基于不同文本表示的大规模蛋白功能预测探究

测 任 务 的影 响 ，通 过 实 验 分 析 了一 系列 主 流 的 文 本 表 示 方 法 ，包括 传 统 的基 于 词 袋 模 型 的 稀 疏 表 示 （ＴＦＩＤＦ）和 含 有 深 度 语 义
信 息 的 稠 密表 示 （Ｗ ２Ｖ，ＧｌｏＶｅ，Ｄ２Ｖ），并做 了 两 方 面 拓 展 ：① 对 基 于 词 向 量 的 文 本 表 示 考 虑 使 用 ＩＤＦ加 权 平 均 （ｗ ｗ２Ｖ，
Ｗ ＧｌｏＶｅ）；② 稀 疏 表 示 与稠 密表 示 的拼 接 结 合 （ＷＷ ２Ｖ—ＴＦＩＤＦ，ＷＧｌｏＶｅ－ＴＦＩＤＦ，Ｄ２Ｖ—ＴＦＩＤＦ，Ｃｏｍｂｉｎｅｄ）。 实验 结果 证 明 ，
ＩＤＦ加 权 平 均 比 直 接 平 均 效 果 更 好 ；每 个 单 独 的 表 示 侧 重 点 不 同 ，各 有 优 缺 点 ；稀 疏 表 示 与 稠 密表 示 具 有 互 补 性 ；多种 表 示 的
Ｌａｒｇｅ－ｓｃａｌｅ Ｐｒｏｔｅｉｎ Ｆｕｎｃｔｉｏｎ Ｐｒｅｄｉｃｔｉｏｎ
ＱＩＡ０ Ｙｕ。ＹＡ０ Ｓｈｕｗｅｉ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍ ｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｆｕｄａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００４３３） Ａｂｓｔｒａｃｔ：Ｓｉｎｃｅ ｉｔ ｔａｋｅｓ ａ ｌｏｔ ｏｆ ｔｉｍ ｅ ａｎｄ ｒｅｓｏｕｒｃｅｓ ｔＯ ｄｅｔｅｒｍ ｉｎｅ ｔｈｅ ｆｕｎｃｔｉｏｎｓ ｏｆ ａ ｐｒｏｔｅｉｎ ｔｈｒｏｕｇｈ ｂｉｏｃｈｅｍ ｉｃａｌ ｅｘｐｅｒｉｍ ｅｎｔｓ，ｉｔ ｉｓ ｏｆ ｇｒｅａｔ ｓｉｇｎｉｆｉｃａｎｃｅ ｔＯ ａｕｔｏｍ ａｔｉｃａｌｌｙ ａｎｎｏｔａｔｅ ｔｈｅ ｐｒｏｔｅｉｎ ｆｕｎｃｔｉｏｎｓ ｕｓｉｎｇ ｃｏｍ ｐｕｔａｔｉｏｎａｌ ｔｅｃｈｎｏｌｏｇｙ． Ｔ ｅｘｔ－ｂａｓｅｄ ｍ ｅｔｈｏｄｓ ｆｏｒ ｐｒｏｔｅｉｎ ｆｕｎｃｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ ｃａｎ ｔａｋｅ ｆｕｌｌ ａｄｖａｎｔａｇｅｓ ｏｆ ｄａｔａ ｏｔｈｅｒ ｔｈａｎ ｐｒｏｔｅｉｎ ｓｅｑｕｅｎｃｅ． Ｉｎ ｏｒｄｅｒ ｔｏ ｅｘｐｌｏｒｅ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｄｉｆｆｅｒ— ｅｎｔ ｔｅｘｔ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｉｎ ｔｅｘｔ ｃａｔｅｇｏｒｉｚａｔｉｏｎ ｏｎ ｔｈｅ ｔａｓｋ ｏｆ ｐｒｏｔｅｉｎ ｆｕｎｃｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ，ｔｈｅ ａｒｔｉｃｌｅ ａｎａｌｙｚｅｓ ｔｈｅ ｍ ａｉｎｓｔｒｅａｍ ｔｅｘｔ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｍｅｔｈｏｄｓ ｂｙ ａ ｓｅｒｉｅｓ ｏｆ ｅｘｐｅｒｉｍｅｎｔｓ，ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｓｐａｒｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ＢＯＷ （ＴＦＩＤＦ） ａｎｄ ｔｈｅ ｄｅｎｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｗｉｔｈ ｄｅｅｐ ｓｅｍａｎｔｉｃ ｉｎｆｏｒｍａｔｉｏｎ（Ｗ２Ｖ，ＧｌｏＶｅ，Ｄ２Ｖ）．