一种结合信息粒融合和证据推理的蛋白质聚类方法

1.本发明涉及生物信息学中的蛋白质组学领域，具体涉及一种结合信息粒融合和证据推理的聚类分析方法。

背景技术：

2.蛋白质亚细胞定位是蛋白质组学中的重要方向之一。亚细胞是比细胞更细化的结构，一般需要通过电子显微镜观察其结构，其特点是位于细胞内，彼此功能各异、空间相互隔离，但共同协调并维持细胞的完整功能。以真核细胞为例，其亚细胞结构可分为11类，细胞骨架、细胞质基质、内质网、内体、细胞外间隙、高尔基体、线粒体、细胞核、过氧化物酶体、细胞膜和液泡。每种亚细胞为其结构内存在的特定蛋白质提供相对独立的生命活动场所，以便于蛋白质行使各项功能。蛋白质亚细胞定位是指蛋白质在细胞内的具体存在部位，即蛋白质在哪种亚细胞结构中。由于各种蛋白质只有在各自特定的亚细胞结构中才能行使功能和进行代谢，若蛋白质定位出现偏差，则细胞功能会受到消极影响，因此，对蛋白质亚细胞定位进行研究是具有显著重要意义的。因为，位于同一种亚细胞中的蛋白质的结构和功能往往相似，所以，可以通过分析蛋白质的结构，将功能相似的蛋白质聚为一类(簇)，进而预测蛋白质亚细胞定位，以此为后续判断或设计对应亚细胞结构中的特定蛋白质、或预测蛋白质的功能提供技术支持。
3.聚类分析是一种无监督的机器学习技术，它可以在无先验知识的情况下，对海量数据进行有效的分组，从而便于分类或分层次地高效挖掘信息。k-means算法作为最常用的聚类分析算法，在蛋白质组学研究中被广泛应用，其具有易理解、速度快的优点，然而其无法处理非凸结构数据、对离数据非常敏感，因此在蛋白质亚细胞定位预测问题中表现不佳，结果评估较差。此外，密度聚类分析算法dbscan和dpc可以处理非凸结构数据，被多次应用于蛋白质组学研究领域，但其无法处理各簇之间密度差异较大的数据，因此在蛋白质亚细胞定位预测问题中同样表现不佳，结果评估较差。

技术实现要素：

4.为解决现有技术中存在的上述缺陷，本发明提出了基于结合信息粒融合和证据推理的密度聚类分析的蛋白质亚细胞定位预测算法，并且利用该算法对某种细胞的蛋白质序列数据进行聚类分析，预测蛋白质亚细胞定位，提高蛋白质亚细胞定位预测的准确度，从而便于生物信息学家对各亚细胞结构中的特定蛋白质进行判断或设计、或对蛋白质的功能进行预测。
5.根据本发明的第一方面，提供一种结合信息粒融合和证据推理的蛋白质聚类方法，包括：
6.步骤1：将细胞中的蛋白质序列数据的信息粒化，根据预设参数k，基于各蛋白质序列样本的稀疏度sd(xi)，对蛋白质序列数据集u进行信息粒化，生成一组g个信息粒{g1,g2,
…
,gg}。
7.其中，蛋白质序列数据集u＝{x1,x2,
…
,xn}由n个蛋白质序列样本组成，每个蛋白质序列样本xi包含w个属性信息{x
i1
,x
i2
,
…
,x
iw
}。
8.k取值为k取值为表示非整数的向上取整，c为给定的簇数，一个簇表示一个亚细胞结构种类，簇数表示亚细胞结构种类数量。
9.各蛋白质序列样本的稀疏度是同时度量蛋白质序列样本的全局密度和局部密度的信息粒度，其中，为使蛋白质序列样本的相对密度最大的邻域半径，度量蛋白质序列样本全局密度，为各蛋白质序列样本在不同邻域半径下的相对密度，|
·
|表示集合的基数，各蛋白质序列样本在不同邻域半径下的邻域δ(xi,d
ij
)＝{xz∣xz∈u,d(xi,xz)≤d
ij
}，蛋白质序列样本xi和xj之间的欧氏距离d(xi,xj)＝d
ij
＝‖x
i-xj‖2，i,j＝1,2,
…
,n且i≠j，为蛋白质序列样本的k近邻半径，度量蛋白质序列样本局部密度，表示蛋白质序列样本xi的第k个近邻。
