試論基于支持向量機的枯草桿菌啟動子預測技術

胡 震

（景德鎮陶瓷大學，江西 景德鎮 333000）

枯草桿菌是革蘭氏陽性菌中比較有代表性的模式生物，啟動子作為RNA聚合酶結合的靶序列，其預測和分析對于研究枯草桿菌的基因序列關系有著非常重要的作用。利用高精度的預測算法能夠有效地補充傳統實驗中對于枯草桿菌的相關研究。支持向量機在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，因此，利用支持向量機的方法展開針對枯草桿菌的啟動子預測和分析，正是文章探討的中心內容。

1 研究的重要意義

枯草桿菌（又名枯草芽孢桿菌）雖然是革蘭氏陽性菌中比較典型的一種菌株，但是應用其制備發酵制品的時候，該菌株是非致病的。又因為其具備自身合成消化性酶類（如蛋白酶、纖維素酶），可以在消化道中與內源酶發生共生作用，合成多種維生素，提高和人動物體內的干擾素和巨噬細胞活性的諸多特點，美國的FDA和中國農業部等相關部門都認可批準其是安全級的食品菌株。有相關研究表明，枯草桿菌可以改善血清總膽紅素值，能夠用于治療新生兒的母乳性黃疸和子宮肌瘤等婦幼疾病。因此，把枯草桿菌作為一種益生菌積極應用進入醫療衛生行業，能夠有效提高人類的生命質量，維護人類健康。

而要想把枯草桿菌進行大規模的工業開發，基因工程技術的應用就顯得尤為重要。啟動子是基因表達中的一個重要調控序列，能夠在DNA轉換成RNA時發揮重要的作用，按照克拉克提出的中心法則，DNA轉換成RNA再轉換成蛋白質，從這個鏈條來看，啟動子發揮的作用顯而易見，它就像是一個“開關”，決定基因的活動走向，而當中的組織特異性啟動子，能夠為醫學上特殊疾病的靶向治療提供實現的可能。枯草桿菌的毒素和亞基（SUBA）結合，能夠摧毀葡萄糖調節蛋白78的結構（GRP78），誘導細胞凋亡，結合前文所描述的該菌株的其他作用，枯草桿菌作為抗癌藥物的生產能夠有效支持面向惡性腫瘤的靶向治療。基于支持向量機的枯草桿菌啟動子預測技術的研究開展，就是為了挖掘出枯草桿菌的臨床應用區域，更好地為人類的健康事業服務。

2 同類研究的國內外現狀分析

對于枯草桿菌的研究，早在100多年前就已經開始涉及。主要的研究內容大都聚焦在形態功能觀察和功能鑒定等方面，近40年來，與之相關的生理、生化、遺傳及分子生物學的研究陸續積極展開。尤其，隨著分子生物學和基因工程的快速發展，其作為基因工程表達系統發展迅速，并展現出良好的應用前景。因此總的來說，在生物信息學方面，國內外的研究水平都處于逐年升高的趨勢。

在啟動子研究方面，啟動子序列克隆的多種方法促進了啟動子分離技術的突飛猛進，各類型的啟動子不斷得到提取，利用生物信息學方法來預測啟動子的功能屬性也得到了相對廣 泛 的 應 用 ，Core Promoter、Promoter 2.0、Mat Inspector、Tf site scan、Sigscan、Tf search和Consite等相應軟件也不斷研發出來，并投入到實際的應用當中。倪偉明等利用Neural network promoter prediction在糞腸球菌基因組中預測了乳酸脫氫酶和三磷酸甘油醛脫氫酶的啟動子序列，并證明其具有啟動活性；蘇紅等分析了牛Gt12基因的側翼序列，找到其潛在的啟動子序列，并成功克隆出牛Gt12基因的啟動子序列；中國計量學院學者利用支持向量機技術開發了預測人類核心啟動子的系統。

國外方面，相較于國內更偏重于特異性啟動子預測的研究，國外會比較偏重于共性的啟動子預測研究。從主要成型的技術成果來看，包括了ANN技術（基于人工神經網絡）、SVM技術（基于支持向量機）、PWM技術（基于位置權值矩陣）和QDA技術（基于二次判別分析）。其中，文章論述的支持向量機就是Vapnik等人在1995年提出來的；Rajeev Gangal等人就利用該項技術開發了預測人類RNA聚合酶II的啟動子工具Prometheus。

3 研究擬解決的主要問題

啟動子作為基因的組成部分，包含范圍非常之廣，所以要預測啟動子并不是一件容易的事。為了最大化利用支持向量機的特點進行預測，首先需要解決的是將枯草桿菌轉錄調控數據庫DBTBS中收集到的枯草桿菌啟動子數據的特征提取的問題，從而獲得含枯草桿菌啟動子信息的特征向量，最后在利用支持向量機對特征向量進行訓練和判別。該方法解決了一般的啟動子預測模型在數據上的準確度不高以及適用范圍局限性的問題。這不僅是機器學習算法與生物模型的一次結合應用，更是利用智能算法對傳統預測的一次有益嘗試。

