試論基于支持向量機(jī)的枯草桿菌啟動(dòng)子預(yù)測(cè)技術(shù)

胡 震

（景德鎮(zhèn)陶瓷大學(xué)，江西 景德鎮(zhèn) 333000）

枯草桿菌是革蘭氏陽(yáng)性菌中比較有代表性的模式生物，啟動(dòng)子作為RNA聚合酶結(jié)合的靶序列，其預(yù)測(cè)和分析對(duì)于研究枯草桿菌的基因序列關(guān)系有著非常重要的作用。利用高精度的預(yù)測(cè)算法能夠有效地補(bǔ)充傳統(tǒng)實(shí)驗(yàn)中對(duì)于枯草桿菌的相關(guān)研究。支持向量機(jī)在解決小樣本、非線(xiàn)性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，因此，利用支持向量機(jī)的方法展開(kāi)針對(duì)枯草桿菌的啟動(dòng)子預(yù)測(cè)和分析，正是文章探討的中心內(nèi)容。

1 研究的重要意義

枯草桿菌（又名枯草芽孢桿菌）雖然是革蘭氏陽(yáng)性菌中比較典型的一種菌株，但是應(yīng)用其制備發(fā)酵制品的時(shí)候，該菌株是非致病的。又因?yàn)槠渚邆渥陨砗铣上悦割?lèi)（如蛋白酶、纖維素酶），可以在消化道中與內(nèi)源酶發(fā)生共生作用，合成多種維生素，提高和人動(dòng)物體內(nèi)的干擾素和巨噬細(xì)胞活性的諸多特點(diǎn)，美國(guó)的FDA和中國(guó)農(nóng)業(yè)部等相關(guān)部門(mén)都認(rèn)可批準(zhǔn)其是安全級(jí)的食品菌株。有相關(guān)研究表明，枯草桿菌可以改善血清總膽紅素值，能夠用于治療新生兒的母乳性黃疸和子宮肌瘤等婦幼疾病。因此，把枯草桿菌作為一種益生菌積極應(yīng)用進(jìn)入醫(yī)療衛(wèi)生行業(yè)，能夠有效提高人類(lèi)的生命質(zhì)量，維護(hù)人類(lèi)健康。

而要想把枯草桿菌進(jìn)行大規(guī)模的工業(yè)開(kāi)發(fā)，基因工程技術(shù)的應(yīng)用就顯得尤為重要。啟動(dòng)子是基因表達(dá)中的一個(gè)重要調(diào)控序列，能夠在DNA轉(zhuǎn)換成RNA時(shí)發(fā)揮重要的作用，按照克拉克提出的中心法則，DNA轉(zhuǎn)換成RNA再轉(zhuǎn)換成蛋白質(zhì)，從這個(gè)鏈條來(lái)看，啟動(dòng)子發(fā)揮的作用顯而易見(jiàn)，它就像是一個(gè)“開(kāi)關(guān)”，決定基因的活動(dòng)走向，而當(dāng)中的組織特異性啟動(dòng)子，能夠?yàn)獒t(yī)學(xué)上特殊疾病的靶向治療提供實(shí)現(xiàn)的可能?？莶輻U菌的毒素和亞基（SUBA）結(jié)合，能夠摧毀葡萄糖調(diào)節(jié)蛋白78的結(jié)構(gòu)（GRP78），誘導(dǎo)細(xì)胞凋亡，結(jié)合前文所描述的該菌株的其他作用，枯草桿菌作為抗癌藥物的生產(chǎn)能夠有效支持面向惡性腫瘤的靶向治療?；谥С窒蛄繖C(jī)的枯草桿菌啟動(dòng)子預(yù)測(cè)技術(shù)的研究開(kāi)展，就是為了挖掘出枯草桿菌的臨床應(yīng)用區(qū)域，更好地為人類(lèi)的健康事業(yè)服務(wù)。

2 同類(lèi)研究的國(guó)內(nèi)外現(xiàn)狀分析

對(duì)于枯草桿菌的研究，早在100多年前就已經(jīng)開(kāi)始涉及。主要的研究?jī)?nèi)容大都聚焦在形態(tài)功能觀察和功能鑒定等方面，近40年來(lái)，與之相關(guān)的生理、生化、遺傳及分子生物學(xué)的研究陸續(xù)積極展開(kāi)。尤其，隨著分子生物學(xué)和基因工程的快速發(fā)展，其作為基因工程表達(dá)系統(tǒng)發(fā)展迅速，并展現(xiàn)出良好的應(yīng)用前景。因此總的來(lái)說(shuō)，在生物信息學(xué)方面，國(guó)內(nèi)外的研究水平都處于逐年升高的趨勢(shì)。

