王彤，薛建新，孔亮亮

（上海第二工業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院，上海201209）

細(xì)菌性病原體內(nèi)病毒蛋白的預(yù)測(cè)和研究

王彤，薛建新，孔亮亮

（上海第二工業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院，上海201209）

確定細(xì)菌性病原體內(nèi)某種未知蛋白質(zhì)是否屬于病毒蛋白非常重要。如果是病毒蛋白，研究其在病原體內(nèi)的致病機(jī)制能有助于設(shè)計(jì)出抗病毒藥物。特別是，近幾年發(fā)現(xiàn)大量的病毒蛋白質(zhì)序列，如果仍用傳統(tǒng)的物理化學(xué)方法去測(cè)定非常困難，找到能自動(dòng)預(yù)測(cè)細(xì)菌性病毒蛋白的方法迫在眉睫。首先采用基因本體論（Gene Ontology，GO）和特定位點(diǎn)記分矩陣（Position-Specific Score Matrix，PSSM）的組合特征表達(dá)方法編碼蛋白質(zhì)序列，接著采用流形學(xué)習(xí)方法對(duì)編碼后的高維蛋白質(zhì)特征向量進(jìn)行維數(shù)約簡(jiǎn)。然后把約簡(jiǎn)后的特征向量，輸入K近鄰（K Nearest Neighbor，KNN）分類器進(jìn)行訓(xùn)練，利用訓(xùn)練好的分類器預(yù)測(cè)未知蛋白是否為病毒蛋白。最后，采用Jackknife測(cè)試方法檢驗(yàn)預(yù)測(cè)準(zhǔn)確率，測(cè)試結(jié)果表明上述方法是十分有效的，能解決細(xì)菌性病原體中病毒蛋白預(yù)測(cè)這個(gè)復(fù)雜的問(wèn)題。

細(xì)菌性病原體；病毒蛋白；預(yù)測(cè)

0　引言

細(xì)菌性病原體（Pathogen）是指能引起疾病的微生物。病原體屬于寄生性生物，一般寄生在動(dòng)植物或人上。一般情況下，病原體利用宿主的身體來(lái)生存和生長(zhǎng)，并且在宿主細(xì)胞內(nèi)增殖，再導(dǎo)致宿主細(xì)胞的正常功能受損，使人體致病。有些細(xì)菌還會(huì)分泌對(duì)寄主有毒的病毒蛋白質(zhì)，導(dǎo)致輕度反應(yīng)如腹瀉，或嚴(yán)重的情況下有致命的影響。

如今，大量的細(xì)菌性病原體基因組被完全測(cè)序。如果采用傳統(tǒng)的實(shí)驗(yàn)方法測(cè)定這些海量的生物數(shù)據(jù)是有限的，并且這些方法的研究規(guī)模小，成本高、耗時(shí)長(zhǎng)、產(chǎn)出低，難以達(dá)到高通量。因此，采用生物信息學(xué)的方法來(lái)預(yù)測(cè)細(xì)菌性病毒蛋白質(zhì)，可以有效地解決傳統(tǒng)實(shí)驗(yàn)方法帶來(lái)的問(wèn)題，同時(shí)有助于提高對(duì)細(xì)菌毒性的認(rèn)識(shí)，以及對(duì)未鑒定的病毒基因的注解和新型抗菌目標(biāo)的開(kāi)發(fā)。傳統(tǒng)生物信息學(xué)主要針對(duì)已知的細(xì)菌性病毒蛋白進(jìn)行BLAST和PSI-BLAST的相似性搜索，來(lái)預(yù)測(cè)未知的細(xì)菌性病毒蛋白，但這種方法無(wú)法發(fā)現(xiàn)新的病毒蛋白。后來(lái)，又提出了采用機(jī)器學(xué)習(xí)算法來(lái)預(yù)測(cè)病毒蛋白質(zhì)。Sachdeva等［1］采用人工神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)未知細(xì)菌性病毒蛋白。Garg和Gupta［2］采用集成支持向量機(jī)（Support Vector Machine，SVM）的方法，即利用不同的支持向量機(jī)分類器訓(xùn)練不同的細(xì)菌性病毒蛋白特征向量，根據(jù)分類器的集成結(jié)果預(yù)測(cè)未知病毒蛋白。Nanni等［3］則提出了另外一種SVM分類器集合的方法預(yù)測(cè)病毒蛋白。最近，Liu等［4］采用二肽組成（Dipeptide Composition，DC）、基于偽氨基酸組成（Pseudo Amino Acid composition，PseAA）和特定位點(diǎn)記分矩陣（Position-Specific Score Matrix，PSSM）等組合特征表達(dá)方法編碼蛋白質(zhì)序列，這樣就可以用這個(gè)序列來(lái)預(yù)測(cè)細(xì)菌性病原體內(nèi)的病毒蛋白。

