基于改進PCA的蛋白質O-糖基化位點的預測

摘要：提出了改進的主成分分析（IPCA）的方法，結合支持向量機（SVM）對蛋白質O-糖基化位點進行預測。IPCA克服了傳統主成分分析（PCA）尋找全局主要成分的不足，對類內樣本進行加權，在保護局部結構的前提下，消除了變量之間的相關性，提取出具有局部特征的主要成分。然后，在特征空間中用SVM進行分類（預測）。實驗結果表明，IPCA+SVM方法是預測糖基化位點行之有效的方法。

Abstract： To improve the prediction accuracy of O-glycosylation sites， a new method of improved principle component analysis （IPCA） was proposed. At first， next the feature of the original data were extracted by IPCA， IPCA protects the local structure of multimodal data by weighting the data in the same class; then the prediction（classification） was done in feature space by Support Vector Machines（SVM）. The results indicate that the performance of IPCA+SVM is viable and effect.

關鍵詞：預測;蛋白質;改進主成分分析;SVM

Key words：prediction;protein;improved principal component analysis（IPCA）;Support Vector Machine（SVM）

中圖分類號：TP391.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2018）36-0194-03

0? 引言

糖基化是指在酶的作用下將糖轉移至蛋白質，和蛋白質上的氨基酸殘基形成糖苷鍵的過程。糖基化是對蛋白質的重要修飾，有調節、改良蛋白質功能的作用。蛋白質的糖基化程度和糖鏈結構的異常變化是癌癥及其他疾病發生的標志之一[1]。因此，預測糖基化位點重要意義。

糖基化有多種形式，其中的O-糖基化發生在絲氨酸殘基（S）或蘇氨酸殘基（T）的羥基氧上[1]。本文將對O-糖基化位點進行預測，即預測一個含有S或T的氨基酸序列是否帶有糖鏈。

目前，用來進行預測的方法有人工神經網絡（ANN）[2]、支持向量機（SVM）[3]以及一些特征提取的方法[4-6]，都取得了較好的預測效果。

在特征提取的方法中，FDA和PCA所提取的特征都是全局特征，當數據是多模態時，效果就不能令人滿意。多模態是指在同一類中樣本數據又形成幾個“簇”，即“類內多模態”。這種情況在實際應用中經常可以觀測到，比如，引起某種疾病的原因有多種，因而癥狀就有多種，該疾病的樣本數據就是多模態的;用二分類的方法解決多分類問題時也會誘導出“類內多模態”問題。在糖基化位點預測的問題中，可以將樣本分為“糖基化”和“非糖基化”兩類，而“糖基化”這一類又包括“糖基化S”和“糖基化T”，“非糖基化”這一類又包括“非糖基化S”和“非糖基化T”，顯然數據是多模態的。

由于FDA和PCA關注全局特征的提取，而忽略了局部結構的保護，在訓練過程中，可能會造成一定的過擬合從而誤判。Sugiyama[7]改進了FDA，結合局部保護映射（LPP）和FDA的思想，提出了局部Fisher（LFDA）的方法，對于同類的樣本，根據樣本之間的“親密度”賦予它們不同的“權重”，有效地保護了局部結構，成功地解決了FDA分類時的多模態問題。受到LFDA的啟發，在本文中，提出了改進的主成分分析的方法（IPCA），在計算樣本的協方差矩陣時，對于同類樣本根據其“親密度”賦予相應的“權重系數”，對改進后的協方差矩陣進行分析，提取其特征向量，從而得到具有局部結構的特征，再在特征域用支持向量機（SVM）分類，得到了較好的分類效果。

本文結構如下：第一節介紹蛋白質序列數據與編碼;第二節描述用來預測的IPCA+SVM算法;第四節是預測與結果;最后給出結論。

1? 蛋白質序列與編碼

文中用到的蛋白質數據來自糖基化數據庫Uniprot （v8.0）[8]。選擇了哺乳動物的蛋白質樣本共8組，每組2000個，8組樣本的長度e分別為5，7，9，11，21，31，41，51。每個樣本以S和T為中心，并對該殘基是否糖基化做了標注[1]。糖基化的樣本叫做positive，否則叫做negative。編碼方式為稀疏編碼。

實驗用的訓練樣本和測試樣本同文獻[1]。

2? 改進的主成分分析（IPCA）預測算法

設xi∈Rd，i=1，2，…n是d維訓練樣本向量，yi∈{1，2}是其類標。傳統PCA特征提取的方法是針對全局的，C是所有訓練樣本的協方差矩陣，

用IPCA提取的特征作為SVM的輸入，預測出樣本的類別。

3? 結果與討論

首先，計算了四類樣本的平均值，如圖1，用顏色代表數字，可以看到Positive T和Positive S盡管都屬于positive，但還是各有特征，因此數據是多模態的。

取長度為21的樣本做實驗，此時向量維數為21*（e-1）=420。預測了10次，取10次的平均值。算法用matlabR2014a實現。用IPCA+SVM方法做實驗，并和PCA+SVM、IPCA+ANN和PCA+ANN方法比較，其中的參數如計算親密度的參數s，主成分的個數k等通過實驗確定最佳值。結果見表1。

預測最大值在k以及s的不同值達到。IPCA+SVM方法在主成分個數k為95時達到最高預測準確率（親密度的參數s=7）。總體上看，本文提出的方法優于其他方法，這是因為IPCA用加權的方式提取特征避免了過擬合，保護了局部結構。

進一步，我們用其他7組樣本也做了實驗，IPCA+SVM方法的結果見表2。

4? 結論

對于多模態的蛋白質序列樣本數據，提出了改進的主成分分析法提取特征，引入親密度矩陣對同類樣本進行加權，提取的特征有效保護了局部結構，結合SVM進行預測。實驗表明，相比于已有的預測方法，該方法能夠取得較為理想的效果。

用來進行特征提取的加權主成分分析法，還可以考慮引入核函數，提取更為豐富的非線性特征，有望提高預測的精度。

參考文獻：

[1]楊雪梅，蘇禎.基于KPCA及SVM的蛋白質O-糖基化位點的預測，科學技術與工程，2013，13（25）：87-92.

[2]Nishikawa I， Sakamoto H， Nouno I， et al. Prediction of the O-glycosylation sites in protein by layered neural networks and support vector machines. Lecture Notes in Artificial Intelligence. 2006; LNAI （4252）： 953-960.

[3]Kenta S， Nobuyoshi N， Yasubumi S.? Support vector machines prediction of N- and O-glycosylation sites using whole sequence information and subcellular localizition. IPSJ Transactions on Bioinformatics. 2009（2）：25-35.

[4]楊雪梅，趙花麗. 蛋白質結構的主成分分析及氧鏈糖基化位點的人工神經網絡預測[J].數學的實踐與認識，2009，39（19）：108-114.

[5]Zehao Chen. Kernel Independent Component Analysis-Based Prediction on the Protein O-Glycosylation Sites Using Support Vectors Machine and Ensemble Classifiers. ICIC 2015， Part III， LNAI 9227， 651-661.

[6]楊雪梅，李世鵬. 基于核fisher判別分析的蛋白質氧鏈糖基化位點的預測[J].計算機應用，2010，30（11）：2959-2961.

[7]Masashi S.： “Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis”. Journal of Machine Learning Research. 8， 1027-1061， 2007.

[8]http：//www.ebi.uniprot[DB/OL].