5、基于基因本体信息的蛋白质亚细胞定位预测

基于基因本体信息的蛋白质亚细胞定位预测

1 基因本体信息使用的相关问题探讨

1.1 直接查表法

对于病毒数据集，有300多个相关的基因本体（GO）术语。给定一个查询序列，先从GO注释数据库中获取其“GO术语”集。若该集合中的一个或多个术语与表中的基本GO术语匹配，则将该查询蛋白质的亚细胞定位集预测为与匹配的GO术语对应的定位集。例如，若GO术语集包含GO:0019028，则该查询蛋白质被预测为“病毒衣壳”；若包含GO:0030430和GO:0042025，则被预测为“宿主细胞质”和“宿主细胞核”。若集合中没有术语与基本GO术语匹配，但有一个或多个术语与表中的子术语匹配，则该查询蛋白质被预测为属于与子GO术语相关的类别。

然而，这种直接查表法存在严重问题。查询蛋白质的GO术语可能包含许多基本GO术语和/或子术语，这些术语跨越的类别数量可能超过真实的亚细胞定位数量，从而导致过度预测或不一致的分类决策。在EU16单定位数据集中，约51%的蛋白质仅使用明确的GO术语无法进行预测；在多标签病毒数据集中，只有约67%的蛋白质可能被正确预测。如果使用更多的细胞成分GO术语甚至其他两个本体的GO术语来推断亚细胞定位，更多的蛋白质可能会被过度预测。因此，直接查表法不是一种理想的方法，这促使我们开发基于GO的机器学习方法进行亚细胞定位预测。

1.2 仅使用细胞成分GO术语的争议

有人认为只有细胞成分GO术语对于确定蛋白质亚细胞定位是必要的，其他两类GO术语没有作用。但研究表明，GO分子功能术语也可预测亚细胞定位，特别是对于细胞核、细胞外空间、膜、线粒体、内质网和高尔基体。不仅细胞成分GO术语在估计分类器的核权重和训练预测模型中起重要作用，分子功能和生物