余健浩，孫廷凱

（南京理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，江蘇 南京 210094）

0 引言

三磷酸腺苷（Adenosine 5′?triphosphate，ATP）在分子細(xì)胞生物學(xué)中扮演著一個(gè)重要的角色，如膜運(yùn)輸、細(xì)胞活性、肌肉收縮、信號(hào)、復(fù)制和轉(zhuǎn)錄DNA、以及各種代謝過程[1?2]。ATP與蛋白質(zhì)相互作用是通過蛋白質(zhì)的ATP綁定位點(diǎn)進(jìn)行ATP綁定，通過蛋白質(zhì)?ATP水解提供化學(xué)能，利用這種化學(xué)能提供動(dòng)力，蛋白質(zhì)才能夠執(zhí)行多種生物功能。顯然，ATP需要和蛋白質(zhì)殘基（即氨基酸，一維結(jié)構(gòu)上即為蛋白質(zhì)序列中的若干位點(diǎn)）綁定才能在細(xì)胞活動(dòng)中完成各種任務(wù)，因此研究預(yù)測(cè)蛋白質(zhì)殘基的ATP綁定位點(diǎn)對(duì)于人體蛋白質(zhì)的功能分析顯得尤為重要。此外，蛋白質(zhì)?ATP綁定位點(diǎn)的準(zhǔn)確定位也在化療藥物的研發(fā)設(shè)計(jì)[2]中表現(xiàn)出比較突出的價(jià)值。因此，準(zhǔn)確地定位蛋白質(zhì)?ATP綁定殘基對(duì)于人體蛋白質(zhì)的功能分析和藥物設(shè)計(jì)都具有非常重要的意義。

目前確定蛋白質(zhì)?ATP作用綁定殘基的研究已經(jīng)取得了很大的進(jìn)展，然而，隨著蛋白質(zhì)測(cè)序技術(shù)的飛速發(fā)展，已經(jīng)積累了大量的蛋白質(zhì)序列數(shù)據(jù)未標(biāo)定，傳統(tǒng)的生物學(xué)實(shí)驗(yàn)方法往往遇到實(shí)驗(yàn)密集、昂貴、耗時(shí)等問題，因此從蛋白質(zhì)序列出發(fā)通過智能計(jì)算方法[3]預(yù)測(cè)蛋白質(zhì)?ATP綁定位點(diǎn)有著迫切的需求。

Nobeli等人最初研究了在鳥嘌呤和腺嘌呤與蛋白質(zhì)區(qū)別的分子識(shí)別方法，開創(chuàng)了用分子識(shí)別方法進(jìn)行鳥嘌呤和腺嘌呤與蛋白質(zhì)區(qū)別的先河，但是實(shí)驗(yàn)結(jié)果并不十分理想[4]。ATPint是最早被提出的專門用于蛋白質(zhì)?ATP綁定殘基的預(yù)測(cè)方法[5]。ATPint使用蛋白質(zhì)序列的位置特異性得分矩陣（Position Specific Scoring Matrix，PSSM）作為基本的特征源。最近，Kurgan等人開發(fā)了兩個(gè)更加準(zhǔn)確的預(yù)測(cè)方法分別為ATPsite[6]和NsitePred[7]。其中，ATPsite主要基于序列、進(jìn)化信息和二級(jí)結(jié)構(gòu)的組合方法識(shí)別蛋白質(zhì)?ATP綁定殘基，而NsitePred可以對(duì)多種類型的核苷酸進(jìn)行預(yù)測(cè)，如二磷酸腺苷（Adenosine diphosphate，ADP）、腺嘌呤核糖核苷酸（Adenosinemo?nophosphate，AMP）等。以上兩種方法均使用的數(shù)據(jù)為227個(gè)非冗余的ATP綁定蛋白質(zhì)，其較大的數(shù)據(jù)量有利于較好結(jié)果的預(yù)測(cè)。