本文提出一種采用基因本體論（Gene Ontology，GO）［5］序列編碼方法來(lái)預(yù)測(cè)病毒蛋白。GO序列編碼方法雖然比較全面地表達(dá)了蛋白質(zhì)序列的功能信息，但GO方法的計(jì)算復(fù)雜，且對(duì)大多數(shù)未知蛋白無(wú)法計(jì)算其特征表達(dá)向量，此外GO方法依賴于Inter-Pro和GO數(shù)據(jù)庫(kù)的變化，因此不穩(wěn)定。為了解決這一問(wèn)題，本文采用組合特征表達(dá)方法，即將基因本體GO方法與PSSM相結(jié)合［6-7］的方法，并將該方法引入到病毒蛋白質(zhì)的預(yù)測(cè)問(wèn)題中。實(shí)驗(yàn)結(jié)果表明，采用該方法顯著提高了病毒蛋白質(zhì)預(yù)測(cè)的準(zhǔn)確率。但采用這種表達(dá)方法得到的蛋白質(zhì)特征向量的維數(shù)很高，會(huì)帶來(lái)“高維災(zāi)難”，它的直接負(fù)面影響在于會(huì)使預(yù)測(cè)細(xì)菌性病毒蛋白質(zhì)的過(guò)程更加復(fù)雜［8-9］。為了簡(jiǎn)化復(fù)雜的生物系統(tǒng)，本文采用鄰域保持嵌入降維算法（Neighborhood Preserving Embedding，NPE）［10］，從原來(lái)的高維向量中提取維數(shù)較低的關(guān)鍵特征矢量。然后，基于降維后的低維特征向量，采用K近鄰（K Nearest Neighbor，KNN）分類器來(lái)識(shí)別病毒蛋白。采用Jackknife測(cè)試方法的實(shí)驗(yàn)結(jié)果表明，上述方法是非常有效的，能解決復(fù)雜的生物學(xué)問(wèn)題。

1　材料和方法

1.1數(shù)據(jù)集

所用的標(biāo)準(zhǔn)數(shù)據(jù)集取自Garg和Gupta［2］，其中包含一個(gè)訓(xùn)練數(shù)據(jù)集?？梢酝ㄟ^(guò)網(wǎng)站http：//bioinfo.icgeb.res.inlvirulent下載。訓(xùn)練數(shù)據(jù)集包含2 055個(gè)蛋白質(zhì)序列，其中1 025個(gè)為病毒蛋白，1 030個(gè)為非病毒蛋白。

給定一個(gè)待查詢蛋白質(zhì)序列P，為了預(yù)測(cè)它是否是細(xì)菌性病毒蛋白質(zhì)，需要做的第一件重要的事情是采用適當(dāng)?shù)木幋a方法來(lái)表達(dá)它。這個(gè)編碼方法不僅含有盡可能多的序列信息，而且還可以通過(guò)有效的預(yù)測(cè)算法來(lái)處理。序列編碼方法GO就是其中一種。下面，簡(jiǎn)要介紹了GO。