在啟動(dòng)子研究方面，啟動(dòng)子序列克隆的多種方法促進(jìn)了啟動(dòng)子分離技術(shù)的突飛猛進(jìn)，各類(lèi)型的啟動(dòng)子不斷得到提取，利用生物信息學(xué)方法來(lái)預(yù)測(cè)啟動(dòng)子的功能屬性也得到了相對(duì)廣 泛 的 應(yīng) 用 ，Core Promoter、Promoter 2.0、Mat Inspector、Tf site scan、Sigscan、Tf search和Consite等相應(yīng)軟件也不斷研發(fā)出來(lái)，并投入到實(shí)際的應(yīng)用當(dāng)中。倪偉明等利用Neural network promoter prediction在糞腸球菌基因組中預(yù)測(cè)了乳酸脫氫酶和三磷酸甘油醛脫氫酶的啟動(dòng)子序列，并證明其具有啟動(dòng)活性；蘇紅等分析了牛Gt12基因的側(cè)翼序列，找到其潛在的啟動(dòng)子序列，并成功克隆出牛Gt12基因的啟動(dòng)子序列；中國(guó)計(jì)量學(xué)院學(xué)者利用支持向量機(jī)技術(shù)開(kāi)發(fā)了預(yù)測(cè)人類(lèi)核心啟動(dòng)子的系統(tǒng)。

國(guó)外方面，相較于國(guó)內(nèi)更偏重于特異性啟動(dòng)子預(yù)測(cè)的研究，國(guó)外會(huì)比較偏重于共性的啟動(dòng)子預(yù)測(cè)研究。從主要成型的技術(shù)成果來(lái)看，包括了ANN技術(shù)（基于人工神經(jīng)網(wǎng)絡(luò)）、SVM技術(shù)（基于支持向量機(jī)）、PWM技術(shù)（基于位置權(quán)值矩陣）和QDA技術(shù)（基于二次判別分析）。其中，文章論述的支持向量機(jī)就是Vapnik等人在1995年提出來(lái)的；Rajeev Gangal等人就利用該項(xiàng)技術(shù)開(kāi)發(fā)了預(yù)測(cè)人類(lèi)RNA聚合酶II的啟動(dòng)子工具Prometheus。

3 研究擬解決的主要問(wèn)題

啟動(dòng)子作為基因的組成部分，包含范圍非常之廣，所以要預(yù)測(cè)啟動(dòng)子并不是一件容易的事。為了最大化利用支持向量機(jī)的特點(diǎn)進(jìn)行預(yù)測(cè)，首先需要解決的是將枯草桿菌轉(zhuǎn)錄調(diào)控?cái)?shù)據(jù)庫(kù)DBTBS中收集到的枯草桿菌啟動(dòng)子數(shù)據(jù)的特征提取的問(wèn)題，從而獲得含枯草桿菌啟動(dòng)子信息的特征向量，最后在利用支持向量機(jī)對(duì)特征向量進(jìn)行訓(xùn)練和判別。該方法解決了一般的啟動(dòng)子預(yù)測(cè)模型在數(shù)據(jù)上的準(zhǔn)確度不高以及適用范圍局限性的問(wèn)題。這不僅是機(jī)器學(xué)習(xí)算法與生物模型的一次結(jié)合應(yīng)用，更是利用智能算法對(duì)傳統(tǒng)預(yù)測(cè)的一次有益嘗試。

4 研究實(shí)施的方案

在充分利用了啟動(dòng)子序列區(qū)域的全局組成特征、局部信號(hào)特征以及結(jié)構(gòu)特征的基礎(chǔ)上，首先選取適當(dāng)?shù)奶卣髂Ｐ头謩e計(jì)算各個(gè)特征得分，再將特征得分組合成高維特征向量，繼而在特征空間中利用SVM對(duì)向量進(jìn)行訓(xùn)練和判別，對(duì)枯草桿菌實(shí)際數(shù)據(jù)集的測(cè)試結(jié)果表明，研究提出的算法可以對(duì)啟動(dòng)子進(jìn)行有效的預(yù)測(cè)，并對(duì)多類(lèi)啟動(dòng)子有廣泛的適用性。

針對(duì)上述的幾個(gè)問(wèn)題，本課題的研究將分步驟進(jìn)行，在研究過(guò)程中，將跟蹤近些年比較先進(jìn)的研究理論和方法。此外，文章中所需要的數(shù)據(jù)都可以從權(quán)威的數(shù)據(jù)庫(kù)中下載，這為本次研究提供了便利條件。

本次項(xiàng)目研究路線(xiàn)圖如圖1所示：

圖1 研究方案路線(xiàn)圖

5 研究可行性論證

孟玲玲于2015年提出了“基于支持向量機(jī)的組合預(yù)測(cè)模型及其應(yīng)用研究”并進(jìn)行了詳細(xì)的描述，具有充分的理論支持。由于文章所采用的數(shù)據(jù)主要從枯草桿菌轉(zhuǎn)錄調(diào)控?cái)?shù)據(jù)庫(kù)DBTBS中收集整理而來(lái)，是目前已被實(shí)驗(yàn)證實(shí)的枯草桿菌啟動(dòng)子數(shù)據(jù)，具有一定的準(zhǔn)確性和權(quán)威性，這也為文章中的模型建立打下了良好的基礎(chǔ)。