從機(jī)器學(xué)習(xí)角度看，蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)是一個(gè)典型的不平衡學(xué)習(xí)問題[8]。不同類別樣本的數(shù)量很明顯不同，比如，ATP227數(shù)據(jù)，非綁定殘基的數(shù)量是綁定殘基的數(shù)量的23倍多。不同類別的樣本在不平衡的情況下，直接采用傳統(tǒng)的機(jī)器學(xué)習(xí)算法，即使得到了較高的識(shí)別率，但對(duì)于樣本數(shù)目較少的正類來說，分類效果則未必好。解決不平衡學(xué)習(xí)的基本方案是改變樣本在不同類別的分布，調(diào)整樣本分布[9]。而隨機(jī)下采樣是比較常用的調(diào)整策略，其做法是從眾多的負(fù)類樣本中隨機(jī)選取一部分，使正負(fù)樣本達(dá)到平衡，在此基礎(chǔ)上執(zhí)行傳統(tǒng)的機(jī)器學(xué)習(xí)算法，提高系統(tǒng)的學(xué)習(xí)效果[10]。

本文研究了蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)問題，根據(jù)機(jī)器學(xué)習(xí)關(guān)于可以將分類問題作為回歸問題的特例的觀點(diǎn)出發(fā)，并根據(jù)所研究問題本身的特點(diǎn)，提出了一種基于隨機(jī)下采樣和支持向量回歸的蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)方法。在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果以及與幾種最新發(fā)布的預(yù)測(cè)方法的對(duì)比結(jié)果，驗(yàn)證了本文所提出方法的有效性。

1 數(shù)據(jù)集

本文所采用的數(shù)據(jù)集來自Chen等提供的227條非冗余的蛋白質(zhì)序列（簡(jiǎn)稱ATP227）[6]，其中包含3 393個(gè)ATP綁定殘基，80 409個(gè)非綁定殘基。從兩個(gè)類別樣本的數(shù)據(jù)數(shù)量中明顯可以看出蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)是一個(gè)典型的類別不平衡問題。從相似度角度看，ATP227中任意兩條蛋白質(zhì)序列的相似度低于40%。為了驗(yàn)證本文所述方法的泛化能力，使用了一個(gè)包含17條蛋白質(zhì)序列的獨(dú)立測(cè)試集[7]。該獨(dú)立測(cè)試集中任意兩條序列的相似性低于40%，并且獨(dú)立測(cè)試集中任一序列與ATP227中的任一序列的相似性也低于40%。

2 提出的方法

2.1 方法原理與思想

蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)問題就是要分清蛋白質(zhì)序列中，哪些位點(diǎn)的殘基是綁定的，哪些是非綁定的，這是個(gè)典型的不平衡二分類問題，其中綁定位點(diǎn)是樣本數(shù)目稀少的正類樣本，也是最感興趣的類別，而非綁定位點(diǎn)是樣本數(shù)目龐大的負(fù)類樣本。

按照機(jī)器學(xué)習(xí)的觀點(diǎn)，可以將分類問題和回歸問題統(tǒng)一起來考慮[11?12]。假設(shè)給定一批樣本 (xi,yi)，i=1，2，…，n，其中樣本點(diǎn) xi∈Rd，對(duì)于回歸問題，yi∈R ，對(duì)于分類的問題，這里yi為離散的類別標(biāo)號(hào)。一方面，把回歸問題轉(zhuǎn)換為分類問題，相當(dāng)于將每個(gè)yi分別加減一個(gè)回歸誤差允許閾值ε，從而得到第一類樣本(xi,yi+ε)和第二類樣本(xi,yi-ε)，找到的回歸曲線盡可能地穿過所有原始樣本點(diǎn)，相當(dāng)于把這兩類樣本正確分開，原始的回歸問題于是轉(zhuǎn)化為分類問題[11]，這種情況是平衡的兩類分類問題。另一方面，分類問題相當(dāng)于將高維樣本數(shù)據(jù) xi∈Rd向離散的類標(biāo)號(hào) yi=1，2，…，c（而不是連續(xù)的實(shí)數(shù)）做映射，因此可以將分類看作是回歸的特例，這種情況各類樣本不一定是平衡的，二分類問題也不例外。但是不平衡會(huì)影響回歸的精度，舉個(gè)極端情況來說，比如正類只有一個(gè)樣本，而負(fù)類有很多樣本。既然回歸問題的幾何解釋是回歸曲線盡可能靠近所有樣本點(diǎn)，使得總誤差盡可能小，在這種情況下，回歸曲線必然靠近占優(yōu)的負(fù)類樣本。因?yàn)檫@種情況下，無論正類樣本還是負(fù)類樣本，每個(gè)樣本點(diǎn)對(duì)于回歸問題具有同等意義的權(quán)重，或者說，少數(shù)的正類樣本并沒受到足夠的重視。因此，有必要采取措施，使得正負(fù)樣本變得均衡。

在蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)問題中，每個(gè)殘基屬于綁定位點(diǎn)還是非綁定位點(diǎn)，不僅僅取決于殘基自身是哪種類型的殘基，更在很大程度上取決于附近的殘基（即上下結(jié)構(gòu)環(huán)境）類型及他們是否是綁定位點(diǎn)，換言之，是否屬于綁定殘基并非是一個(gè)0?1二值邏輯，而是有一定的置信水平的。因此，采用支持向量回歸（Sup?port Vector Regression，SVR）的方法，預(yù)測(cè)某個(gè)殘基屬于綁定殘基的置信水平，更接近于問題本身的性質(zhì)特點(diǎn)，然后選取合適的閾值進(jìn)行判別，是一個(gè)比較合理的方法?；谶@種考慮，提出并設(shè)計(jì)了一個(gè)基于支持向量回歸的蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)方法。首先對(duì)樣本進(jìn)行適當(dāng)?shù)钠胶饣幚恚诖嘶A(chǔ)上，根據(jù)上文關(guān)于分類和回歸問題關(guān)系的分析討論，通過支持向量回歸的方法構(gòu)建模型進(jìn)行預(yù)測(cè)。盡管支持向量機(jī)（Support Vector Ma?chine，SVM）分類方法（support vector classification，SVC）已被廣泛用于蛋白質(zhì)?ATP綁定預(yù)測(cè)[13?14]。目前將支持向量回歸方法用于蛋白質(zhì)?ATP綁定預(yù)測(cè)問題的研究還較少，鮮有這方面的報(bào)道?；谝陨戏治?，從蛋白質(zhì)的序列出發(fā)，基于序列的位置特異性得分矩陣，使用滑動(dòng)窗口抽取序列中每個(gè)殘基的辨別特征；應(yīng)用隨機(jī)下采樣策略，消除正負(fù)樣本存在的顯著不平衡；最后，使用支持向量回歸模型進(jìn)行蛋白質(zhì)?ATP綁定位點(diǎn)的預(yù)測(cè)，選取最優(yōu)閾值判別蛋白質(zhì)?ATP是否綁定，得到預(yù)測(cè)結(jié)果。本文方法流程見圖1。

圖1 本文方法的流程圖

2.2 特征提取與標(biāo)準(zhǔn)化

2.2.1 位置特異性得分矩陣

位置特異性得分矩陣（Position Specific Scoring Ma?trix，PSSM）能夠在一定程度上反映蛋白質(zhì)序列的進(jìn)化信息，已經(jīng)被其他研究者廣泛用于生物信息學(xué)預(yù)測(cè)問題中，如蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)[13]、蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)[14?19]、蛋白質(zhì)功能預(yù)測(cè)[20]、橫跨膜的螺旋線預(yù)測(cè)[21]、亞細(xì)胞定位[22?23]等。對(duì)于一個(gè)包含n個(gè)氨基酸殘基的蛋白質(zhì)序列，使用PSI?BLAST[24]（默認(rèn)閾值E?value=0.001）生成n×20的PSSM矩陣。

2.2.2 邏輯斯蒂位置特異性得分矩陣

對(duì)PSSM矩陣的每個(gè)元素是通過邏輯斯蒂函數(shù)進(jìn)行標(biāo)準(zhǔn)化（稱LPSSM）的。邏輯斯蒂函數(shù)定義如下：