1.2GO序列編碼方法

GO這個(gè)名稱起源于本體論，本體論定義為相關(guān)領(lǐng)域里詞匯之間關(guān)系的規(guī)范化說(shuō)明。換句話說(shuō)，本體論就像是確定條目的集合。同理，GO也旨在建立一個(gè)描述基因和蛋白質(zhì)功能的規(guī)格說(shuō)明。這個(gè)說(shuō)明實(shí)現(xiàn)了在不同數(shù)據(jù)庫(kù)中對(duì)蛋白質(zhì)和基因功能描述的一致性。GO數(shù)據(jù)庫(kù)中用一組條目（GO number）來(lái)描述蛋白，例如，GO：0000001，GO：0000002，GO：0000003等。其中，每個(gè)GO number的含義是3個(gè)相對(duì)獨(dú)立的子本體即生物過(guò)程子本體（Biological Process）、分子功能子本體（Molecular Function）和細(xì)胞組成子本體（Cellular Component）中的一個(gè)。具體的計(jì)算過(guò)程如下［11］：

（1）首先從UniProtKB/Swiss-Prot數(shù)據(jù)庫(kù)中讀取一條蛋白質(zhì)數(shù)據(jù)，至少有一條GO numbers與該蛋白質(zhì)對(duì)應(yīng)。由于蛋白質(zhì)具有多個(gè)生物功能，或者蛋白質(zhì)參與多個(gè)生物過(guò)程，所以UniProtKB/Swiss-Prot和GO之間的對(duì)應(yīng)是一對(duì)多的。

（2）由于GO數(shù)據(jù)庫(kù)中的GO number是雜亂無(wú)序的，所以要將其重新排序，重新排序后的GO數(shù)據(jù)庫(kù)，記為

（3）對(duì)于一條給定的蛋白質(zhì)P，搜索UniProtKB/Swiss-Prot數(shù)據(jù)庫(kù)，將其映射到，如果能找到則配對(duì)成功，令該為1，否則為0，即蛋白質(zhì)P可以表示為

式中，

由上述步驟可將蛋白質(zhì)序列表示為3 140維特征向量。

1.3PSSM序列編碼方法

PSSM序列編碼方法引入了蛋白質(zhì)序列的進(jìn)化信息，因此它對(duì)蛋白質(zhì)特征的描述更加全面。一條蛋白質(zhì)通過(guò)采用該序列編碼方法，可表示為420維的特征向量：

人體內(nèi)有多種蛋白質(zhì)，蛋白質(zhì)又由多種氨基酸組成，氨基酸的種類有20種，每一種都對(duì)應(yīng)一個(gè)字母，采用1，2，···，20的下標(biāo)來(lái)表示每一個(gè)字母。式（3）中PPSSM-420矩陣的前面20項(xiàng)可通過(guò)計(jì)算PPSSM中每一列的平均分?jǐn)?shù)得到，PSSM矩陣可以表示為［8］

蛋白質(zhì)P的長(zhǎng)度為N，PPSSM矩陣中Ai→j表示蛋白質(zhì)序列P的第i-th個(gè)位置的氨基酸進(jìn)化為第j種氨基酸時(shí)得到的分?jǐn)?shù)（i，j=1，2，···，20）。20仍然代表氨基酸的種類［9］。

式（3）中PPSSM-420的行向量S1，S2，···，S400是由一個(gè)20×20的矩陣PPSSM-20×20按照從上到下、從左到右的順序轉(zhuǎn)變而來(lái)的，將PPSSM中對(duì)應(yīng)于20種氨基酸的值分別求和即得一個(gè)20×20的矩陣

本文采用一種組合蛋白質(zhì)序列編碼方法來(lái)表達(dá)蛋白質(zhì)序列，即采用GO算法和PSSM算法相組合的方法。蛋白質(zhì)序列經(jīng)過(guò)編碼后變?yōu)橐粋€(gè)3 140+420=3 560維的向量。該特征向量維數(shù)較高，這會(huì)導(dǎo)致病毒蛋白的預(yù)測(cè)問(wèn)題復(fù)雜化。本文提出了采用NPE的方法來(lái)解決上述問(wèn)題。

