mRNA亚细胞定位模型训练方法、定位方法及可读存储介质

技术领域

本发明属于计算机技术领域，具体涉及一种mRNA亚细胞定位模型训练方法、定位方法及可读存储介质。

背景技术

目前，RNA的亚细胞定位被认为是单细胞生物、动植物组织和动物胚胎发育过程中细胞极化的重要机制。mRNA转录本的定位已被证实能够对基因表达和蛋白质转录进行空间定位。大约80％的转录本不对称地分布在人类细胞中，转录本的错误定位可能导致疾病，如脊髓性肌肉萎缩、阿尔茨海默病和癌症。近年来，基于机器学习的亚细胞定位算法取得了长足的进展。mRNA定位与蛋白质翻译的定位相对应，有助于蛋白质功能的研究。然而，目前对真核mRNA亚细胞定位的研究显示出重要的局限性，往往基于单序列信息的提取，并且预测能力和泛化能力不足。为了更好地实现真核mRNA的亚细胞定位，必须建立并训练出性能更优更好、功能更全面的模型。

发明内容

本发明针对上述现有技术中存在的“基于单序列信息的提取，并且预测能力和泛化能力不足”的问题，提供一种mRNA亚细胞定位模型训练方法、定位方法及可读存储介质。

根据本发明的实施例，本发明提供了一种mRNA亚细胞定位模型的训练方法，包括以下步骤：

S1获取mRNA亚细胞位置序列样本集；

S2根据多种特征提取算法对mRNA亚细胞位置序列样本集进行特征提取，得到多个特征集；

S3根据多个基分类器分别对多个所述特征集进行识别，并对基分类器进行至少一层集成，得到集成分类器；

S4根据所述多种特征提取算法和所述集成分类器，得到目标mRNA亚细胞定位模型。

可选地，步骤S1，包括以下步骤：

S11获取mRNA亚细胞位置序列数据作为阳性数据和阴性数据；

S12对阳性数据和阴性数据进行数据处理，得到mRNA亚细胞位置序列样本集。

可选地，步骤S2中，多种特征提取算法包括：电子-离子相互作用三核苷酸算法、三核苷酸组成算法、二核苷酸组成算法、k-spaced核酸对组成算法、平行相关伪二核苷酸组成算法、平行相关伪三核苷酸组成算法，序列相关伪二核苷酸组成算法、序列相关伪三核苷酸组成算法和基于二核苷酸的自交叉协方差算法任意三种或三种以上。

可选地，步骤S3，包括以下步骤：

S31根据所述特征集的亚细胞位置的数据特点和时间复杂度匹配相应的基分类器进行识别；

S32对基分类器进行至少一层集成，得到目标权重参数；

S33根据基分类器和目标权重参数，得到集成分类器。

可选地，所述基分类器包括LightGBM算法。

可选地，步骤S3为：根据多个基分类器分别对多个所述特征集进行识别，并对基分类器进行两层集成，得到集成分类器的目标权重参数。

可选地，步骤S3，包括以下步骤：

S31根据多个基分类器分别对多个所述特征集进行识别，得到预测结果；

S32根据基分类器对应的所述特征集，对基分类器进行分组，得到基分类器组；

S33根据网格搜索和评估算法，得到目标权重参数；

S34根据基分类器、基分类器组和目标权重参数，得到两层的集成分类器。

可选地，评估算法包括以下步骤：ACC算法、recall算法、Precision算法、F1-score算法；计算公式如下：

当真实标签为正样本时，TP、FN分别表示样品的预测结果为正或负的样本数量；当样本的真标签为负，TN、FP分别表示预测标签为负或预测标签为正。

根据本发明的实施例，本发明还提供了一种mRNA亚细胞定位方法，包括以下步骤：

获取mRNA亚细胞位置序列样本；

利用如上所述的目标mRNA亚细胞定位模型对mRNA亚细胞位置序列样本进行识别，得到定位预测结果。

根据本发明的实施例，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法步骤。

本发明的有益效果是：

通过多种特征提取算法对mRNA亚细胞位置序列样本集进行特征提取，并利用多个基分类器分别对多个所述特征集进行识别，并对基分类器进行至少一层集成，通过mRNA亚细胞位置序列样本集对两层模型的训练和学习，对这样两层的结构进行训练，因为没有将分类转化为多个二分法，不但可以提高训练的效率，使得模型在训练过程更容易得到全局最优解，从而得到训练完成后的目标模型会有更优秀的预测能力和泛化能力。利用该目标模型对需要预测的mRNA亚细胞位置序列样本进行识别后，得到定位预测结果会更加准确。