式中x是PSSM矩陣中原始得分。

2.3 隨機(jī)下采樣和支持向量回歸

2.3.1 隨機(jī)下采樣

通常情況下，在一個(gè)不平衡的數(shù)據(jù)集中，采樣方法可以使數(shù)據(jù)集平衡，從而能從不平衡的數(shù)據(jù)集中得到學(xué)習(xí)[25?27]。對(duì)于大多數(shù)的不平衡數(shù)據(jù)集，下采樣方法可以提供一個(gè)較小的訓(xùn)練集，大量縮短訓(xùn)練和預(yù)測(cè)的時(shí)間，并且能提高分類精確度。隨機(jī)下采樣方法為從小類樣本中無重復(fù)地隨機(jī)抽取Smin個(gè)樣本N次，即數(shù)據(jù)集較小的綁定位點(diǎn)為正樣本，從大類樣本中無重復(fù)地隨機(jī)抽取Smax個(gè)樣本N次，即數(shù)據(jù)集較大的非綁定位點(diǎn)為負(fù)樣本，每次隨機(jī)抽取后正樣本和負(fù)樣本的數(shù)量相同，即Smin=Smax，從而得到平衡樣本集S=Smin+Smax。

2.3.2 支持向量回歸

本文采用支持向量回歸方法構(gòu)建模型，使用廣為采用的工具Libsvm[28]，在構(gòu)建模型時(shí)，由于潛在的回歸模型未必是線性的（實(shí)際研究中發(fā)現(xiàn)往往是非線性回歸模型），為了建立非線性回歸模型，先通過某個(gè)核函數(shù)誘導(dǎo)的非線性映射Φ:x?Φ(x)把原始數(shù)據(jù)非線性映射到特征空間中，在特征空間建立線性SVR模型。在實(shí)驗(yàn)中，將核函數(shù)類型采用徑向基函數(shù)（Radial Basis Function，RBF）形式，如式（2）所示：

式中：

式中：qi，為對(duì)偶參數(shù)且滿足式（4）條件；K(x,xi)為核函數(shù)。

2.4 算法評(píng)價(jià)指標(biāo)

幾個(gè)經(jīng)常使用的評(píng)價(jià)指標(biāo)，即特異性（Spe）、靈敏度（Sen）、準(zhǔn)確性（Acc）、馬氏相關(guān)系數(shù)（MCC）。方法定義如下式：

式中：TP、FP、TN和FN分別代表正類預(yù)測(cè)為正類樣本的個(gè)數(shù)、負(fù)類預(yù)測(cè)為正類樣本的個(gè)數(shù)、負(fù)類預(yù)測(cè)為負(fù)類樣本的個(gè)數(shù)和正類預(yù)測(cè)為負(fù)類樣本的個(gè)數(shù)。預(yù)測(cè)的效果可以通過混淆矩陣[29]來表示，如圖2所示。

圖2 混淆矩陣的性能評(píng)估

在不平衡樣本下，這些指標(biāo)將用于選取最優(yōu)閾值，并將在下文的實(shí)驗(yàn)結(jié)果中報(bào)告展示。

由于SVR的預(yù)測(cè)輸出參數(shù)y是連續(xù)實(shí)數(shù)，而不是離散的類標(biāo)號(hào)（例如在兩類問題中，兩類樣本的類標(biāo)號(hào)可分別標(biāo)記為+1和-1），需要進(jìn)行參數(shù)轉(zhuǎn)化，選取合適的閾值，將SVR模型輸出的連續(xù)實(shí)數(shù)y離散化為相應(yīng)的類標(biāo)號(hào)。從某種意義上說，SVR模型輸出的連續(xù)實(shí)數(shù)y相當(dāng)于分類器的置信水平，這也正是本文采用SVR回歸模型進(jìn)行蛋白質(zhì)?ATP綁定預(yù)測(cè)的原因之一。通過逐步調(diào)整分類閾值，產(chǎn)生一系列的混淆矩陣。從每一個(gè)混淆矩陣計(jì)算對(duì)應(yīng)的Spe、Sen、Acc和MCC指標(biāo)參數(shù)，即四個(gè)評(píng)價(jià)指標(biāo)對(duì)閾值是依賴的，它們隨閾值的變化而變化。在樣本數(shù)量明顯不平衡的情況下，評(píng)價(jià)不平衡學(xué)習(xí)方法的指標(biāo)顯得尤為重要，而評(píng)價(jià)參數(shù)MCC能夠反映不平衡學(xué)習(xí)的預(yù)測(cè)綜合性能，因此，得到最佳MCC值就對(duì)應(yīng)最佳閾值。