10.对于每个信息粒g，存在蛋白质序列样本xi，使得，使得且|g|＝k，并且，即信息粒g是一个以xi为中心、为半径的超球，内含有k个蛋白质序列样本，且中心xi的稀疏度是最小的。
11.步骤2：基于相交关系进行蛋白质序列数据的信息粒融合，若任意两个信息粒相交|gi∩gj|≥1，即两个信息粒存在共同的蛋白质序列样本，则融合这两个信息粒，每一对信息粒融合完毕后，一组信息粒{g1,g2,
…
,gg}转化成一组g
*
个粒簇
12.步骤3：基于密度传播进行蛋白质序列数据的粒簇融合，针对任一个粒簇gca以及与其距离最近的粒簇gcb，若sd
*
(gca)≥sd
*
(gcb)，即gcb的密度大于gca的密度，则融合这两个粒簇，每个粒簇均融合完毕后，一组粒簇转化成一组g
′
个粒{gf1,gf2,
…
,gfg′
}。
13.其中，任意两个粒簇之间的距离d
*
(gca,gcb)＝min{d
ij
∣∣xi∈gca,xj∈gcb}，即两个粒簇中相距最近的一对蛋白质序列样本之间的距离作为粒簇之间距离，其中a,b＝1,
…
,g
*
且a≠b，粒簇的稀疏度即粒簇内蛋白质序列样本的稀疏度的平均值代表粒簇的密度。
14.步骤4：基于距离进行蛋白质序列数据的粒融合，对于给定的簇数c，如果c＝g
′
或c＝g
*
则执行步骤4.1，如果c《g
′
则执行步骤4.2，如果c》g
′
则执行步骤4.3。
15.其中，任意两个粒的距离d
*
(gfa,gfb)＝min{d
ij
∣xi∈gfa,xj∈gfb}，即两个粒中相距最近的一对蛋白质序列样本之间的距离作为粒的距离。
16.步骤4.1：将g
′
个粒{gf1,gf2,
…
,gfg′
}或者g
*
个粒簇直接作为
初始簇{cl1,cl2,
…
,clc}。
17.步骤4.2：将距离最近的一对粒融合，更新粒数量和粒的距离，再次执行步骤4。
18.步骤4.3：将每个粒视为一个子数据集，针对每个子数据集再次执行步骤1至步骤3，得到的所有粒组合成新的一组粒，其中所有未加入粒的蛋白质序列样本被视为一个粒，再次执行步骤4。
19.步骤5：计算稳定样本的证据值，将初始簇ω＝{cl1,cl2,
…
,clc}内的蛋白质序列样本作为稳定样本，计算稳定样本属于各单簇和簇全集的证据值样本作为稳定样本，计算稳定样本属于各单簇和簇全集的证据值其中u＝1,2,
…
,c，a∈2
ω
\{cl1,cl2,
…
,clc,ω}，初始化集合s，将所有稳定样本加入集合s。
20.步骤6：计算不稳定样本的证据值，对于不属于集合s的稀疏度最小的蛋白质序列样本xi，根据集合s中蛋白质序列样本xj计算xi属于各单簇和簇全集的证据值：簇全集的证据值：其中其中表示xi在集合s中的k近邻，利用dempster合并规则公式将k个近邻提供的所有证据值合并其中“·”为任意的clu或ω，将xi加入集合s，重复执行步骤6直到s＝u。
21.步骤7：根据证据值分配蛋白质序列样本所属类别，对于每一个蛋白质序列样本xi，将其分配至簇最终得到的各簇为聚类结果，如果对于给定的离点阈值τ，则xi为离样本。
22.进一步地，本发明所提供的结合信息粒融合和证据推理的蛋白质聚类方法，其特征在于，离点阈值τ的取值区间为[0.99,1]。
[0023]
根据本发明的第二方面，提供一种计算机设备，其特征在于，包括：
[0024]
存储器，用于存储指令；以及
[0025]
处理器，用于调用所述存储器存储的指令执行第一方面的结合信息粒融合和证据推理的蛋白质聚类方法。
[0026]