附图说明

图1为本发明一实施例提供的mRNA亚细胞定位模型的训练方法流程图；

图2为本发明一实施例提供的mRNA亚细胞定位模型的训练方法流程图；

图3为本发明一实施例提供的mRNA亚细胞定位模型的训练方法流程图；

图4为本发明一实施例中单一特征基分类器、单层集成模型和双层集成模型的性能对比图；

图5为为本发明一实施例中单一特征基分类器和单层集成模型的性能对比图；

图6为本发明一实施例中模型与其他的mRNA亚细胞定位模型性能对比图。

具体实施方式

如图1至图3，本发明提供了一种mRNA亚细胞定位模型的训练方法，包括以下步骤：S1获取mRNA亚细胞位置序列样本集；

S2根据多种特征提取算法对mRNA亚细胞位置序列样本集进行特征提取，得到多个特征集；

S3根据多个基分类器分别对多个所述特征集进行识别，并对基分类器进行至少一层集成，得到集成分类器；

S4根据所述多种特征提取算法和所述集成分类器，得到目标mRNA亚细胞定位模型。

其中，步骤S1获取mRNA亚细胞位置序列样本集。

可选地，获取mRNA亚细胞位置序列样本集，包括以下步骤：

S11获取mRNA亚细胞位置序列数据作为阳性数据和阴性数据；

S12对阳性数据和阴性数据进行数据处理，得到mRNA亚细胞位置序列样本集。

本发明实施例中，mRNA序列数据集包括以下步骤阳性数据和阴性数据。训练数据集和独立数据集1来自rnallocator数据库2.0。最初获得28,829条mRNA序列，定位于单个或多个亚细胞位置。考虑到定位的准确性和模型的设计，本发明仅采用单位置序列。细胞质、内质网、细胞外区、线粒体和细胞核的样本数分别为6964、1,998、1,131、442和6,346。

鉴于mRNA冗余导致的同源性偏差，使用NCBI BLACTCLUST程序获得70％以上的全长，且同源性小于40％(BLASTCLUST with'-s40 and l 0.7'选项)。细胞质、内质网、细胞外、线粒体和细胞核的结果数分别为6376、1426、855、421和5831；这些数据被随机分成1/6在独立数据集1中，其余的在训练数据集中。

独立数据集2来源于InLocator，属于IncRNA类别。rnallocator中有1361个IncRNA样本，位于单个或多个亚细胞隔间。然后，去除多位置样本。考虑到冗余序列造成的偏差，将命中阈值设置为80％。在独立的数据中只有细胞质和细胞核位点被保留。独立数据集2仅包含细胞质和细胞核，分别有292个和146个样本。

本发明实施例中，利用阳性数据和阴性数据形成的样本进行训练，是为了使训练得到的目标模型识别更加精确。

其中，步骤S2根据多种特征提取算法对mRNA亚细胞位置序列样本集进行特征提取，得到多个特征集。

可选地，根据多种特征提取算法对mRNA亚细胞位置序列样本集进行特征提取，得到多个特征集，其中，多种特征提取算法包括：电子-离子相互作用三核苷酸算法、三核苷酸组成算法、二核苷酸组成算法、k-spaced核酸对组成算法、平行相关伪二核苷酸组成算法、平行相关伪三核苷酸组成算法，序列相关伪二核苷酸组成算法、序列相关伪三核苷酸组成算法和基于二核苷酸的自交叉协方差算法任意三种或三种以上。

本发明实施例中，特征提取算法包括以下步骤电子-离子相互作用三核苷酸(PseEIP)、三核苷酸组成(TNC)、二核苷酸组成(DNC)、k-spaced核酸对组成(CKSNAP)、平行相关伪二核苷酸组成(PCPseDNC)、平行相关伪三核苷酸组成(PCPseTNC)，序列相关伪二核苷酸组成(SCPseDNC)、序列相关伪三核苷酸组成(SCPseTNC)和基于二核苷酸的自交叉协方差(DACC)。

EllP表示核苷酸A、G、C和T的电子-离子相互作用，其维度为序列的长度。随后，利用每个样本中三核苷酸的平均EIIP值来构建特征向量，所得即为PseElP。PseEllP通过生成64维向量来描述三核苷酸EIIP值的平均值；