1.4NPE降維算法

NPE算法為局部線性嵌入（Locally Linear Embedding，LLE）算法的線性近似，其基本思想是尋找原始變量空間中隱藏的低維流形信息，并在降維的同時(shí)保留樣本空間的局部流形結(jié)構(gòu)［10］。給定m維訓(xùn)練數(shù)據(jù)點(diǎn)集X（x1，···，xn）∈Rm，首先對(duì)每個(gè)樣本點(diǎn)構(gòu)建鄰域集。NPE假定每個(gè)局部近鄰都是線性的，因此每個(gè)樣本都可以通過(guò)它的k個(gè)最近鄰樣本進(jìn)行線性重構(gòu)。重構(gòu)系數(shù)矩陣w可以通過(guò)最小化下式的重構(gòu)損失函數(shù)實(shí)現(xiàn)：

作為一種線性降維算法，NPE算法的目標(biāo)是尋找一組投影向量a，組成投影矩陣A（a1，···，ad）∈Rm×d，使得原始數(shù)據(jù)集投影到低維空間Y（y1，···，yn）∈Rd（d＜m）后，低維空間數(shù)據(jù)具有與原始空間相似的局部幾何結(jié)構(gòu)。即低維鄰近點(diǎn)能夠較好地反映出高維空間中樣本點(diǎn)的重構(gòu)關(guān)系，如果wij重構(gòu)數(shù)據(jù)點(diǎn)xi，則它也可以在低維空間中重構(gòu)其對(duì)應(yīng)的投影數(shù)據(jù)yi。通過(guò)最小化式（5）得到的權(quán)重矩陣w，投影矩陣A可以通過(guò)求解如下的極小值問(wèn)題得到：約束條件為：yTy=aTXXTa=I，其中I為單位矩陣。

利用拉格朗日乘子法來(lái)求解以上優(yōu)化問(wèn)題，式（6）可以轉(zhuǎn)化為如下的廣義特征值求解問(wèn)題，即：

式中，M=（I-w）T（I-w）是對(duì)稱半正定矩陣，λ是特征值向量。求解式（7）中最小的d個(gè)特征值所對(duì)應(yīng)的特征向量，這些特征向量組成投影矩陣A=［a1···ad］?；谏鲜霾襟E，原始高維數(shù)據(jù)的局部空間幾何結(jié)構(gòu)特征在低維空間得到了有效地保留。NPE算法實(shí)現(xiàn)了原樣本集中的近鄰點(diǎn)在低維空間的投影仍然是近鄰，同時(shí)低維空間中的鄰域結(jié)構(gòu)還與原來(lái)相似。

2　結(jié)果與討論

采用NPE算法從3560-D蛋白質(zhì)特征向量中提取出最重要的特征向量，經(jīng)過(guò)運(yùn)算最終得到240維重要的特征向量。然后把這些特征向量輸入KNN分類器進(jìn)行訓(xùn)練，最后用訓(xùn)練好的KNN分類器來(lái)預(yù)測(cè)未知病毒蛋白。

表1所用的標(biāo)準(zhǔn)數(shù)據(jù)集取自Garg和Gupta［2］。采用Jackknife方法來(lái)測(cè)試本文提出方法的預(yù)測(cè)準(zhǔn)確率。為了便于比較，表1還列出了沒(méi)有采用NPE算法直接在3560維特征向量上預(yù)測(cè)病毒蛋白的準(zhǔn)確率。從表中可以看出，采用本文提出的方法預(yù)測(cè)病毒蛋白可以獲得超過(guò)85%的準(zhǔn)確率，比沒(méi)有采用NPE降維算法得到的預(yù)測(cè)準(zhǔn)確率高約18%。實(shí)驗(yàn)結(jié)果表明，通過(guò)降維將冗余信息去掉了，同時(shí)原始數(shù)據(jù)中有用的信息被保留了下來(lái)。預(yù)測(cè)系統(tǒng)得到簡(jiǎn)化的同時(shí)還提高了分類準(zhǔn)確率。

