生物信息学中的不确定性和分类问题

邹 权 ( 博士、副教授 )

厦门大学数据挖掘实验室http://datamining.xmu.edu.cn/~zq

提纲 生物信息学和机器学习的关系 一些生物信息学中的分类问题

microRNA 识别蛋白质功能预测基因表达数据分析全基因组关联分析

总结

生物信息学 人类基因组计划

数据存储 --- 数据库数据分析 --- 数据挖掘Olson M V. Human genetics: Dr Watson's base pairs[J]. Nature,

2008, 452(7189): 819-820.

HapMap 计划 /1000 Genome 计划大数据

生物信息学中的我国计算机学者 算法阶段 (1990-2000)

朱大铭、姜涛、卜东波 标注阶段 (2000-2008)

王晓龙、朱小燕等 系统分析阶段 (2008-2013)

李衍达、张学工等 大规模数据处理阶段 (2010-now)

华大基因

一些生物信息学中的分类问题microRNA识别蛋白质功能预测基因表达数据分析全基因组关联分析

microRNA 识别 2006 年诺贝尔奖 ---RNA 干扰机制

CCCCUCUAUUCACAAUUGUUUGGAACUCAGUUUUGUGAUUAUUCUAUCAUUGCCAGGGAGUUUGUGUGGUUGCAUCAGGGG

DNA

···

microRNA 前体(precursor)

出核

细胞核

细胞质

······

mRNA

microRNA 成熟体

靶标

研究1：从长的DNA序列中找出前体

研究2：根据成熟体寻找靶标

CUUUCUACACAGGUUGGGAUCGGUUGCAAUGCUGUGUUUCUGUAUGGUAUUGCACUUGUCCCGGCCUGUUGAGUUUGG. . (((. . . (((((((((((( . ((( . (((((((((((. . . . . . )))))))))))))) . )))))))))))) . ))) . . . . .

U U C G U

32 个三元组——32 维特征向量

.(( ((( ((. ((. .((

( U ( ( ( , U ( ( . , U ( . ( , U ( . . , U . ( ( , U .(. , U . . ( , U . . . , G ( ( ( , G ( ( . , . . .)

(12,4,3,1,2,0,0,0,10,1, . . .)

归一化三元组(0. 1846,0. 0615,0.0462,0.0154,0.0308,0,0,0,0.1538,0.0154, …)

一级序列二级结构

说明：” （” 和” ）” 意义相同，均表示发生了配对。“ .” 表示没有发生配对

每一位核苷酸和它及其相邻的两个核苷酸的配对情况

出现的次数

microRNA 分类相关论文 Chenghai Xue, Fei Li, Tao He, Guo-Ping Liu, Yanda Li, Xuegong Zhang.

Classification of real and pseudo microRNA precursors using local structure-sequence features and support vector machine. BMC Bioinformatics. 2005.6:310 (google scholar 引用 271 次，截至 2014.8.2)

Peng Jiang, Haonan Wu, Wenkai Wang, Wei Ma, Xiao Sun, Zuhong Lu. MiPred: classification of real and pseudo microRNA precursors using random forest prediction model with combined features. Nucleic Acids Research. 2007,35:W339-W344 (google scholar 引用 239 次，截至 2014.8.2)

Leyi Wei, Minghong Liao, Yue Gao, Rongrong Ji, Zengyou He, Quan Zou. Improved and promising identification of human microRNAs by incorporating a high-quality negative Set. IEEE/ACM Transactions on Computational Biology and Bioinformatics. 2014, 11(1):192-201

microRNA 与疾病的关系 图挖掘 相似度度量、不确定性

参考文献 Jiang Q, Hao Y, Wang G, et al. Prioritization of disease microRNAs through a human

phenome-microRNAome network[J]. BMC Systems Biology, 2010, 4(Suppl 1): S2. Xuan P, Han K, Guo M, et al. Prediction of microRNAs associated with human diseases

based on weighted k most similar neighbors[J]. PloS one, 2013, 8(8): e70204.

一些生物信息学中的分类问题microRNA 识别蛋白质功能预测基因表达数据分析全基因组关联分析

蛋白质功能预测 问题

输入：蛋白质序列，进行聚类、分类 特殊蛋白识别 --- 不平衡分类 亚细胞定位 ----- 多类分类 酶和多功能酶 --- 多类，少量多标记 功能预测 ------ 多示例、多标记 二级结构、结构域 ----- 标注、 HMM

难点特征提取分类器

一些生物信息学中的分类问题microRNA 识别蛋白质功能预测基因表达数据分析全基因组关联分析

基因表达数据分析

14/57

一些生物信息学中的分类问题microRNA 识别蛋白质功能预测基因表达数据分析全基因组关联分析

全基因组关联分析 (GWAS)

GWAS

难点高维小样本SNP-SNP 相互作用结果的可解释性

前景疾病的遗传机理遗传育种（作物、养殖）

总结 机器学习在寻找生物信息学

应用 --- 分类、聚类、降维、不确定性结果的解释和验证

生物实验验证文献验证

生物信息学在寻找机器学习数据量在增大统计学无法满足精度需要

邹权， Email： zouquan@xmu.edu.cn

http://datamining.xmu.edu.cn