根据本发明的第三方面，提供一种计算机可读存储介质，其特征在于，存储有指令，所述指令被处理器执行时，执行第一方面的结合信息粒融合和证据推理的蛋白质聚类方法。
[0027]
与现有技术相比，本发明所构思的上述技术方案至少具有以下有益效果：
[0028]
(1)新提出的稀疏度度量公式可以同时度量样本的全局密度和局部密度。
[0029]
(2)基于稀疏度的信息粒化方法，不仅可以在高密度区域生成信息粒，还能在低密度区域生成信息粒，因此，可以处理簇之间密度差异大的数据。
[0030]
(3)基于三种新设计的信息粒融合策略，通过融合信息粒并形成初始簇结构的方法，可以避免预设簇中心或密度峰值对聚类结果具有决定性影响的情况，克服簇中心难且合理性低的问题，打破传统信息粒凸结构带来的局限，因此，可以处理无几何意义簇中心
或含形状各异的簇的数据。
[0031]
(4)利用改进的基于证据推理的方法分配样本，可以使得样本分配结果更合理，并且可以有效识别离点。
[0032]
(5)进一步提高了聚类分析结果的有效性。
[0033]
(6)采用结合信息粒融合和证据推理的密度聚类分析算法对细胞的蛋白质序列数据进行聚类，实现了蛋白质亚细胞定位的预测，得到了准确的蛋白质亚细胞定位结果，从而为判断或设计对应亚细胞结构中的特定蛋白质、或预测蛋白质的功能提供技术支持。
[0034]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
[0035]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0036]
图1是根据一示例性实施例示出的结合信息粒融合和证据推理的蛋白质聚类方法流程示意图。
具体实施方式
[0037]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0038]
以酵母蛋白质序列数据为示例，使用本发明的结合信息粒融合和证据推理的蛋白质聚类方法进行分析，如图1所示，对酵母细胞进行蛋白质亚细胞定位预测，即通过聚类分析后，可以知道各蛋白质属于哪种亚细胞结构中。
[0039]
该数据含有1484个蛋白质序列样本，每个蛋白质序列有8个属性信息，给定亚细胞结构种类数量为10种。数据集如下表所示。
[0040][0041][0042]
实施例的具体实施步骤如下：
[0043]
步骤1：将酵母细胞的蛋白质序列数据的信息粒化，根据预设参数k，基于各蛋白质序列样本的稀疏度sd(xi)，对蛋白质序列数据集u进行信息粒化，生成一组g个信息粒{g1,g2,
…
,gg}。
[0044]
其中，蛋白质序列数据集u＝{x1,x2,
…
,xn}由n个蛋白质序列样本组成，每个蛋白质序列样本xi包含w个属性信息{x
i1
,x
i2
,
…
,x
iw
}。本实施例中n＝1484，w＝8；
[0045]
k取值为k取值为表示非整数的向上取整，c为给定的簇数，一个簇表示一个亚细胞结构种类，簇数表示亚细胞结构种类数量。本实施例中样本数量为n＝1484，
簇数为c＝10，取
[0046]
各蛋白质序列样本的稀疏度是同时度量蛋白质序列样本的全局密度和局部密度的信息粒度，其中，为使蛋白质序列样本的相对密度最大的邻域半径，度量蛋白质序列样本全局密度，为各蛋白质序列样本在不同邻域半径下的相对密度，|
·
|表示集合的基数，各蛋白质序列样本在不同邻域半径下的邻域δ(xi,d
ij
)＝{xz∣xz∈u,d(xi,xz)≤d
ij
}，蛋白质序列样本xi和xj之间的欧氏距离d(xi,xj)＝d
ij
＝‖x
i-xj‖2，i,j＝1,2,
…