表1　采用不同的方法預(yù)測(cè)病毒蛋白質(zhì)的Jackknife準(zhǔn)確率Tab.1The Jackknife success rates for virulent protein prediction by different methods

從表2可以看出，通過(guò)組合序列編碼方法得到的預(yù)測(cè)準(zhǔn)確率比單一序列編碼方案得到的預(yù)測(cè)準(zhǔn)確率高。同時(shí)，采用NPE算法后獲得的預(yù)測(cè)準(zhǔn)確率都高于那些沒(méi)有采用NPE的方法獲得的預(yù)測(cè)準(zhǔn)確率?？傊?，結(jié)果表明，預(yù)測(cè)準(zhǔn)確率在同時(shí)采用組合編碼方法和NPE降維算法時(shí)取得最高。

表2　采用不同的序列編碼方法在原始高維向量和經(jīng)過(guò)NPE約簡(jiǎn)后的240維向量上預(yù)測(cè)病毒蛋白質(zhì)的Jackknife測(cè)試結(jié)果比較Tab.2The Jackknife Success Rates for virulent proteins prediction by using the original high dimensional vector（3560-D）and dimension-reduced vector（240-D）with two different sequence encoding schemes

同時(shí)，基于NPE算法得到的不同維數(shù)下的預(yù)測(cè)準(zhǔn)確率如圖1所示。當(dāng)?shù)鞍踪|(zhì)特征向量的維數(shù)降為240維時(shí)得到的預(yù)測(cè)準(zhǔn)確率最高。

圖1　針對(duì)蛋白質(zhì)特征向量采用NPE方法降到不同維數(shù)的Jackknife預(yù)測(cè)準(zhǔn)確率比較結(jié)果Fig.1 A plot to show the overall Jackknife success rates for the protein descriptors with different dimensions generated by NPE

此外，KNN分類器中的一個(gè)參數(shù)最近鄰數(shù)K需要調(diào)整，K的取值大小會(huì)影響分類的性能?；诓煌琄下的預(yù)測(cè)準(zhǔn)確率如圖2所示，可以看出：采用KNN分類算法，在約簡(jiǎn)后的240維向量上，當(dāng)K等于1時(shí)預(yù)測(cè)準(zhǔn)確率最高；在原始高維向量上，預(yù)測(cè)準(zhǔn)確率最大值也在K等于1時(shí)取得。

圖2　在原始高維向量和經(jīng)過(guò)約簡(jiǎn)后的240維向量上采用KNN方法當(dāng)K取不同值時(shí)的Jackknife預(yù)測(cè)準(zhǔn)確率比較Fig.2 A plot to show the overall Jackknife success rates obtained by KNN based on the original 3560-D vector and dimension-reduced 240-D vector with different K

3　結(jié)語(yǔ)

本文中所提出的方法在預(yù)測(cè)病毒和非病毒的蛋白質(zhì)方面是非常有效的。現(xiàn)有的預(yù)測(cè)主要集中在尋找最佳的分類方案。與傳統(tǒng)的方法不同，本文提出的方法以簡(jiǎn)化生物系統(tǒng)的復(fù)雜性為主。在本文中，應(yīng)用NPE降維算法從高維空間中提取維數(shù)較低的關(guān)鍵特征向量，然后基于降維后的特征向量再利用KNN分類器來(lái)預(yù)測(cè)其是否為病毒蛋白。結(jié)果表明，該方法不但降低了預(yù)測(cè)未知病毒蛋白的復(fù)雜性，而且還提高了預(yù)測(cè)的準(zhǔn)確率。

［1］SACHDEVAG，KUMARK，JAINP，etal.SPAAN：Asoftware for prediction of adhesins and adhesin-like proteins using neural networks［J］.Bioinformatics，2005，21（4）：483-491.

