疾病相关单核苷酸多态性的特征分析与建模预测.docVIP

  疾病相关单核苷酸多态性的特征分析 与建模预测# 郭延芝，唐晓玲，秦文丽，李梦龙** 5 10 （四川大学化学学院，成都 610064） 摘要：利用 77 个蛋白质序列描述符对信号肽上的有害非同义单核苷酸多态性进行数值表征。 然后选用 Weka 中的两种特征选择方法：CfsSubsetEval 与 Filtered AttributeEval 对这些特征 进行全面的分析与优化，并与文献报道的最大相关最小冗余的方法(maximum relevance minimum redundancy, mRMR)进行比较。通过随机森林方法的建模，结果发现 CfsSubsetEval 方法筛选出的 11 个特征可以很好对疾病相关突变氨基酸残基进行预测。最后，利用了代价 矩阵解决数据不平衡问题，留一法交叉验证后，其模型的灵敏度为 66.2%，高于文献报道的 结果。 关键词：非同义单核苷酸多态性；特征优化；随机森林 中图分类号：0621.22 15 Feature analysis and modelling in the prediction of desease-ralated single nucleotide polymorphisms GUO Yanzhi, TANG Xiaoling, QIN Wenli, LI Menglong (College of Chemistry, Sichuan University, ChengDu 610064) 20 25 30 35 40 Abstract: Based on 77 descriptors, the sequences of non-synonymous single nucleotide polymorphisms (nsSNPs) were represented as numerical vectors. Then two feature selection methods including CfsSubsetEval and Filtered AttributeEval in Weka software were used to optimize these features respectively and compared with another reported optimization method, maximum relevance minimum redundancy (mRMR). Models were constructed using random forest (RF) and the prediction results shows that the model based on 11 features selected by CfsSubsetEval gives the best performance. At last, cost matrix was incorporated to resolve the data imbalance problem. By leave-one-out cross validation, the sensitivity is 66.2%, higher than that of the reported method. Keywords: non-synonymous single nucleotide polymorphisms (nsSNPs); feature optimization; random forest (RF) 单核苷酸多态性(single nucleotide polymorphism，SNP)，主要是指在基因组 DNA 中由单 个核苷酸的变异（包括转换、颠换、插入或缺失等）所引起的 DNA 序列多态性，占所有已 知多态性的 90%以上，是人类可遗传变异中最常见的一种[1]。位于编码区内的 SNP(coding SNP, cSNP)比较少，但它在遗传性疾病研究中却具有重要意义[2]。从对生物遗传性状的影响 来看，cSNP 可分为两种：一种是同义 cSNP(Synonymous cSNP)[3]，这种编码序列的改变并 不会影响翻译蛋白质的氨基酸序列；另一种是非同义 cSNP(Non-synonymous cSNP)，这种序 列的改变会影响翻译的蛋白质序列的改变，进一步影响蛋白质的功能[4]。在 nsSNPs 的研究 中，突变数据库是其生物信息学研究的基础。目前常用的突变数据库有 Human Gene Mutation Database（HGMD）[5]、Online Mendelian Inheritance in Man (OMIM)[6]、SwissVar da