在DNA序列特征提取上將采用如下方法：DNA序列是由4種堿基所組成，一個(gè)長(zhǎng)度為蘊(yùn)的序列表示如下：

對(duì)該序列進(jìn)行統(tǒng)計(jì)分析可得到堿基成分（nucleotides composition，NC）以及K聯(lián)體成分（K-NC），這些成分可作為序列特征以反映序列中各種堿基的分布情況，但是僅僅用這些成分來(lái)表達(dá)序列會(huì)造成序列的順序信息和物理化學(xué)特性的丟失，由此引入了偽堿基成分（PseNC）的概念，偽堿基成分的引入已經(jīng)被證明可以顯著提高DNA序列屬性的預(yù)測(cè)效果。在提取堿基成分時(shí)，首先根據(jù)堿基的物理化學(xué)屬性指標(biāo)對(duì)DNA序列作數(shù)字編碼，假設(shè)Hi（i=1，2，3，4）為4種堿基的某種物理化學(xué)屬性值（attribute value），據(jù)此將DNA序列的每個(gè)堿基殘基一一對(duì)應(yīng)地轉(zhuǎn)化成數(shù)值，表示為［H（R1），H（R2），…，H（R蘊(yùn)）］，對(duì)該數(shù)字信號(hào)流可以做傅里葉分析和小波分析，以獲取在不同層面和不同尺度下的物理化學(xué)信息。經(jīng)過(guò)以上步驟，DNA序列就可以被表達(dá)為高維特征空間里的一個(gè)點(diǎn)，或者說(shuō)向量：

本研究還嘗試提出一種新的特征提取方法，即構(gòu)造堿基序列物理化學(xué)屬性矩陣（PCM）。采用10種生物物理化學(xué)實(shí)驗(yàn)中已測(cè)知的堿基物理化學(xué)屬性，如水解性、酸堿性、分子重量、分子體積等，將不同尺度下的物理化學(xué)屬性值做標(biāo)準(zhǔn)化：

再根據(jù)標(biāo)準(zhǔn)化后的物理化學(xué)屬性對(duì)堿基序列編碼成如下形式：

從矩陣（圖像）中提取的描述子可以反映序列的多種物理化學(xué)信息，如采用統(tǒng)計(jì)學(xué)里的自相關(guān)與互相關(guān)協(xié)方差算法：

通過(guò)上述的特征提取步驟，任意一條DNA序列都可以映射到高維特征空間中的一個(gè)點(diǎn)，即一個(gè)高維特征向量。但是，這些特征中可能有很多特征與要解決的分類(lèi)問(wèn)題關(guān)系并不密切，他們?cè)诤罄m(xù)的分類(lèi)器設(shè)計(jì)中可能會(huì)影響分類(lèi)器的性能。另一方面，有時(shí)即使很多特征都與分類(lèi)關(guān)系密切，但是特征過(guò)多會(huì)帶來(lái)計(jì)算量大、推廣能力差等問(wèn)題。這時(shí)就需要進(jìn)行特征選擇以降低特征空間維數(shù)。由于選擇的空間很大且對(duì)特征間的關(guān)系缺乏認(rèn)識(shí)，因此嘗試使用遺傳算法進(jìn)行特征選擇。遺傳算法雖然不能保證收斂到全局最優(yōu)解，但是在多數(shù)情況下至少得到很好的次優(yōu)解。

6 結(jié)語(yǔ)

科技改變生活，創(chuàng)新推動(dòng)發(fā)展?；谥С窒蛄繖C(jī)的枯草桿菌啟動(dòng)子預(yù)測(cè)技術(shù)的研發(fā)對(duì)于推動(dòng)基因工程開(kāi)展，完善生物技術(shù)發(fā)展都有著十分積極的意義?？梢哉f(shuō)，結(jié)合支持向量機(jī)在高維識(shí)別中表現(xiàn)出來(lái)的獨(dú)有優(yōu)勢(shì)，并且充分利用了啟動(dòng)子序列區(qū)域的全局組成特征、局部信號(hào)特征以及結(jié)構(gòu)特征，開(kāi)發(fā)出一種面向枯草桿菌的啟動(dòng)子分類(lèi)預(yù)測(cè)器，通過(guò)文章的論證，證明其確有一定的社會(huì)價(jià)值和實(shí)現(xiàn)的可能。

［1］ 杜耀華，倪青山，王正志.基于支持向量機(jī)的枯草桿菌啟動(dòng)子預(yù)測(cè)方法［J］.生命科學(xué)研究，2005，（12）：319-326.

［2］ 匡琳.支持向量機(jī)在文本分類(lèi)中的應(yīng)用的概述［J］.科技資訊，2008，（36）.

［3］ 孫吉貴，韓霄松，盧欣華，等.真核生物啟動(dòng)子的預(yù)測(cè)技術(shù)［J］.計(jì)算機(jī)科學(xué)，2009，（1）：5-7.

［4］ 劉開(kāi)泉.利用原核系統(tǒng)表達(dá)富含二硫鍵蛋白質(zhì)的探索與改進(jìn)［D］.泰安：山東農(nóng)業(yè)大學(xué)，2011.

［5］ 孫吉貴，韓霄松，盧欣華，等.真核生物啟動(dòng)子的預(yù)測(cè)技術(shù)［J］.計(jì)算機(jī)科學(xué)，2009，（1）：5-7.