基于改进的MRMD算法和DF模型的植物pri-miRNA编码肽预测方法

技术特征：
1.一种基于改进的mrmd算法和df模型的植物pri-mirna编码肽预测方法，其特征在于，该方法包括以下步骤：步骤1：构建实验数据集正集采用从拟南芥pri-mirna序列上得到的首个sorf，负集采用拟南芥非编码序列数据；步骤2：提取sorf序列数据的相关特征从正、负集数据中均提取k-mer特征、短序列模体ssm特征、信噪比、gc碱基含量、gc碱基比例和序列长度特征；步骤3：设计immrmd算法进行特征排序和选择immrmd算法采用斯皮尔曼系数作为判断标准，选择调整余弦相似度作为最大距离的判断标准；采用immrmd算法对步骤2得到的特征数据进行特征排序和选择；步骤4：利用深度森林df模型得到预测结果将步骤3中筛选出的数据输入到df模型中，得到最终的预测结果。2.根据权利要求1所述的方法，其特征在于，所述步骤1的具体过程如下：1.1：从mirbase数据库中下载拟南芥的所有mirna数据，得到其pre-mirna数据；然后，通过ensemble plants工具进行数据扩展，将得到的所有pre-mirna向前扩充1000个碱基，并通过softberry软件查找其转录起始位点，从而得到相对应的pri-mirna；再利用orf finder工具获取每条pri-mirna的首个sorf序列，并通过cd-hit工具去除相似度高于80％的序列，得到候选的正集sorf数据；1.2：收集拟南芥ncds数据，使用orf finder工具获取其中的sorfs序列，得到的结果同样去除相似度高于80％的sorf序列，得到候选的负集数据；1.3：在正负集数据中随机挑选10％，作为测试集，测试最终预测性能。3.根据权利要求1或2所述的方法，其特征在于，所述步骤2具体如下：k-mer特征描述sorf序列的组成信息，它充分考虑了相邻核苷酸之间的依赖关系，保存了相邻核苷酸的信息，从而避免了信息的损失；k代表序列中相邻的碱基数，k个相邻碱基会有4
k
种组合；k为1，2，3，4，共340维；采用步长为1的滑动窗口进行滑动匹配，公式如下：l
k
＝l-k 1，k＝1，2，3，4
ꢀꢀ
(2)其中，l
k
为滑动次数，s
i
为每个k-mer出现的次数，f
i
为最终每个k-mer的频率，l为序列长度；k-mer特征考虑了连续碱基的性质，然而不连续的碱基之间也存在差异，因此采用ssm特征进行补充；不同的碱基对可以记为a*b，a**b，a***b，其中a和b均是a、t、c、g中的任意一种碱基，*代表任意碱基，每一组ssm都有16维特征表达，提取a*b、a**b、a***b三组ssm，共48维：u
j
＝l-j-1，j＝1，2，3
ꢀꢀꢀꢀ
(4)
其中，u
j
为滑动次数，v
i
′
为每个短序列模体出现的次数，ssm
i
′
为每个短序列模体的出现频率；根据序列的本身表达，提取序列长度l、gc碱基含量gc_con、gc碱基比例gc_ra以及信噪比特征，共4维；信噪比的大小能够表示序列中碱基使用的偏向性，通过碱基在三个相位的分布计算sorf在三分之一处的功率谱来获取信噪比；具体公式如下：orf在三分之一处的功率谱来获取信噪比；具体公式如下：orf在三分之一处的功率谱来获取信噪比；具体公式如下：orf在三分之一处的功率谱来获取信噪比；具体公式如下：其中，g和c分别代表序列中碱基g和碱基c的数目；l代表序列长度；a
x
、b
x
和c
x
均为一行三列的数组，分别代表碱基x在三个相位出现的频数；w表示功率谱；snr代表信噪比；最终，提取的上述特征共组成392维特征数据。4.根据权利要求1或2所述的方法，其特征在于，所述步骤3中，immrmd算法的具体步骤如下：将步骤2提取出的原始特征数据作为immrmd算法的输入，一方面计算spearman相关系数来获取子特征集与目标类别之间的相关性，选择与目标类别相关性最高的子特征集；所述spearman相关系数计算公式如公式(9)所示，定义x和y为两组数据，其中，d
y
为x
y
和y
y
之间的等级差，r
s
位于-1和1之间，n为样本总数；另一方面，计算euclidean距离、调整余弦相似度和tanimoto系数，得出任意一个特征向量与其余特征向量的冗余性程度；最后，通过对两方面的计算结果进行累加并排序，将排序后的特征数据逐维输入到逻辑回归模型中进行评价，选择其中分类效果最好的前m维，从而得到同时具备最大相关性和最小冗余性的m维子特征集；最终，经immrmd算法筛选出382维。5.根据权利要求3所述的方法，其特征在于，所述步骤3中，immrmd算法的具体步骤如下：将步骤2提取出的原始特征数据作为immrmd算法的输入，一方面计算spearman相关系数来获取子特征集与目标类别之间的相关性，选择与目标类别相关性最高的子特征集；所述spearman相关系数计算公式如公式(9)所示，定义x和y为两组数据，其中，d
y
为x
y
和y
y
之间的等级差，r
s
位于-1和1之间，n为样本总数；另一方面，计算euclidean距离、调整余弦相似度和tanimoto系数，得出任意一个特征向量与其余特征向量的冗余性程度；
最后，通过对两方面的计算结果进行累加并排序，将排序后的特征数据逐维输入到逻辑回归模型中进行评价，选择其中分类效果最好的前m维，从而得到同时具备最大相关性和最小冗余性的m维子特征集；最终，经immrmd算法筛选出382维。

技术总结
本发明提出了一种基于改进的MRMD算法和DF模型的植物pri-miRNA编码肽预测方法，属于生物信息学和计算机科学技术领域。本发明设计了一个改进的IMMRMD特征选择算法，使其更适用于pri-miRNA中提取的sORF所产生的特征数据，同时结合深度森林，实现sORF编码肽的预测。本发明能够判断输入的RNA序列是否符合pri-miRNA上首个sORF的相关特征，从而为判断其是否编码肽提供依据，为生物实验提供参考，节省大量的人力物力。大量的人力物力。大量的人力物力。


技术研发人员：孟军 尹超
受保护的技术使用者：大连理工大学
技术研发日：2022.04.02
技术公布日：2022/7/1