基于不平衡數(shù)據(jù)集的蛋白質(zhì)ATP結(jié)合位點集成預(yù)測

張金濤

摘要：集成學(xué)習(xí)是一種新的機器學(xué)習(xí)范式，它通過訓(xùn)練若干有差異的學(xué)習(xí)器，并將它們的預(yù)測結(jié)果進(jìn)行合成，相對于單個學(xué)習(xí)器，集成學(xué)習(xí)算法可以顯著提高學(xué)習(xí)系統(tǒng)的泛化能力。因此對集成學(xué)習(xí)理論和算法的研究成為了機器學(xué)習(xí)領(lǐng)域的一個熱點。現(xiàn)在，集成學(xué)習(xí)已經(jīng)成功應(yīng)用于航空航天、地震波分析、生物特征識別、醫(yī)療診斷等眾多領(lǐng)域。但集成學(xué)習(xí)技術(shù)還不成熟，對集成學(xué)習(xí)的研究還存在很大的進(jìn)步空間。

關(guān)鍵詞：腺苷三磷酸 SFLA聚類算法 ELM的集成預(yù)測算法

中圖分類號：TP181 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2016）09-0092-02

腺苷三磷酸（Adenosine Triphosphate，ATP）是一種高能磷酸化合物，在預(yù)測蛋白質(zhì)功能方面起著關(guān)鍵作用。針對傳統(tǒng)實驗的方法鑒別ATP與蛋白質(zhì)的結(jié)合位點時存在耗時、耗力、耗資的缺陷，國內(nèi)外學(xué)者均開始嘗試用生物信息學(xué)的方法預(yù)測ATP與蛋白質(zhì)的結(jié)合位點[1]。2009年，Dr.G.P.S.Raghava的科研科研小組利用ATPint軟件程序包預(yù)測ATP與蛋白質(zhì)的結(jié)合位點，預(yù)測總精度達(dá)75.25%，相關(guān)系數(shù)MCC值達(dá)到0.5。2011年，Ke Chen等人組成的科研小組利用ATPsite軟件程序包預(yù)測ATP與蛋白質(zhì)的結(jié)合位點，預(yù)測總精度達(dá)86.13%，相關(guān)系數(shù)MCC值達(dá)到0.46。實際預(yù)測ATP和蛋白質(zhì)結(jié)合位點時，結(jié)合位點（正類）的片段數(shù)量與非結(jié)合位點（負(fù)類）的片段數(shù)量相差懸殊，造成數(shù)據(jù)不平衡。為了減小數(shù)據(jù)不均衡對預(yù)測的影響，這里對負(fù)類樣本運用基于混合蛙跳的（Shuffled Frog Leaping Algorithm，SFLA）聚類算法進(jìn)行欠采樣形成多個不相交的子集，然后在各子集上提取有代表性的樣本集，與正類樣本組成新的平衡訓(xùn)練集。然后，基于字統(tǒng)計模型提取特征，并利用多樣性增量對所提取高維特征進(jìn)行降維。最后，采用基于極端學(xué)習(xí)機（Extreme Learning Machine，ELM）的集成預(yù)測算法對蛋白質(zhì)ATP結(jié)合位點進(jìn)行預(yù)測[2]。

1 基于SFLA聚類算法的數(shù)據(jù)欠采樣

由于在蛋白質(zhì)序列數(shù)據(jù)集中，與ATP結(jié)合的氨基酸位點遠(yuǎn)遠(yuǎn)少于非結(jié)合位點，因此需要對數(shù)據(jù)集進(jìn)行平衡化處理，以使其不致影響后續(xù)分類的精度。處理不平衡數(shù)據(jù)集分類問題常用的主要有算法層面和數(shù)據(jù)層面兩種方法。本項目擬采用在數(shù)據(jù)層面處理不平衡數(shù)據(jù)，即首先采用基于SFLA聚類算法進(jìn)行欠采樣，將原始數(shù)據(jù)集中的負(fù)類樣本聚類為多個不相交的子集，然后在各子集上提取有代表性的樣本集，與正類樣本組成新的平衡數(shù)據(jù)集。

假設(shè)原始數(shù)據(jù)集中包含N1個正類數(shù)據(jù)集A，N2個負(fù)類數(shù)據(jù)集B，算法步驟如下：

Step 1：在負(fù)類數(shù)據(jù)集B上，使用基于SFLA聚類算法對N2個負(fù)類數(shù)據(jù)進(jìn)行聚類，聚類后各簇內(nèi)的數(shù)據(jù)個數(shù)分別為，且，為聚類個數(shù)，[]為取整符號；