3 結(jié)果與分析討論

3.1 優(yōu)化滑動(dòng)窗口矩陣

由于鄰近蛋白質(zhì)殘基有相互影響，采用滑動(dòng)窗口增加蛋白質(zhì)空間局部信息，進(jìn)行MCC參數(shù)最優(yōu)選取，如圖3所示。由圖3所示，MCC值隨著滑動(dòng)窗口從3～17時(shí)不斷上升，期間上升較為平滑，其主要?dú)w因于蛋白質(zhì)ATP227數(shù)據(jù)量較大，滑動(dòng)窗口從17之后MCC值開始下滑，即17為L(zhǎng)PSSM的滑動(dòng)窗口大小的最優(yōu)值，則對(duì)應(yīng)的特征維數(shù)即340（17×20）。

3.2 性能分析

通過5重交叉驗(yàn)證獲取預(yù)測(cè)值，實(shí)驗(yàn)發(fā)現(xiàn)選取閾值T=1.433時(shí)，指標(biāo)MCC最大。通過參考閾值最優(yōu)（1.433）時(shí)的4項(xiàng)評(píng)價(jià)指標(biāo)，非經(jīng)過邏輯斯蒂標(biāo)準(zhǔn)化之前的數(shù)據(jù)（OriginalPSSM[30]）與經(jīng)過邏輯斯蒂標(biāo)準(zhǔn)化之后的數(shù)據(jù)（LPSSM在2.2.2節(jié)已介紹）進(jìn)行比較，如表1所示，可以發(fā)現(xiàn)LPSSM比OriginalPSSM四項(xiàng)指標(biāo)都要高，特別是MCC中要高出約9%，這個(gè)效果還是比較明顯的。

與 ATPint，ATPsite，NsitePred，SVRATP（使用支持向量回歸方法）進(jìn)行比較，其中SVRATP未經(jīng)過下采樣處理，經(jīng)過下采樣后處理的方法稱為RUS_SVRATP（random under?sampling，RUS），如表2所示。

圖3 基于ATP227數(shù)據(jù)集不同滑動(dòng)窗口大小所對(duì)應(yīng)的MCC值

表1 OriginalPSSM數(shù)據(jù)和LPSSM數(shù)據(jù)在蛋白質(zhì)綁定位點(diǎn)預(yù)測(cè)的表現(xiàn)

表2 RUS_SVRATP在數(shù)據(jù)ATP227上和最近的三個(gè)蛋白質(zhì)綁定位點(diǎn)預(yù)測(cè)的表現(xiàn)

首先，從SVR和前三種方法（非SVR）比較的角度可以發(fā)現(xiàn)：

（1）SVRATP和RUS_SVRATP明顯優(yōu)越于ATPint，SVRATP在四項(xiàng)評(píng)價(jià)指標(biāo)中均優(yōu)于ATPsite；

（2）SVRATP的MCC值為0.544，其分別高于ATP?site、NsitePred各11%和8%。另外NsitePred是最近發(fā)布的蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)方法，但SVRATP略優(yōu)于NsitePred；

（3）雖然 RUS_SVRATP 相比 ATPsite、NsitePred、SVRATP在Spe和Acc均略低，但是MCC值為0.609分別高出前者17%，14%，6%。

本文也在表2中用到t檢驗(yàn)[31]，如果產(chǎn)生的p值是低于顯著水平（0.05），那么不同表現(xiàn)的兩種方法就可以認(rèn)為具有統(tǒng)計(jì)意義。其次，從SVR角度看：