,n且i≠j，为蛋白质序列样本的k近邻半径，度量蛋白质序列样本局部密度，表示蛋白质序列样本xi的第k个近邻。
[0047]
对于每个信息粒g，存在蛋白质序列样本xi，使得，使得且|g|＝k，并且，即信息粒g是一个以xi为中心、为半径的超球，内含有k个蛋白质序列样本，且中心xi的稀疏度是最小的。
[0048]
步骤2：基于相交关系进行蛋白质序列数据的信息粒融合，若任意两个信息粒相交|gi∩gj|≥1，即两个信息粒存在共同的蛋白质序列样本，则融合这两个信息粒，每一对信息粒融合完毕后，一组信息粒{g1,g2,
…
,gg}转化成一组g
*
个粒簇
[0049]
步骤3：基于密度传播进行蛋白质序列数据的粒簇融合，针对任一个粒簇gca以及与其距离最近的粒簇gcb，若sd
*
(gca)≥sd
*
(gcb)，即gcb的密度大于gca的密度，则融合这两个粒簇，每个粒簇均融合完毕后，一组粒簇转化成一组g
′
个粒{gf1,gf2,
…
,gfg′
}。
[0050]
其中，任意两个粒簇之间的距离d
*
(gca,gcb)＝min{d
ij
∣∣xi∈gca,xj∈gcb}，即两个粒簇中相距最近的一对蛋白质序列样本之间的距离作为粒簇之间距离，其中a,b＝1,
…
,g
*
且a≠b，粒簇的稀疏度即粒簇内蛋白质序列样本的稀疏度的平均值代表粒簇的密度。
[0051]
步骤4：基于距离进行蛋白质序列数据的粒融合，对于给定的簇数c，如果c＝g
′
或c＝g
*
则执行步骤4.1，如果c《g
′
则执行步骤4.2，如果c》g
′
则执行步骤4.3。
[0052]
其中，任意两个粒的距离d
*
(gfa,gfb)＝min{d
ij
∣xi∈gfa,xj∈gfb}，即两个粒中相距最近的一对蛋白质序列样本之间的距离作为粒的距离。
[0053]
步骤4.1：将g
′
个粒{gf1,gf2,
…
,gfg′
}或者g
*
个粒簇直接作为初始簇{cl1,cl2,
…
,clc}。
[0054]
步骤4.2：将距离最近的一对粒融合，更新粒数量和粒的距离，再次执行步骤4。
[0055]
步骤4.3：将每个粒视为一个子数据集，针对每个子数据集再次执行步骤1至步骤3，得到的所有粒组合成新的一组粒，其中所有未加入粒的蛋白质序列样本被视为一个粒，再次执行步骤4。
[0056]
步骤5：计算稳定样本的证据值，将初始簇ω＝{cl1,cl2,
…
,clc}内的蛋白质序列样本作为稳定样本，计算稳定样本属于各单簇和簇全集的证据值样本作为稳定样本，计算稳定样本属于各单簇和簇全集的证据值其中u＝1,2,
…
,c，a∈2
ω
\{cl1,cl2,
…
,clc,ω}，初始化集合s，将所有稳定样本加入集合s。
[0057]
步骤6：计算不稳定样本的证据值，对于不属于集合s的稀疏度最小的蛋白质序列样本xi，根据集合s中蛋白质序列样本xj计算xi属于各单簇和簇全集的证据值：属于各单簇和簇全集的证据值：其中其中表示xi在集合s中的k近邻，利用dempster合并规则公式将k个近邻提供的所有证据值合并其中“·”为任意的clu或ω，将xi加入集合s，重复执行步骤6直到s＝u。
[0058]
dempster合并规则公式包括以下三个通用公式：
[0059]
式1：
[0060]
式2：
[0061]
式3：
[0062]
其中，a、b、c可以是任意的clu或ω
[0063]
步骤6中的公式是指利用式1对进行合并，直到所有合并成一个值即
[0064]
步骤7：根据证据值分配蛋白质序列样本所属类别，对于每一个蛋白质序列样本xi，将其分配至簇最终得到的各簇为聚类结果，如果对于给定的离点阈值τ，则xi为离样本。
