基于 KL 散度和 BP神经网络的人类基因启动子识别

第３３卷第１期２０１０年３月 辽宁师范大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＬｉａｏｎｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｖｏｌ．３３　Ｎｏ．１Ｍａｒ．　２０１０ 文章编号：１０００‐１７３５（２０１０）０１‐００４２‐０４

基于ＫＬ散度和ＢＰ神经网络的人类基因启动子识别

李文举，　梅　丽，　信润海，　韦丽华

（辽宁师范大学计算机与信息技术学院，辽宁大连　１１６０８１）

摘　要：

人类基因启动子预测和识别是ＤＮＡ序列分析中的一项重要任务．提出了一个基于ＫＬ散度和ＢＰ神经网络的人类基因启动子识别算法．利用ＫＬ散度提取分辨力最强的六联体来区分启动子和非启动子区域，将这些六联体的

出现频率作为识别启动子的组成成分特征，结合ＣｐＧ岛特征，应用ＢＰ神经网络技术建立人类启动子识别系统．该系

统有３个分类器，即启动子‐外显子分类器，启动子‐内含子分类器和启动子‐３’ＵＴＲ分类器，每个分类器都是一个ＢＰ

神经网络，通过３个分类器的结果来综合预测启动子序列．对测试集的实验结果为：敏感性达到５１．４％，特异性达到

５２．９％．

关键词：启动子识别；组成成分特征；ＣｐＧ岛；ＫＬ散度；ＢＰ神经网络

中图分类号：ＴＰ３９１．４ 文献标识码：Ａ

收稿日期：

２００９‐１１‐２２基金项目：辽宁省博士科研启动基金项目（２００６１０５２）

作者简介：李文举（１９６４‐），男，辽宁营口人，辽宁师范大学教授，博士．Ｅ‐ｍａｉｌ：ｗｅｎｊｕｌｉ＠ｄｌ．ｃｎ

１　引言

随着人类基因草图的完成［１］

，基因识别成为一项重要任务．基因前面通常存在着启动子．启动子是

起始调控基因转录的序列［２］，它包含基因的转录起始点（ＴＳＳ）并控制基因的生物活性［３］，它决定ＤＮＡ

转录的方向、速度和准确性，是重要的调控元件．启动子识别和预测在基因识别中具有重要作用，是生物信息学的研究热点之一．

现有的启动子识别方法大致可分为３大类：

（１）基于信号的方法［４‐６］．它主要通过识别ＴＡＴＡ盒，ＣＡＡＴ盒等启动子元件来区分启动子序列和

非启动子序列，但这些元件并不是决定启动子功能的唯一元件，因此单纯考虑这些元件，会造成很大的假阳率．

（２）基于内容的方法［７‐８］．这种方法主要是统计启动子序列中的Ｋ个连续字符组合出现的频率，即

根据组成成分来识别启动子序列．由于ＤＮＡ序列中各个碱基出现的频率不同，存在一定的特异性，而相同功能的ＤＮＡ序列存在碱基使用偏好，因此此方法适用于结构和功能都未知的序列预测．但如何选取分辨力最强的组成成分是一个难题，具有挑战性．

（３）基于ＣｐＧ岛的方法［９‐１１］．它是根据大多数人类启动子和ＣｐＧ岛相关这一事实对启动子进行识

别．但并非所有的启动子都与ＣｐＧ岛有关，所以仅依靠ＣｐＧ岛识别启动子会导致假阳率较高．

目前，人类基因启动子识别技术中存在的尚未解决的难题，就是假阳率高、识别率低，准确的启动子识别仍然是一个具有挑战性的任务．

笔者将ＣｐＧ岛特征和组成成分特征相结合，应用ＢＰ神经网络技术，提出了一种新的人类基因启动子识别算法．２　特征提取

２．１　组成成分特征ＤＮＡ序列可以看成是由字母Ａ、Ｃ、Ｇ、Ｔ组成的字符串，每个字母代表一个核苷酸．Ｋ个连续核苷酸被称为一个Ｋ联体（Ｋ‐ｍｅｒ）或长度为Ｋ的词（Ｋ词）．长度为Ｋ的Ｋ联体共有４Ｋ个．Ｋ联体的频率分布具有重要的生物学意义，一些特别重要的Ｋ联体（Ｋ≥４）能用于分辨启动子和非启动子区域．有研