［2］GARG A，GUPTA D.VirulentPred：A SVM based prediction method for virulent proteins in bacterial pathogens［J］. Bmc Bioinjormatics，2008，9（2）：62-73.

［3］NANNI L，LUMINI A.An ensemble of support vector machines for predicting virulent proteins［J］.Expert Systems with Applications an International Journal，2009，36（4）：7458-7462.

［4］LIU B，ZHU W，LI B，et al.A combination of feature extraction methods with an ensemble of support vector machines for bacterial virulent proteins prediction［J］.Journal of Computational and Theoretical Nanoscience，2015，12（8）：1813-1817.

［5］WANG X，ZHANG J，LI G.Multi-location gram-positive and gram-negative bacterial protein subcellular localization using gene ontology and multi-label classifier ensemble［J］.Bmc Bioinformatics，2015，16（suppl 12）：1-7.

［6］JONES D.Protein secondary structure prediction based on position-specific scoring matrices［J］.Journal of Molecular Biology，1999，292（2）：195-202.

［7］ALTSCHUL S，MADDEN T，SCHAFFER A，et al. Gapped BLAST and PSI-BLAST：A new generation of protein database search programs［J］.Nucleic Acids Research，1997，25（17）：3389-3402.

［8］王彤，楊志珍，曹曉夏.基于線性降維方法的蛋白質(zhì)四級(jí)結(jié)構(gòu)類型預(yù)測(cè)［J］.上海第二工業(yè)大學(xué)學(xué)報(bào)，2013，30（1）：12-17.

［9］王彤，薛建新，譚文安.利用半監(jiān)督降維算法預(yù)測(cè)蛋白質(zhì)亞細(xì)胞位置［J］.上海第二工業(yè)大學(xué)學(xué)報(bào)，2015，32（3）：260-265.

［10］HE X，CAI D，YAN S，et al.Neighborhood preserving embedding［C］//Proceedings of the 10th IEEE International Conference on Computer Vision.Beijing：IEEE Press，2005：1208-1213.

［11］王彤.高維生物數(shù)據(jù)的分類與預(yù)測(cè)研究［D］.上海：上海交通大學(xué)，2009.

The Prediction and Research of Virulent Protein in Bacterial Pathogens

WANG Tong，XUE Jianxin，KONG Liangliang
（School of Computer and Information Engineering，Shanghai Polytechnic University，Shanghai 201209，P.R.China）

It is very important to determine whether some unknown proteins belong to virulent proteins in bacterial pathogens or not. If it is a virulent protein，the study of the pathogenesis of the pathogen can be helpful to design antiviral drugs.In particular，a large number of virulent protein sequences have been discovered in recent years.It is difficult to still use the traditional methods of physical and chemical to determine.To find a way to automatically predict the bacterial virulent protein is imminent.Firstly，a fusion feature extraction method by combining GO（Gene Ontology）and PSSM（Position-Specific Score Matrix）is adopted to represent the features of proteins.The dimension reduction of high dimensional feature vector of encoded is carried out by using the manifold learning method. The reduced feature vector is input to KNN（K Nearest Neighbor）classifier to train，then to predict whether the unknown protein is a virulent protein by the trained classifier.Finally，Jackknife test method was used to test the accuracy of prediction.The results show that the method is very effective and can solve the complex problem of prediction of virulent protein in bacterial pathogens.

bacterial pathogens；virulent protein；prediction

TP391；Q617

A

1001-4543（2016）03-0231-05

2016-01-11

王彤（1981-），女，山西太原人，副教授，博士，主要研究方向?yàn)閿?shù)據(jù)挖掘、生物信息處理。電子郵箱wangtong@sspu.edu.cn。

國(guó)家自然科學(xué)基金（No.61301249，No.61272036）、上海市自然科學(xué)基金（No.15ZR1417000）資助