（1）數(shù)據(jù)方面，RUS_SVRATP比SVRATP的MCC值要好，可能因?yàn)椴黄胶鈹?shù)據(jù)經(jīng)過隨機(jī)下采樣后為平衡數(shù)據(jù)，負(fù)樣本對(duì)訓(xùn)練中的模型干擾減少，模型更優(yōu)，所以得到預(yù)測(cè)結(jié)果更好；

（2）預(yù)測(cè)方面，SVRATP與RUS_SVRATP兩者實(shí)驗(yàn)結(jié)果較好得益于SVR預(yù)測(cè)結(jié)果為連續(xù)實(shí)數(shù)，更加有利于最優(yōu)閾值選取。

在獨(dú)立數(shù)據(jù)集中與不同的蛋白質(zhì)?ATP綁定位點(diǎn)預(yù)測(cè)方法進(jìn)行比較，如表3所示，可看出：

（1）顯然RUS_SVRATP在獨(dú)立測(cè)試數(shù)據(jù)集中表現(xiàn)最好；

（2）其中RUS_SVRATP的MCC值比表現(xiàn)較好的NsitePred高出10%，另外和其他三項(xiàng)評(píng)價(jià)指標(biāo)Sen、Spe、Acc都要比其他三個(gè)預(yù)測(cè)方法效果要好，分別高出7.2%，0.5%，0.7%；

（3）另外SVRATP實(shí)驗(yàn)結(jié)果跟前三種方法對(duì)比也較好，這表明SVR對(duì)于蛋白質(zhì)?ATP殘基具有良好的預(yù)測(cè)效果；

（4）從泛化能力角度看，隨機(jī)下采樣后的平衡數(shù)據(jù)比不平衡數(shù)據(jù)的數(shù)量更少，訓(xùn)練次數(shù)更少，預(yù)測(cè)結(jié)果更優(yōu)，泛化能力更強(qiáng)。

表3 RUS_SVRATP在獨(dú)立數(shù)據(jù)ATP17上和最近的三個(gè)蛋白質(zhì)綁定位點(diǎn)預(yù)測(cè)的表現(xiàn)

3.3 討 論

本文方法性能的改進(jìn)主要得益于：

（1）logistic標(biāo)準(zhǔn)化處理后使正負(fù)樣本更具代表性；

（2）不平衡數(shù)據(jù)經(jīng)過隨機(jī)下采樣后為平衡數(shù)據(jù)，負(fù)樣本對(duì)訓(xùn)練中的模型干擾減少；

（3）最重要的一點(diǎn)是用SVR預(yù)測(cè)模型預(yù)測(cè)置信度水平的方法取代了傳統(tǒng)的硬分類。

除了以上3點(diǎn)主要原因，還有以下兩種因素：

（1）在本次實(shí)驗(yàn)中，最近公布的 Swiss?Prot（www.ebi.ac.uk/swissprot）組合了更多的蛋白質(zhì)序列數(shù)據(jù)庫信息，更加有利于PSI?BLAST[24]方法搜索，因此可以提供更加準(zhǔn)確的蛋白質(zhì)進(jìn)化信息；

（2）選擇核函數(shù)時(shí)，SVR的性能是由正則化參數(shù)和核參數(shù)影響的，考慮到這個(gè)問題，實(shí)驗(yàn)中在兩個(gè)階段盡可能的優(yōu)化這兩個(gè)參數(shù)，首先通過反復(fù)實(shí)驗(yàn)初步確定網(wǎng)格搜索的間隔，然后對(duì)網(wǎng)格搜索間隔進(jìn)一步優(yōu)化。最終得到c和g兩個(gè)參數(shù)其值分別為1和0.6。

從以上實(shí)驗(yàn)結(jié)果可以看出，本文所述方法較之前提出方法[5?7]有一定提升，可為相關(guān)領(lǐng)域的研究人員特別是生物信息學(xué)方面的研究者提供一個(gè)新的研究思路，在這類問題的背景中，某個(gè)待識(shí)別樣本的類別歸屬不僅取決于自身屬性，也在很大程度上受到上下結(jié)構(gòu)環(huán)境的影響，這時(shí)可以采取建立回歸模型預(yù)測(cè)類別歸屬置信度的方法，即用回歸預(yù)測(cè)取代傳統(tǒng)的硬分類，會(huì)獲得較好的分類效果。