[0065]
对于粒样本，即该蛋白质序列样本xi也许是个结构特别的蛋白质，可能具有与众不同的功能，值得特别关注。
[0066]
在一些实施例中，离点阈值τ的取值区间为[0.99,1]。
[0067]
本实施例中，数据集内不含离点，因此不设置离点阈值τ，直接根据分配各样本，最终可以得到数据集的聚类结果，即对应各蛋白质序列样本的亚细胞定位情况。
[0068]
为了展示本发明效果，分别使用k-means聚类方法、dbscan聚类方法、dpc聚类方法
和本发明算法对酵母蛋白质序列数据进行聚类实验，将k-means聚类方法和dpc聚类方法的簇数设为数据集的真实簇数。分别采用ari(调整的兰德系数)指标、ami(调整的互信息值)指标和fmi(fowlkes
–
mallows指数)指标来评估各方法的有效性，各指标值越高，表示聚类方法越有效。其中，由于k-means聚类方法的实验结果具有随机性，所以将k-means聚类方法的10次实验结果指标值的平均作为最终指标值。聚类结果如下表所示。
[0069][0070]
在基于酵母蛋白质序列数据的对比实验中，本发明算法在各评估指标下的值都大于其他聚类方法，可以看出，本发明算法可以很好地进行蛋白质亚细胞定位预测，即可以很好地对蛋白质进行聚类，且效果优于部分现有聚类方法。
[0071]
领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0072]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

技术特征：

1.一种结合信息粒融合和证据推理的蛋白质聚类方法，其特征在于，包括：步骤1：将细胞中的蛋白质序列数据的信息粒化，根据预设参数k，基于各蛋白质序列样本的稀疏度sd(x
i
)，对蛋白质序列数据集u进行信息粒化，生成一组g个信息粒{g1，g2，...，g
g
}；其中，蛋白质序列数据集u＝{x1，x2，...，x
n
}由n个蛋白质序列样本组成，每个蛋白质序列样本x
i
包含w个属性信息{x
i1
，x
i2
，...，x
iw
}；k取值为k取值为表示非整数的向上取整，c为给定的簇数，一个簇表示一个亚细胞结构种类，簇数表示亚细胞结构种类数量；各蛋白质序列样本的稀疏度是同时度量蛋白质序列样本的全局密度和局部密度的信息粒度，其中，为使蛋白质序列样本的相对密度最大的邻域半径，度量蛋白质序列样本全局密度，为各蛋白质序列样本在不同邻域半径下的相对密度，|
·
|表示集合的基数，各蛋白质序列样本在不同邻域半径下的邻域δ(x
i
，d
ij
)＝{x
z
|x
z
∈u，d(x
i
，x
z
)≤d
ij
}，蛋白质序列样本x
i
和x
j
之间的欧氏距离d(x
i
，x
j
)＝d
ij
＝||x
i-x
j
||2，i，j＝1，2，...，n且i≠j，为蛋白质序列样本的k近邻半径，度量蛋白质序列样本局部密度，表示蛋白质序列样本x
i
的第k个近邻；对于每个信息粒g，存在蛋白质序列样本x
i
，使得，使得且|g|＝k，并且，即信息粒g是一个以x
i
为中心、为半径的超球，内含有k个蛋白质序列样本，且中心x
i
的稀疏度是最小的；步骤2：基于相交关系进行蛋白质序列数据的信息粒融合，若任意两个信息粒相交|g
i
∩g
j
|≥1，即两个信息粒存在共同的蛋白质序列样本，则融合这两个信息粒，每一对信息粒融合完毕后，一组信息粒{g1，g2，...，g
g
}转化成一组g
*
个粒簇步骤3：基于密度传播进行蛋白质序列数据的粒簇融合，针对任一个粒簇gc
a
以及与其距离最近的粒簇gc