第１期李文举等：　基于ＫＬ散度和ＢＰ神经网络的人类基因启动子识别４３

究表明，当Ｋ＝６时，即６联体具有更好的启动子识别性能［８］，关键是选取哪些６联体作为组成成分特征．

ＫＬ散度是一种很有意义的统计测度，它相当于距离，可以度量两个概率分布之间的差异．笔者使用ＫＬ散度来选择６联体．

设ｐｐｒ为６联体在启动子序列中出现的频率，ｐｊｎｐ（ｊ＝１，２，３）为６联体在第ｊ种非启动子序列中出现的频率（ｊ＝１，代表外显子；ｊ＝２，代表内含子；ｊ＝３，代表３’ＵＴＲ）．ＫＬ散度定义如下：

Ｄｊｐｐｒ，ｐｊｎｐ＝∑４０９６

ｉ＝１ｐｐｒｉｌｎｐｐｒｉ

ｐｊｎｐｉ， ｊ＝１，２，３（１）

将ｐｐｒｉｌｎｐｐｒｉ

ｐｊｎｐｉ，ｉ∈［１，４０９６］按降序排列并令其为ｄｊｍ，ｍ∈［１，４０９６］，令：

Ｒｊ＝

∑

ｎｊ

ｍ＝１

ｄｊｍ

Ｄｊｐｐｒ，ｐｊｎｐ，　ｎｊ∈［１，４０９６］（２）

将ｍ由１逐渐增大并计算对应的Ｒｊ．若当ｍ＝ｎｊ时，Ｒｊ≥９８％，则前ｎｊ个６联体的出现频率作为区别启动子和第ｊ种非启动子序列的特征．本文ｎ１＝１０２４，ｎ２＝１２４０，ｎ３＝１１９０

２．２　ＣｐＧ岛特征

ＣｐＧ岛是一类长度超过２００ｂｐ，Ｃ＋Ｇ含量大于５０％，双核苷酸ＣＧ出现的次数与估计出现的次数之比（Ｏｂｓ／Ｅｘｐ）大于６０％的特殊ＤＮＡ序列．从已知的ＤＮＡ序列统计发现，在大约一半的哺乳动物启动子附近发现了ＣｐＧ岛［１２］，而约６０％人类基因启动子与ＣｐＧ岛相关联［１３］，因此，ＣｐＧ岛可作为人类基因启动子识别的一个重要特征．笔者使用ＣｐＧ岛的两个特征，Ｃ＋Ｇ含量（ＧＣ＿ｃｏｎ）和Ｏｂｓ／Ｅｘｐ比值（ｏ／ｅ）．

设一段ＤＮＡ序列长度为Ｌ，ＮＣ，ＮＧ，ＮＣＧ分别为脱氧核糖核酸Ｃ，Ｇ以及二联体ＣＧ的数目，则Ｃ＋Ｇ含量和Ｏｂｓ／Ｅｘｐ比值计算如下［１４］：

ＧＣ＿ｃｏｎ＝ＮＣ＋ＮＧＬ（３）

ｏ／ｅ＝ＮＣＧ×Ｌ

ＮＣ×ＮＧ（４）３　分类器设计

系统结构如图１所示．系统由三个分类器组成，分别是启动子‐外显子分类器，启动子‐内含子分类器和启动子‐３’ＵＴＲ分类器，每一个分类器都是一个ＢＰ神经网络．由于三层ＢＰ神经网络能够逼近任何有理函数，所以每个分类器都由三层神经网络组成，即一个输入层，一个隐含层和一个输出层．Ｓｉｇｍｏｉｄ函数作为ＢＰ神经网络的激活转移函数．

图１　系统结构

隐含层的节点数Ｓ２根据经验公式计算如下：

Ｓ２＝Ｓ１×Ｓ３＋４＋ａ，　ａ∈１，１０ （５）