Ｉｎ ａｄｄｉｔｉｏｎ，ｗｅ ｍａｋｅ ｔｗｏ ｅｘｐａｎｓｉｏｎｓ：① Ｃｏｎｓｉｄ— ｅｒｉｎｇ ｔｈｅ ＩＤＦ ｗｅｉｇｈｔｅｄ ａｖｅｒａｇｅ ｔＯ ｗｏｒｄ—ｅｍｂｅｄｄｉｎｇ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ（Ｗ Ｗ２Ｖ，ＷＧｌｏＶｅ）；② ｉｎｔｅｇｒａｔｉｎｇ ｔｈｅ ｓｐａｒｓｅ ｒｅｐｒｅｓｅｎｔａ— ｔｉｏｎｓ ａｎｄ ｄｅｎｓｅ ｒｅｐｒｅｓｅｎｔａｔｉ０ｎｓ（Ｄ２Ｖ－ＴＦＩＤＦ，Ｗ Ｗ ２Ｖ－ＴＦＩＤＦ，Ｗ ＧｌｏＶｅ—ＴＦＩＤＦ，Ｃｏｍｂｉｎｅｄ）． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ＩＤＦ ｗ ｅｉｇｈｔｅｄ ａｖｅｒａｇｅ ｉｓ ｂｅｔｔｅｒ ｔｈａｎ ｔｈｅ ｐｕｒｅ ａｖｅｒａｇｅ；ｅａｃｈ ｉｎｄｉｖｉｄｕａｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｃｕｓｅｓ ｏｎ ｄｉｆｆｅｒｅｎｔ ｐｏｉｎｔｓ ａｎｄ ｅａｃｈ ｏｆ ｔｈｅｍ ｈａｓ ｉｔｓ ｏｗｎ ａｄｖａｎｔａｇｅｓ ａｎｄ ｄｉｓａｄｖａｎｔａｇｅｓ；ｔｈｅ ｓｐａｒｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ａｎｄ ｔｈｅ ｄｅｎｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ａｒｅ ｃｏｍ ｐｌｅｍ ｅｎｔａｒｙ； ｔｈｅ ｃｏｍ ｂｉｎａ－ ｔｉｏｎ ｏｆ ｍｕｌｔｉｐｌｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ（ｃｏｍｂｉｎｅｄ ｗｉｔｈ ＴＦＩＤＦ，Ｗ Ｗ ２Ｖ ，Ｗ ＧｌｏＶｅ，Ｄ２Ｖ）ｐｒｅｓｅｎｔｓ ｔｈｅ ｂｅｓｔ ｐｅｒｆｏｒｍａｎｃｅ． Ｋｅｙ ｗｏｒｄｓ：Ｐｒｏｔｅｉｎ ｆｕｎｃｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ； Ｍ ａｃｈｉｎｅ ｌｅａｒｎｉｎｇ； Ｓｅｍ ａｎｔｉｃ ｓｉｍ ｉｌａｒｉｔｙ
组 合 （结合 了 ＴＦＩＤＦ，Ｗ Ｗ２Ｖ，ＷＧＩｏＶｅ，Ｄ２Ｖ）效 果 最 好 。
关 键 词 ：蛋 白质 功 能预 测 ；机 器 学 习 ；文 本表 示
中 图 分 类 号 ：ＴＰ３１１
文 献标 志 码 ：Ａ
Ｒｅｓｅａｒｅｈ ｏｎ Ｄｉｆｆｅｒｅｎｔ Ｔｅｘｔ ＲｅｐｒｅｓｅｎｔａｔｉＯｎ Ｍ ｅｔｈｏｄｓ ｏｆ
（复旦 大学 计 算机科 学 技术学 院 ，上 海 ２００４３３）
摘 要 ：因 为使 用 生化 实 验 确 定蛋 白功 能 需 要 耗 费大 量 的 时 间和 资 源 ，所 以 利 用 计 算技 术 自动 标 注 蛋 白 功 能 预 测 的 方 法 可 以 充 分利 用蛋 白序 列 以 外 的 数 据 。 为 了探 究 文 本 分 类 中不 同的 文 本 表 示 对 蛋 白 质 功 能 预
Ｍｉｃｒｏｃ０ｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ Ｖｏ１．３４，Ｎｏ．７，２０１８
基 金 项 目
微 型 电脑 应 用 ２０１８年 第 ３４卷 第 ７期
文 章 编 号 ：１００７—７５７Ｘ（２０１８）０７—０００１—０５
基 于不 同文 本 表 示 的大 规 模 蛋 白功 能预 测探 究
乔 羽， 姚舒威