4 研究實施的方案

在充分利用了啟動子序列區域的全局組成特征、局部信號特征以及結構特征的基礎上，首先選取適當的特征模型分別計算各個特征得分，再將特征得分組合成高維特征向量，繼而在特征空間中利用SVM對向量進行訓練和判別，對枯草桿菌實際數據集的測試結果表明，研究提出的算法可以對啟動子進行有效的預測，并對多類啟動子有廣泛的適用性。

針對上述的幾個問題，本課題的研究將分步驟進行，在研究過程中，將跟蹤近些年比較先進的研究理論和方法。此外，文章中所需要的數據都可以從權威的數據庫中下載，這為本次研究提供了便利條件。

本次項目研究路線圖如圖1所示：

圖1 研究方案路線圖

5 研究可行性論證

孟玲玲于2015年提出了“基于支持向量機的組合預測模型及其應用研究”并進行了詳細的描述，具有充分的理論支持。由于文章所采用的數據主要從枯草桿菌轉錄調控數據庫DBTBS中收集整理而來，是目前已被實驗證實的枯草桿菌啟動子數據，具有一定的準確性和權威性，這也為文章中的模型建立打下了良好的基礎。

在DNA序列特征提取上將采用如下方法：DNA序列是由4種堿基所組成，一個長度為蘊的序列表示如下：

對該序列進行統計分析可得到堿基成分（nucleotides composition，NC）以及K聯體成分（K-NC），這些成分可作為序列特征以反映序列中各種堿基的分布情況，但是僅僅用這些成分來表達序列會造成序列的順序信息和物理化學特性的丟失，由此引入了偽堿基成分（PseNC）的概念，偽堿基成分的引入已經被證明可以顯著提高DNA序列屬性的預測效果。在提取堿基成分時，首先根據堿基的物理化學屬性指標對DNA序列作數字編碼，假設Hi（i=1，2，3，4）為4種堿基的某種物理化學屬性值（attribute value），據此將DNA序列的每個堿基殘基一一對應地轉化成數值，表示為［H（R1），H（R2），…，H（R蘊）］，對該數字信號流可以做傅里葉分析和小波分析，以獲取在不同層面和不同尺度下的物理化學信息。經過以上步驟，DNA序列就可以被表達為高維特征空間里的一個點，或者說向量：

本研究還嘗試提出一種新的特征提取方法，即構造堿基序列物理化學屬性矩陣（PCM）。采用10種生物物理化學實驗中已測知的堿基物理化學屬性，如水解性、酸堿性、分子重量、分子體積等，將不同尺度下的物理化學屬性值做標準化：

再根據標準化后的物理化學屬性對堿基序列編碼成如下形式：

從矩陣（圖像）中提取的描述子可以反映序列的多種物理化學信息，如采用統計學里的自相關與互相關協方差算法：

通過上述的特征提取步驟，任意一條DNA序列都可以映射到高維特征空間中的一個點，即一個高維特征向量。但是，這些特征中可能有很多特征與要解決的分類問題關系并不密切，他們在后續的分類器設計中可能會影響分類器的性能。另一方面，有時即使很多特征都與分類關系密切，但是特征過多會帶來計算量大、推廣能力差等問題。這時就需要進行特征選擇以降低特征空間維數。由于選擇的空間很大且對特征間的關系缺乏認識，因此嘗試使用遺傳算法進行特征選擇。遺傳算法雖然不能保證收斂到全局最優解，但是在多數情況下至少得到很好的次優解。

6 結語

科技改變生活，創新推動發展。基于支持向量機的枯草桿菌啟動子預測技術的研發對于推動基因工程開展，完善生物技術發展都有著十分積極的意義。可以說，結合支持向量機在高維識別中表現出來的獨有優勢，并且充分利用了啟動子序列區域的全局組成特征、局部信號特征以及結構特征，開發出一種面向枯草桿菌的啟動子分類預測器，通過文章的論證，證明其確有一定的社會價值和實現的可能。

［1］ 杜耀華，倪青山，王正志.基于支持向量機的枯草桿菌啟動子預測方法［J］.生命科學研究，2005，（12）：319-326.

［2］ 匡琳.支持向量機在文本分類中的應用的概述［J］.科技資訊，2008，（36）.

［3］ 孫吉貴，韓霄松，盧欣華，等.真核生物啟動子的預測技術［J］.計算機科學，2009，（1）：5-7.

［4］ 劉開泉.利用原核系統表達富含二硫鍵蛋白質的探索與改進［D］.泰安：山東農業大學，2011.

［5］ 孫吉貴，韓霄松，盧欣華，等.真核生物啟動子的預測技術［J］.計算機科學，2009，（1）：5-7.