基于支持向量机的供体剪接位点识别

曾莹

摘要：剪接位点识别是基因识别中的关键环节。本文对待测样本采用0/1编码，以表征各位置上的碱基，并结合碱基二联体出现的频次，最后采用支持向量机（ SVM）进行分类决策。HS3D数据集上的仿真结果显示，本方法获得的预测精度为92.84%。

关键词：剪接位点;基因识别;支持向量机（ SVM）;0/1编码

中图分类号：Q271

文献标识码：A

文章编号：1672 - 9129（2018）12 - 0082 - 01

引言：随着人类基因组计划的实施，基因组序列数据呈指数增长。如何解读人类基因组，挖掘其背后隐藏的信息，是一个迫切需要解决的问题。基因识别基因组注释的核心任务之一，旨在采用生物学实验或计算机手段识别DNA序列中的基因。绝大多数真核基因是不连续结构，由外显子和内含子交替组成，其中，外显子是编码蛋白质的序列片段，内含子是非编码蛋白质的序列片段。外显子和内含子的边界即为剪接位点，内含子的5端起始碱基为CT，称作供体剪接位点，3端起始碱基为AC，称作受体剪接位点。因此，准确识别剪接位点，能够精准定位基因外显子的边界，对于真核生物基因识别起着至关重要的作用。尽管99%的剪接位点遵循“CT - AC”规则，但这种强保守性并不能有效检测剪接位点，因为在DNA序列的非剪接位点上还存在着大量GT/AG，因此，剪接位点识别可以看成一个二分类问题。本文主要研究基于机器学习方法的供体剪接位点识别。

1 数据及其预处理

实验数据源自HS3D（ home sapiens splice sites dataset）数据集。我们从该数据集中选取2796个真实供体位点作为正样本，并随机抽取2796个虚假供体位点作为负样本。所有样本均为140个碱基长度（即140bp）的序列，其中第1～70个碱基为外显子序列，第70～140个碱基属于内含子，而保守位点CT则位于第71、72位。

本文将序列中保守GT的位置设为00，上游区域位置分别标记为-l，-2，…，- 70，下游区域位置则记为l，2，…，68。对样本序列中的每个位置，分别构建一张24的列联表，以统计该位置上的四种碱基在正负样本中出现频次，然后计算各个位置对应的卡平方值，由于序列-3～+5、+7、+8、+10位的卡平方值高于其他位点卡平方值的平均值，考慮到窗口的连续性，我们最终确定序列长度为8bp（-3～ +5，不含00位），后续实验均基于8bp供体位点序列。

2 特征提取

对序列长度为8bp的各个样本，首先将其每个位置上的A，C，G，T四种碱基分别按：A - 0001，C- 0010，G- 0100，T- 1000进行编码;然后，分别提取16个碱基二联体（即二联体AA，AT，AC--）在序列中出现的频次。这样，对任一个序列样本，可得到一个48维（8 x4+16）特征向量。

3 基于SVM的分类决策

SVM能够解决小样本、高维数、非线性、过拟合及局部最小等问题，在生物信息、图像识别等问题中得到了广泛应用。本文采用LIBSVM作为分类器，其核函数固定为径向基核，参数c、g自动搜索获取。

4 实验结果

在HS3D数据集（2796/2796个正/负样本）上，采用10折交叉测试进行验证，即将数据集均分为10份，每次使用其中的9份进行训练，余下的l份进行测试，重复10次，最后将10次测试的精度均值作为最终结果，即敏感性（ Sensitivity，SN）为0.9233、特异性（Specificity，sP）为0.9335、准确度（ Accuracy，ACC）为0.9284。

参考文献：

[1]马猛，汪洋.应用序列特征分析基因剪接信号[J].计算机工程与应用，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，张瑾，骈聪等.基于位置关联权重矩阵及序列组分的多样性增量识别剪接位点[J].生物物理学报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.