基于支持向量機的供體剪接位點識別

曾瑩

摘要：剪接位點識別是基因識別中的關鍵環節。本文對待測樣本采用0/1編碼，以表征各位置上的堿基，并結合堿基二聯體出現的頻次，最后采用支持向量機（ SVM）進行分類決策。HS3D數據集上的仿真結果顯示，本方法獲得的預測精度為92.84%。

關鍵詞：剪接位點;基因識別;支持向量機（ SVM）;0/1編碼

中圖分類號：Q271

文獻標識碼：A

文章編號：1672 - 9129（2018）12 - 0082 - 01

引言：隨著人類基因組計劃的實施，基因組序列數據呈指數增長。如何解讀人類基因組，挖掘其背后隱藏的信息，是一個迫切需要解決的問題?；蜃R別基因組注釋的核心任務之一，旨在采用生物學實驗或計算機手段識別DNA序列中的基因。絕大多數真核基因是不連續結構，由外顯子和內含子交替組成，其中，外顯子是編碼蛋白質的序列片段，內含子是非編碼蛋白質的序列片段。外顯子和內含子的邊界即為剪接位點，內含子的5端起始堿基為CT，稱作供體剪接位點，3端起始堿基為AC，稱作受體剪接位點。因此，準確識別剪接位點，能夠精準定位基因外顯子的邊界，對于真核生物基因識別起著至關重要的作用。盡管99%的剪接位點遵循“CT - AC”規則，但這種強保守性并不能有效檢測剪接位點，因為在DNA序列的非剪接位點上還存在著大量GT/AG，因此，剪接位點識別可以看成一個二分類問題。本文主要研究基于機器學習方法的供體剪接位點識別。

1 數據及其預處理

實驗數據源自HS3D（ home sapiens splice sites dataset）數據集。我們從該數據集中選取2796個真實供體位點作為正樣本，并隨機抽取2796個虛假供體位點作為負樣本。所有樣本均為140個堿基長度（即140bp）的序列，其中第1～70個堿基為外顯子序列，第70～140個堿基屬于內含子，而保守位點CT則位于第71、72位。

本文將序列中保守GT的位置設為00，上游區域位置分別標記為-l，-2，…，- 70，下游區域位置則記為l，2，…，68。對樣本序列中的每個位置，分別構建一張24的列聯表，以統計該位置上的四種堿基在正負樣本中出現頻次，然后計算各個位置對應的卡平方值，由于序列-3～+5、+7、+8、+10位的卡平方值高于其他位點卡平方值的平均值，考慮到窗口的連續性，我們最終確定序列長度為8bp（-3～ +5，不含00位），后續實驗均基于8bp供體位點序列。

2 特征提取

對序列長度為8bp的各個樣本，首先將其每個位置上的A，C，G，T四種堿基分別按：A - 0001，C- 0010，G- 0100，T- 1000進行編碼;然后，分別提取16個堿基二聯體（即二聯體AA，AT，AC--）在序列中出現的頻次。這樣，對任一個序列樣本，可得到一個48維（8 x4+16）特征向量。

3 基于SVM的分類決策

SVM能夠解決小樣本、高維數、非線性、過擬合及局部最小等問題，在生物信息、圖像識別等問題中得到了廣泛應用。本文采用LIBSVM作為分類器，其核函數固定為徑向基核，參數c、g自動搜索獲取。

4 實驗結果

在HS3D數據集（2796/2796個正/負樣本）上，采用10折交叉測試進行驗證，即將數據集均分為10份，每次使用其中的9份進行訓練，余下的l份進行測試，重復10次，最后將10次測試的精度均值作為最終結果，即敏感性（ Sensitivity，SN）為0.9233、特異性（Specificity，sP）為0.9335、準確度（ Accuracy，ACC）為0.9284。

參考文獻：

[1]馬猛，汪洋.應用序列特征分析基因剪接信號[J].計算機工程與應用，2012，48（ 27）：180 - 185.

[2] Li J L，Wang L F，Wang H Y， et al.High - accuracy splice siteprediction hased on sequence， component and position features[J]. Cenetics&Molecular Research 2012. 11（3）：3432 - 51.

[3]李琴，張瑾，駢聰等.基于位置關聯權重矩陣及序列組分的多樣性增量識別剪接位點[J].生物物理學報2014，30（5）：391 -400.

[4] Meher P.Sahu T，Rao A， et al.A statistical approach for 5'splicesite prediction using short sequence motifs and without encoding sequence data[J].BMC Bioinformatics 2014， 15（1）：1- 14.