[发明专利]一种基于随机聚类森林的全基因组蛋白质功能预测方法

摘要

本发明公开了一种基于随机聚类森林的全基因组蛋白质功能预测方法。该方法将已注释功能的蛋白质按功能分别进行聚类，将具有同一种功能的蛋白质划分为若干个簇，并计算每个簇的中心；所有的簇中心组成蛋白质新的特征向量，使用蛋白质原有的多组特征向量将每个蛋白质转换为只具有一组特征向量的对象；将完成特征转换的蛋白质作为数据集，使用已注释功能的蛋白质训练多棵随机聚类树，构建随机聚类森林作为全基因组蛋白质的功能预测模型，并使用该模型预测未注释的全基因组蛋白质的功能。本发明提高了蛋白质预测的效率，也提高了蛋白质功能的注释准确率。

主权项

1.一种基于随机聚类森林的全基因组蛋白质功能预测方法，其特征在于包括以下步骤：S1、将已注释功能的蛋白质按功能分别进行聚类，将具有同一种功能的蛋白质划分为若干个簇，并计算每个簇的中心；S2、所有的簇中心组成蛋白质新的特征向量，使用蛋白质原有的多组特征向量将每个蛋白质转换为只具有一组特征向量的对象；所述蛋白质新的特征向量建立方法具体如下：S21、计算每个蛋白质与每个簇中心的Hausdorff距离H(Xi,Mj)；S22、计算每个蛋白质的特征值，其计算公式如下：其中Xi和Mj分别是指第i个蛋白质和第j个簇中心，偏差σ由簇中心两两间Hausdorff距离的平均值决定，具体计算方法如下：其中m为所有簇中心的数量，μ为转换系数，μ∈(0,1)；S3、将完成特征转换的蛋白质作为数据集，使用已注释功能的蛋白质训练多棵随机聚类树，构建随机聚类森林作为全基因组蛋白质的功能预测模型，并使用该模型预测未注释的全基因组蛋白质的功能；所述的随机聚类树的建立方法具体如下：S31、对随机聚类树的每个节点，随机选取一组特征向量{fj|1≤j≤m}和其对应的任意阈值{θj|1≤j≤m}；S32、对当前节点Dc中的蛋白质进行划分，如果蛋白质的特征fj的值大于θj，则该蛋白质划分到当前节点的右子节点Dr；否则，该蛋白质划分到当前节点的左子节点Dl；S33、计算特征fj的划分值，计算公式如下：其中|Di|是指子节点Di中蛋白质的个数，Info(Di)是指子节点Di的信息增益，Info(Dc)是当前节点Dc的信息增益；S34、重复步骤S32‐S33，找到对当前节点划分值最高的特征fj和其阈值θj；S35、重复步骤S31‐S34，保留每个节点的划分特征fj和其阈值θj，建立一棵随机聚类树。