【摘要】：各式各样数据库的建立，使得利用计算机、数学及统计学的方法进行基因功能注释成为可能。近年来，生物信息学家不断地改进算法和策略，试图更加准确地对基因进行功能注释，其中最为常见的是机器学习方法。机器学习方法用于基因功能注释中。因此，基因功能注释的机器学习方法可以说是一个多示例，多标记学习的问题。交叉验证和ROC曲线、PR曲线常用于模型预测性能的分析。
随着高通量技术如基因芯片、测序的发展，涌现出关于物种的各种高通量数据，如基因表达谱、蛋白相互作用（protein protein interaction，PPI）、蛋白质结构、基因组突变、表观遗传修饰、转录因子结合位点等。各式各样数据库的建立，使得利用计算机、数学及统计学的方法进行基因功能注释成为可能。近年来，生物信息学家不断地改进算法和策略，试图更加准确地对基因进行功能注释，其中最为常见的是机器学习方法。
机器学习方法用于基因功能注释中。常将输入数据分为正集合和负集合，正集合为具有该功能的基因及其特征，负集合为不具有该功能的基因及其特征。这些特征主要包括提取自蛋白质序列与结构，互作网络，包括蛋白质序列长度、分子量、原子数、总平均亲水指数、氨基酸组成、理化特性、二级结构、亚细胞定位、表达等。这些特征输入模型进行训练，以构建该功能的分类器，从而对新基因是否具有该功能进行预测。因此，基因功能注释的机器学习方法可以说是一个多示例，多标记学习（multi-instance multi-label learning，MIML）的问题。用于训练预测模型的数据集称为训练集。此外，机器学习方法还需要验证集（validation set）以调整模型的参数，以及测试集（test set）来测试模型的性能。交叉验证和ROC曲线、PR曲线常用于模型预测性能的分析。最常用的评价指标为ROC曲线下面积（areaunder the ROC curve，AUC）和PR曲线下面积（areaunder the PR curve，AUPRC）等。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