b
，若sd
*
(gc
a
)≥sd
*
(gc
b
)，即gc
b
的密度大于gc
a
的密度，则融合这两个粒簇，每个粒簇均融合完毕后，一组粒簇转化成一组g
′
个粒{gf1，gf2，...，gf
g
′
}；其中，任意两个粒簇之间的距离d
*
(gc
a
，gc
b
)＝min{d
ij
|x
i
∈gc
a
，x
j
∈gc
b
}，即两个粒簇中相距最近的一对蛋白质序列样本之间的距离作为粒簇之间距离，其中a，b＝1，...，g
*
且a≠b，粒簇的稀疏度即粒簇内蛋白质序列样本的稀疏度的平均值代表粒簇的密度；步骤4：基于距离进行蛋白质序列数据的粒融合，对于给定的簇数c，如果c＝g
′
或c＝g
*
则执行步骤4.1，如果c＜g
′
则执行步骤4.2，如果c＞g
′
则执行步骤4.3；
其中，任意两个粒的距离d
*
(gf
a
，gf
b
)＝min{d
ij
|x
i
∈gf
a
，x
j
∈gf
b
}，即两个粒中相距最近的一对蛋白质序列样本之间的距离作为粒的距离；步骤4.1：将g
′
个粒{gf1，gf2，...，gf
g
′
}或者g
*
个粒簇直接作为初始簇{cl1，cl2，...，cl
c
}；步骤4.2：将距离最近的一对粒融合，更新粒数量和粒的距离，再次执行步骤4；步骤4.3：将每个粒视为一个子数据集，针对每个子数据集再次执行步骤1至步骤3，得到的所有粒组合成新的一组粒，其中所有未加入粒的蛋白质序列样本被视为一个粒，再次执行步骤4；步骤5：计算稳定样本的证据值，将初始簇ω＝{cl1，cl2，...，cl
c
}内的蛋白质序列样本作为稳定样本，计算稳定样本属于各单簇和簇全集的证据值作为稳定样本，计算稳定样本属于各单簇和簇全集的证据值其中u＝1，2，...，c，a∈2
ω
\{cl1，cl2，...，cl
c
，ω}，初始化集合s，将所有稳定样本加入集合s；步骤6：计算不稳定样本的证据值，对于不属于集合s的稀疏度最小的蛋白质序列样本x
i
，根据集合s中蛋白质序列样本x
j
计算x
i
属于各单簇和簇全集的证据值：属于各单簇和簇全集的证据值：其中其中表示x
i
在集合s中的k近邻，利用dempster合并规则公式将k个近邻提供的所有证据值合并其中“·”为任意的cl
u
或ω，将x
i
加入集合s，重复执行步骤6直到s＝u；步骤7：根据证据值分配蛋白质序列样本类别，对于每一个蛋白质序列样本x
i
，将其分配至簇最终得到的各簇为聚类结果，如果对于给定的离点阈值τ，则x
i
为离样本。2.根据权利要求1所述的结合信息粒融合和证据推理的蛋白质聚类方法，其特征在于，还包括：离点阈值τ的取值区间为[0.99,1]。3.一种计算机设备，其特征在于，包括：存储器，用于存储指令；以及处理器，用于调用所述存储器存储的指令执行如权利要求1-2中任一项所述的结合信息粒融合和证据推理的蛋白质聚类方法。4.一种计算机可读存储介质，其特征在于，存储有指令，所述指令被处理器执行时，执行如权利要求1-2中任一项所述的结合信息粒融合和证据推理的蛋白质聚类方法。

技术总结

本发明提供一种结合信息粒融合和证据推理的蛋白质聚类方法，通过将细胞中的蛋白质序列数据的信息粒化，基于相交关系进行蛋白质序列数据的信息粒融合，基于密度传播进行蛋白质序列数据的粒簇融合，基于距离进行蛋白质序列数据的粒融合，计算稳定样本的证据值，计算不稳定样本的证据值，根据证据值分配蛋白质序列样本所属类别，提高蛋白质亚细胞定位预测的准确度，从而便于生物信息学家对各亚细胞结构中的特定蛋白质进行判断或设计、或对蛋白质的功能进行预测。功能进行预测。功能进行预测。