精度和泛化性能。本文提出基于最小絕對值壓縮與選擇算法(Lasso)對驅(qū)動突變特征矩陣進行特征選擇。Lasso是一種基于一范式懲罰回歸求最優(yōu)解的特征選擇方法。另外，本文對每個特征進行權(quán)重計算，根據(jù)權(quán)重大小索引依次加入特征子集以選擇出最優(yōu)特征子集來實現(xiàn)特征選擇

4、。與其他算法相比，Lasso不僅能夠準確地選擇出與類標簽強相關(guān)的變量，同時還具有特征選擇的穩(wěn)定性。
　　最后，對這些特征子集用機器學習算法來訓練模型。為了獲得最好的分類性能，本文使用隨機森林(random forest)、旋轉(zhuǎn)森林(rotation forest)、極限學習機（extreme learning machine）以及支持向量機(support vector machine)等多種分類器來預測驅(qū)動突變，然后將這幾種分類