(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111305379.3 (22)申请日 2021.11.05 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市栖霞区文苑路9 号 (72)发明人 郭丽　姜雯雯　夏道良　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 代理人 刘妍妍 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 一种跨物种编码多肽s ORF的预测方法 (57)摘要 本发明属于生物信息领域， 公开了一种跨物 种编码多肽sORF的预测方法， 整 合了sORF数据库 中人和小鼠、 TAIR数据库中拟南芥以及NCBI数据 库中部分原核生物的可编码蛋白的DNA序列， 并 通过数据过滤策略和负样本产生策略构建各物 种相应的正负样本； 提取序列特征， 并利用最大 相关最小冗余和增量选择的方法对训练集进行 特征筛选， 得到不同方法对应的最佳特征集， 构 建肽编码sORF预测模型； 利用贪婪的网格搜索方 法进行参数优化， 构建基于支持向量机的最佳预 测模型， 并通过灵敏度、 特异度、 准确率和马修斯 相关系数对 预测模型经行评估。 本方法有助于分 类识别肽编码sORFs， 对肽编码sORFs的研究和基 因注释有重要意 义。 权利要求书2页 说明书9页 附图2页 CN 114154396 A 2022.03.08 CN 114154396 A 1.一种跨物种编码多肽s ORF的预测方法， 其特 征在于， 包括以下步骤： 将非编码序列产生策略应用于多个物种的肽编码sORFs的数据集， 分别得到与之对应 的非编码sORFs数据集； 将各物种的肽编码sORFs和非编码sORFs分别去冗余， 得到各物种相 应的正负 样本， 构建训练集和 测试集； 提取各数据集中相应的特征参数； 结合最大相关最小冗余策略和增量选择方法选取表 现较好的特征， 构建相应特征集； 构建基于支持向量机肽编码sORFs的预测模型， 将训练集 的特征集用于模型训练； 利用贪婪的网格搜索方法对训练模型进一步优化， 分别得到指定 参数范围内的最佳 预测模型； 利用预测模型对测试集进行预测， 分析各数据集预测结果， 比较评估不同特征选取策 略的预测效率， 得到表现最 好的特征集和预测模型作为 最佳的特 征集和预测模型。 2.根据权利 要求1所述的跨物种编码多肽sORF的预测方法， 其特征在于， 从sORF数据库 中下载人和小鼠的编码序列， 从TAIR数据库中下载拟南芥的CDS， 从NCBI数据库中下载部 分 原核生物基因组的CDS； 根据数据过滤策略滤除 “错误”序列， 得到多个物种的肽编码sORFs 的数据集。 3.根据权利 要求2所述的一种跨物种编码多肽sORF的预测方法， 其特征在于， “错误”序 列过滤策略为： 滤除sORF长度≥10 0aa； 滤除序列长度不能被3整除的s ORF； 滤除以终止密码子开头的s ORF； 滤除不以终止密码子结尾的s ORF； 滤除序列中带有终止密码子的s ORF。 4.根据权利要求1所述的跨物种编码多肽s ORF的预测方法， 其特 征在于， 非编码序列产生策略为： 固定起始密码子和终止密码子， 随机打乱每 个正sORF序列； 确保在序列末端的终止密码子之前没有任何终止密码子 。 5.根据权利要求1所述的跨物种编码多肽sORF的预测方法， 其特征在于， 去冗余方法 为： 通过CDHit程序， 将各物种的肽编码sORFs和非编码sORFs分别去冗余， 得到各物种相应 的正负样本， 构建训练集和 测试集； 去冗余阈值设为0.80， 滤除相似度大于80％的DNA序列。 6.根据权利要求1所述的跨物种编码多肽sORF的预测方法， 其特征在于， 根据9种不同 的特征选取策略， 提取各数据集中相应的特征参数； 所述9种不同的特征选取策略分别为： CPPred、 2mer、 3mer、 TN、 ITN、 Cyl indrical、 Spherical、 Codo n、 Amino。 7.根据权利要求1所述的跨物种编码多肽sORF的预测方法， 其特征在于， 利用PyCharm 软件提取各数据集中DNA序列的特征参数； 利用PyCharm软件pymrmr包实现MRMR策略和增量 选择方法， 完成特 征排序， 构建相应的特 征集。 8.根据权利要求1所述的跨物种编码多肽s ORF的预测方法， 其特 征在于， 网格搜索方法的参数设置： cmin： 惩罚参数c的变化范围的最小值； 默认为 ‑5； cmax： 惩罚参数c的变化范围的最大值； 默认为5；权　利　要　求　书 1/2 页 2 CN 114154396 A 2gmin： 参数g的变化范围的最小值； 默认为 ‑5； gmax： 参数g的变化范围的最大值； 默认为5； v： 交叉验证的参数； 默认为3； cstep： 参数c步进的大小； 默认为1； gstep： 参数g步进的大小； 默认为1； accstep： 最后显示 准确率图时的步进大小； 默认为1.5 。 9.根据权利要求1所述的一种跨物种编码多肽sORF的预测方法， 其特征在于， 利用 matlab的libsvm包， 利用预测模型对测试集进行跨物种预测， 根据Sn、 Sp、 A CC、 MCC， 4个指标 分析预测结果， 对预测模型进行比较评估， 将表现最好的特征集和预测模型作为跨物种编 码多肽sORF的预测方法的特 征集和预测模型。 10.根据权利要求9所述的一种跨物种编码多肽sORF的预测方法， 评估指标计算公式如 下： 其中， Sn为灵敏度， Sp为特异度， ACC为准确率， MCC为马修斯相关系数， TP为真正例， FN 为假负例， TN 为真负例， FP假 正例。权　利　要　求　书 2/2 页 3 CN 114154396 A 3