4 結(jié)語

本文采用從蛋白質(zhì)的序列出發(fā)，首先使用滑動(dòng)窗口抽取序列中每個(gè)殘基的特征；其次應(yīng)用隨機(jī)下采樣策略，消除正負(fù)樣本存在的顯著不平衡；最后建立支持向量回歸模型進(jìn)行預(yù)測(cè)，并選取最優(yōu)閾值來判定蛋白質(zhì)序列中的每個(gè)殘基是否是蛋白質(zhì)?ATP綁定位點(diǎn)，從而得到最終的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)從特征提取方法、隨機(jī)下采樣方法和預(yù)測(cè)方法三個(gè)角度進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明基于隨機(jī)下采樣和支持向量回歸的方法有效地提高了預(yù)測(cè)精度。

未來的工作包括兩個(gè)方向：

（1）通過合并新的特征提取方法和較優(yōu)的分類器方法進(jìn)一步提高RUS_SVRATP預(yù)測(cè)精度。例如基于回歸的邏輯斯蒂L1標(biāo)準(zhǔn)化特征提取方法[32]已經(jīng)成功用于活性位點(diǎn)預(yù)測(cè)；基于多重序列校準(zhǔn)的稀疏逆協(xié)方差估計(jì)方法已經(jīng)成功用于結(jié)構(gòu)關(guān)系預(yù)測(cè)[33]。這兩種新方法為提高RUS_SVRATP預(yù)測(cè)精度提供了研究方向。

（2）除了研究ATP，還有其他綁定配體類型如金屬離子、維生素、二硫鍵等，因此有效地區(qū)分不同類型的綁定配體的綁定機(jī)制也為進(jìn)一步的研究提供了思路。

[1]CAMPBELL N A，WILLIAMSON B，HEYDEN R J.Biology：exploring life[M].[S.l.]：Recording for the Blind&Dyslexic，2006.

[2]MAXWELL A，LAWSON D M.The ATP?binding site of type II topoisomerases as a target for antibacterial drugs[J].Current Topics in Medicinal Chemistry，2003，3（3）：283?303.

[3]史忠植.高級(jí)人工智能[M].北京：科學(xué)出版社，2011.

[4]NOBELI I，LASKOWSKI R A，VALDAR W S J，et al.On the molecular discrimination between adenine and guanine by proteins[J].Nucleic Acids Research，2001，29（21）：4294?4309.

[5]CHAUHAN JS，MISHRA N K，RAGHAVA G P S.Identifica?tion of ATP binding residues of a protein from its primary se?quence[J].BMCBioinformatics，2009，10（1）：1?9.

[6]CHEN K，MIZIANTY M J，KURGAN L.ATP site：sequence?based prediction of ATP?binding residues[J].Proteome Science，2011，9（1）：1?8.

[7]CHEN K，MIZIANTY M J，KURGAN L.Prediction and analy?sis of nucleotide?binding residues using sequence and sequence?derived structural descriptors[J].Bioinformatics，2012，28（3）：331?341.

[8]HE H，GARCIA E A.Learning from imbalanced data[J].IEEE Transactions on Knowledge and Data Engineering，2009，21（9）：1263?1284.

[9]ZHOU Z，LIU X.ON Multi?class cost?sensitive learning[J].Computational Intelligence，2010，26（3）：232?257.

[10]ALTIN?AY H，ERGüN C.Clustering based under?sampling for improving speaker verification decisions using AdaBoost[C]//Structural，Syntactic，and Statistical Pattern Recogni?tion.Berlin Heidelberg：Springer?Verlag，2004：698?706.

[11]鄧乃揚(yáng)，田英杰.支持向量機(jī)：理論、算法與拓展[M].北京：科學(xué)出版社，2009.

[12]孫德山.支持向量機(jī)分類與回歸方法研究[D].長(zhǎng)沙：中南大學(xué)，2004.

[13]隋海峰，曲武，錢文彬，等.基于混合SVM方法的蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)算法[J].計(jì)算機(jī)科學(xué)，2011，38（10）：169?173.