TNC通过发展一个64维的特征来阐明A、G、C和T来代表三核苷酸的数量；

DNC描述A、G、C和T来表示三核苷酸的数量，通过生成一个16维的向量；

CKSNAP计算由任意5个核酸分割的核酸对的频率，编码一个96维的向量；

PCPseDNC将局部序列和全局序列编码为一个核苷酸序列，并使用38个默认的理化指标生成一个18维的特征向量。

PCPseTNC对序列中三核苷酸的出现频率进行归一化，并计算其与序列的相关性，得到66维向量。

SCPseDNC开发了一个28维特征向量来描述6种物理化学性质。

SCPseTNC利用2个指标根据对应位置的二核苷酸值生成68维特征向量。

DACC编码是通过测量特定条件下两个核苷酸之间相同的物理化学指标的相关性，通过计算物理化学指标数量的平方和最大滞后指数来描述72维特征向量。

本发明实施例中，利用全部九种上述算法，使得特征提取更加全面，并且有针对性。

其中，S3根据多个基分类器分别对多个所述特征集进行识别，并对基分类器进行至少一层集成，得到集成分类器；

S4根据所述多种特征提取算法和所述集成分类器，得到目标mRNA亚细胞定位模型。

本发明实施例中，训练样本由上述9个特征提取算法提取特征后，导入至少有一层集成的基分类器中反复训练，并根据正负样本区间进行评分估算，从而可以得到每一层的最佳权重分配，以及训练好的集成分类器，该训练好的集成分类器的权重值按照目标权重参数取值，即得到目标mRNA亚细胞定位模型。

可选地，步骤S3，包括以下步骤：

S31根据所述特征集的亚细胞位置的数据特点和时间复杂度匹配相应的基分类器进行识别；

S32对基分类器进行至少一层集成，得到目标权重参数；

S33根据基分类器和目标权重参数，得到集成分类器。

可选地，所述基分类器包括LightGBM算法。

可选地，根据多个基分类器分别对多个所述特征集进行识别，并对基分类器进行两层集成，得到集成分类器的目标权重参数。

可选地，步骤S3，包括以下步骤：

S31根据多个基分类器分别对多个所述特征集进行识别，得到预测结果；

S32根据基分类器对应的所述特征集，对基分类器进行分组，得到基分类器组；

S33根据网格搜索和评估算法，得到目标权重参数；

S34根据基分类器、基分类器组和目标权重参数，得到两层的集成分类器。

可选地，评估算法包括以下步骤：ACC算法、recall算法、Precision算法、F1-score算法，

计算公式如下：

其中，Recall表示一个真阳性样本被预测为阳性的概率；Precision描述所有预测样本中真正阳性的比例；F-score为精度和查全率的协调平均评价指标。当真实标签为正样本时，TP、FN分别表示样品的预测结果为正或负的样本数量；当样本的真标签为负，TN、FP分别表示预测标签为负或预测标签为正。

本发明实施例中所采用的LightGBM算法，考虑到实施例数据的大小、训练效率的要求以及LightGBM的特殊优势，发明人采用LightGBM进行模型训练。通过减少数据实例数量和特征选择，提高了lighttgbm的训练效率。考虑训练样本数量为12410个，使用9个特征向量(上述PseEIP、TNC、DNC、CKSNAP、PCPseDNC、PCPseTNC，SCPseDNC、SCPseTNC和DACC)来训练单特征分类器，考虑使用LightGBM。此外，与其他机器学习算法相比，lightGBM显示出更强的分类能力。因此，采用LightGBM进行模型训练。

LightGBM具有支持高效并行的优点，包括以下步骤特性并行和数据并行。特征并行的主要思想是在不同的特征集上找到最优分割点，并在机器之间同步最优分割点。在特征并行算法中，数据被本地保存以避免结果的通信。将直方图合并的任务划分到不同的机器之间，减少了通信和计算量。基于投票的数据并行化进一步优化了数据并行化的通信成本，使通信保持在接近恒定的水平。投票并行性可以用于对大数据样本实现更好的加速效果。