Step 2：計算各簇數(shù)據(jù)到各自聚類中心的距離，并按由小到大的順序排列；

Step 3：分別選取各簇中距離簇中心最近的個數(shù)據(jù)組成包含N3個負(fù)類數(shù)據(jù)的新負(fù)類數(shù)據(jù)集false；

Step 4：將新負(fù)類數(shù)據(jù)集false和正類數(shù)據(jù)集A組合，生成平衡數(shù)據(jù)集。

2 特征提取與降維

2.1 基于字統(tǒng)計模型的特征提取方法

字統(tǒng)計模型是通過在蛋白質(zhì)序列中統(tǒng)計長度為k的氨基酸片段出現(xiàn)的頻率，以作為后續(xù)預(yù)測的特征信息。與傳統(tǒng)統(tǒng)計各氨基酸頻率特征的方法相比，此特征提取方法不僅統(tǒng)計了單個氨基酸出現(xiàn)的頻率，還統(tǒng)計了氨基酸片段出現(xiàn)的頻率，從而獲取了更為全面的蛋白質(zhì)序列信息。對于由20種氨基酸組成的蛋白質(zhì)序列S，主要特征提取步驟如下：

Step 1：由一個n維向量來表示k-字段在序列S中出現(xiàn)的次數(shù)，n是所有可能的k-字的總數(shù)。

Step 2：將k-字段在序列S中出現(xiàn)的頻率表示為向量

。

當(dāng)時，該頻率向量則為20種氨基酸在序列中出現(xiàn)的頻率。

2.2 基于多樣性增量的特征降維

多樣性增量（Increment of diversity，ID）是基于多樣性量的一個生物數(shù)學(xué)概念，它反映了兩個樣本之間的生物相似性關(guān)系，ID值越小表示兩個樣本之間越相似。本文利用ID原理對所選高維特征進(jìn)行降維，可以減少降維過程中丟失的信息，避免后續(xù)分類器過訓(xùn)練的情況。

3 基于ELM的集成預(yù)測算法

分類器集成的主要思想是利用多個分類器來解決同一個問題，采用某種規(guī)則把學(xué)習(xí)結(jié)果進(jìn)行組合，以期達(dá)到有效提高學(xué)習(xí)系統(tǒng)泛化能力的目的。生成差異性互補的分類器是提升預(yù)測性能的關(guān)鍵。目前，生成差異性及分類器的方法主要有訓(xùn)練樣本的擾動、模型參數(shù)的設(shè)置、學(xué)習(xí)算法本身的差異等。Bagging（Bootstrap Aggregating）算法是一種基于訓(xùn)練樣本分布擾動的分類器集成技術(shù)。算法每次從訓(xùn)練樣本中隨機有放回地抽取與訓(xùn)練集數(shù)目相等的樣本，訓(xùn)練基分類器，重復(fù)T次后，就可以訓(xùn)練出T個基分類器。本項目基分類擬采用ELM，通過Bagging算法實現(xiàn)對訓(xùn)練樣本的擾動，從而產(chǎn)生具有差異性的基分類器，再進(jìn)行基分類器的集成學(xué)習(xí)。

將原始數(shù)據(jù)集分成訓(xùn)練集和測試集兩個子集，算法主要步驟如下：

Step 1：采用有放回抽樣從訓(xùn)練集的樣本中選取k個樣本；

Step 2：采用提取的新的k個樣本對ELM基分類器進(jìn)行訓(xùn)練；

Step 3：重復(fù)Step 1和Step 2T次，得到T個ELM基分類器。

Step 4：將測試集輸入各基分類器，采用多數(shù)投票法融合各基分類器輸出結(jié)果。

4 預(yù)測結(jié)果評價

5 集成預(yù)測流程

整體預(yù)測流程如圖1所示。首先，對不平衡原始數(shù)據(jù)進(jìn)行處理，采用SFLA聚類算法對負(fù)類樣本進(jìn)行欠采樣，與正類樣本整合構(gòu)成新的平衡數(shù)據(jù)集。然后，基于字統(tǒng)計模型提取特征構(gòu)成特征向量，并利用多樣性增量原理對所提取高維特征進(jìn)行降維。再次，用Bagging算法產(chǎn)生差異化訓(xùn)練樣本訓(xùn)練各ELM分類器，并采用多數(shù)投票法集成各分類器預(yù)測結(jié)果。最后，計算Ac、Sn、PPV、MCC四種指標(biāo)，評價預(yù)測結(jié)果。

參考文獻(xiàn)

[1]周志華，唐偉.基于Bagging的選擇性聚類集成[J].2005，16（4）：496-501.

[2]周志華，唐偉，吳建鑫.靜態(tài)灰度圖像中的人臉檢測方法綜述[J].計算機科學(xué)，2002Vo1.29：2-4.