[14]YU D J，HU J，TANG Z M，et al.Improving protein?ATP binding residues prediction by boosting SVMs with random un?der?sampling[J].Neurocomputing，2013，104：180?190.

[15]ZHANG Y N，YU D J，LISS，et al.Predicting protein?ATP binding sites from primary sequence through fusing bi?profile sampling of multi?view features[J].BMC Bioinformatics，2012，13（1）：118?125.

[16]CHEN K，MIZIANTYM J，KURGAN L.Prediction and analysis of nucleotide?binding residues using sequence and sequence?derived structural descriptors[J].Bioinformatics，2012，28（3）：331?341.

[17]YU D，HU J，YANG J，et al.Designing template?free predic?tor for targeting protein?ligand binding sites with classifier en?semble and spatial clustering[J].2013，10（4）：994?1008.

[18]YU D J，HU J，HUANG Y，et al.Target ATP site：A tem?plate?free method for ATP?binding sites prediction with resi?due evolution image sparse representation and classifier en?semble[J].Journal of Computational Chemistry，2013，34（11）：974?985.

[19]FIROZ A，MALIK A，JOPLIN K H，et al.Residue propensi?ties，discrimination and binding site prediction of adenine and guanine phosphates[J].BMC Biochemistry，2011，12（1）：20?28.

[20]陳義明，李舟軍，劉軍萬.改進(jìn)LPU用于蛋白質(zhì)功能預(yù)測(cè)[J].計(jì)算機(jī)工程與科學(xué)，2012（12）：148?152.

[21]YU D J，SHEN H B，YANG JY.SOMPNN：an efficient non?parametric model for predicting transmembrane helices[J].Amino Acids，2012，42（6）：2195?2205.

[22]PIERLEONI A，MARTELLI P L，CASADIO R.MemLoci：predicting subcellular localization ofmembrane proteins in eu?karyotes[J].Bioinformatics，2011，27（9）：1224?1230.

[23]SHEN H B，CHOU K C.A top?down approach to enhance the power of predicting human protein subcellular localiza?tion：Hum?mPLoc 2.0[J].Analytical Biochemistry，2009，394（2）：269?274.

[24]SCH?FFER A A，ARAVIND L，MADDEN T L，et al.Im?proving the accuracy of PSI?BLAST protein database searches with composition?based statistics and other refinements[J].Nucleic Acids Research，2001，29（14）：2994?3005.

[25]WEISSG M，PROVOST F.The effect of class distribution on classifier learning：an empirical study[D].USA：Rutgers Uni?versity，2001.

[26]LAURIKKALA J.Improving identification of difficult small classes by balancing class distribution[M].Berlin Heidel?berg：Springer，2001.

[27]ESTABROOKSA，JO T，JAPKOWICZ N.A multiple resam?plingmethod for learning from imbalanced data sets[J].Com?putational Intelligence，2004，20（1）：18?36.

[28]CHANG C C，LIN C J.LIBSVM：a library for support vector machines[J/OL].[2001?06?01].http：//www.csie.ntu.edu.tw/～ cj?lin/libsvm.

[29]孔英會(huì)，景美麗.基于混淆矩陣和集成學(xué)習(xí)的分類方法研究[J].計(jì)算機(jī)工程與科學(xué)，2012（6）：111?117.

[30]SHEN H，CHOU J J.MemBrain：improving the accuracy of predicting transmembrane helices[J].PloS one，2007，3（6）：2399?2399.

[31]YANG J，ZHANG L，YANG J，et al.From classifiers to dis?criminators：a nearest neighbor rule induced discriminant analysis[J].Pattern Recognition，2011，44（7）：1387?1402.

[32]SANKARARAMAN S，SHA F，KIRSCH J F，et al.Active site prediction using evolutionary and structural information[J].Bioinformatics，2010，26（5）：617?624.

[33]JONESD T，BUCHAN D W A，COZZETTO D，et al.PSI?COV：precise structural contact prediction using sparse in?verse covariance estimation on large multiple sequence align?ments[J].Bioinformatics，2012，28（2）：184?190.