梯度推进决策树(GBDT)是一种基于决策树的集成模型。在每次迭代中，GDBT通过拟合一个负梯度来学习学习树；寻找最佳分片点是最昂贵和最耗时的过程。LightGBM采用单侧采样进行训练。基于梯度的单侧采样(GOSS)保留大梯度样本，对小梯度样本进行随机采样。为了保证分布的一致性，在计算信息增益时，将小梯度样本乘以一个常数。LightGBM使用一种称为独占特性捆绑(EFB)的最优策略来比较互斥特性，并将它们组合。这样，一个特征的维数可以减少。此时生成的基分类器的表现如图4所示。

据此，筛选出准确率和泛化能力较高的基分类器。在独立数据集上对单个特征分类器的性能进行评估(图5)。总的来说，单个特征的模型性能是稳定的。此外，应该注意的是，在独立数据集1中的基于序列的特征模型中，PseEIIP的性能是最好的。PseEIIP性能的特征是精度为0.601，召回率为0.584,ACC为0.584,F-score为0.569。在序列特征和理化性质特征上，理化性质分类器表现优于序列特征分类器。PCPseTNC比PseEIIP在精度、召回率、ACC和F-score上分别高出0.003、0.009、0.009和0.009，而DNC比PCPseDNC的精度低(精度为0.013，召回率为0.017,ACC为0.017,F-score为0.016)。

集成学习是一种机器学习方法，它通过构造多个机器学习分类器来完成学习任务。集成学习应用于分类问题中。在集成学习中，有两个难点:(1)单个分类的生成。(2)合适的策略来组合单个基分类器。通过单一特征或单一特征的拼接可以获得多个优选模型。集成学习的目标是将多个弱监督模型结合起来，生成一个监督能力强、综合性能高的模型。集成学习意味着即使一个弱分类器得到了错误的预测，其他弱分类器也可以改正这个错误。利用集成学习可以提高训练模型的泛化能力。

本例中，当使得上述基分类器应用于生成的一层集成模型，如图5所示，其性能与基于单一特征的基分类器相比提升。

对于独立数据集1，基于序列特征的单一集成模型(已经阐述了特征提取算法PseEIIP,TNC,DNC,CKSNAP所提取的特征矩阵与LightGBM结合所生成的单一特征分类器。对上述四个单一特征分类器进行集成，即生成序列特征的单层集成模型)的精度为0.617，召回率为0.597,ACC为0.597,F-score为0.577；基于理化性质的单层模型(特征提取算法PCPseDNC,PCPseTNC,SCPseDNC,SCPseTNC,DACC所提取的特征矩阵与LightGBM结合所生成的单一特征分类器。接着，对上述四个单一特征分类器进行集成，即生成理化性质单层集成模型)，精度为0.608，查全率为0.601,ACC为0.601,F-score为0.577。独立数据集1表明，单层集成比基于单一特征的分类器性能更好。独立数据集2也证实了这个假设。PCPseTNC在单个特征分类器(独立数据集2上)的性能较好，精度值为0.595，查全率为0.502，ACC值为0.502，F-score值为0.544。在独立数据集2上，单层集成模型的性能也优于单特征分类器(与独立数据集1上的性能一致)。有趣的是，基于序列的特征分类器的最佳单一特征基分类器和最差单一特征基分类器分别是PseEIIP和DNC，PCPseDNC和PCPseTNC。证据表明，单个特征模型在独立数据集1和2之间的差异很小，这意味着单一集成模型具有相对稳定的性能，没有明显的过拟合(图5)。

进一步地，可以对单层集成模型进行加权集成，加权参数根据网格搜索算法进行确定。

本发明实例中，进一步可生成了两层集成模型。此时对序列特征和理化特征赋予不同的权重，以达到预期效果。实施例中分别使用训练数据集和独立数据集1、2对模型进行训练和测试。采用9种特征编码方法训练基于单一特征的基分类器。预测得分按特征组平均，并在集成模型的初始层中表示每个特征组的预测贡献。然后对集成模型的高层中，即基于序列的特征组和基于理化性质分组(即两个基分类器组，因以特征性质来分，故而称为特征组)，并使得两个的特征组赋予不同的权重。在此过程中，利用网格搜索确定序列特征和理化特征的权重。实施例证明，基于序列的特征组与基于理化性质的特征组的比例为3:2时性能最好。

在独立测试集1上，基于序列的单层集成模型优于基于物化性质的单层集成模型。因此，如果只使用单层集成模型，则无法确定哪个单层集成模型工作性能更好。也就是说，在实际亚细胞定位工作中，对于一个未知的亚细胞位置序列，无法确定两个单层集成模型中，哪一个模型对未知序列的识别效果更好。因此，发明人考虑到了：综合能力更强的两层或两层以上集成模型的构建。两层集成模型和单层集成模型在独立测试集1上的性能证实了建模假设。首先，两层集成模型的召回率、ACC和F-score分别比表现最好的单层集成模型高0.004、0.004和0.001，说明两层集成模型的综合能力优于单层集成模型。此外，在模型性能评估中，模型的精度与召回率的差距越小，模型性能越好。两层集成模型的精度比召回率高0.016，而性能最好的单层集成模型的精度比召回率高0.02，这进一步说明了两层集成模型的必要性(图5)。

为了进一步说明两层集成模型设计的必要性，发明人引入了独立的数据集3。独立测试集3来源于iLoc-mRNA，属于智人mRNA亚细胞定位数据。同样，只保留单一位置样本。为了减少数据冗余，CD-HIT_EST将截止值设置为80％。最后，从内质网和细胞核中随机抽取131个样本，生成独立的数据集3。类似地，独立数据集3的性能也证实了对两层模型的需要。在这种情况下，基于理化性质的单层模型表现更好，其precision、recall、ACC、F-score分别为0.938、0.37、0.37、0.484。这些值分别比两层集成模型低0.001、0.016、0.016和0.022。在这种情况下，两层模型的精度比召回率高0.552，而单层集成模型的精度比召回率高0.572。因此，实施例表明，两层集成模型比单层集成模型更有效。

在与mRNALoc的比较中，两层整合模型在独立数据集1上的precision、recall、ACC和F-score分别为0.617、0.601、0.601和0.578。为了说明两层集成模型的预测精度和泛化能力，使用mRNALoc进行比较。为了公平起见，mRNALoc模型被复现。结果表明，在独立数据集1上，本发明实施例两层集成模型在精度、召回率、ACC值和F-score方面均优于mRNALoc，分别高0.07、0.11、0.11和0.069。在独立数据集2的情况下，mRNALoc的精度和召回率数值变化较大，这表明mRNALoc对新数据的预测能力存在偏差。但是，两层集成模型在交叉验证和独立数据集中相对稳定。Precision、recall、ACC和F-score分别比mRNALoc高0.052、0.241、0.24和0.191。从独立数据集1和2的结果来看，两层集成模型模型的通用性明显优于mRNALoc模型。同时，本发明实施例也与其他现有工具进行了性能比较。对比实验结果表明，两层集成模型具有精确的预测能力和较强的泛化能力，这对多分类模型至关重要(图6)。结果表明，与其他两种模型相比，两层集成模型模型在独立测试集1上的性能最好。两层集成模型均显著高于iLocmRNA和RNATracker。在独立数据集上也证实了两层集成模型的良好性能。总而言之，这些结果表明，两层集成模型在亚细胞定位方面优于目前最先进的方法(图6)。

根据本发明的实施例，本发明还提供了一种mRNA亚细胞定位方法，包括以下步骤：

获取mRNA亚细胞位置序列样本；

利用如上所述的目标mRNA亚细胞定位模型对mRNA亚细胞位置序列样本进行识别，得到定位预测结果。

本实施例中，即利用本发明提供的训练完成的目标模型，可以用于预测mRNA亚细胞定位。一种可以具体实施的步骤为：

1)获取待识别mRNA亚细胞位置序列样本集；

2)根据多种特征提取算法(比如如上所述9种任意组合或全部)对mRNA亚细胞位置序列样本集进行特征提取，得到多个特征集；

3)根据集成分类器分类器对多个特征集进行识别，得到识别序列的mRNA亚细胞定位。

根据本发明的实施例，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法步骤。

即该计算机可读存储介质可以运行上述的mRNA亚细胞定位方法或mRNA亚细胞定位模型的训练方法。

在本权利要求书和说明书对发明步骤描述时，参考术语S1，S2，S3，S4,一、二、三，1，2，3，4，5并不代表绝对的时间先后或依次进行的顺序，并不代表绝对的步骤之间的逻辑切分，步骤的次序、切分方式可以发明目的能够完成的逻辑前提下，本领域技术人员对于该顺序做出合理的调整，也应在本发明的保护范围之内。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括以下步骤但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)，和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括以下步骤指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括以下步骤优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。