11、蛋白质多标签预测与性能评估

蛋白质多标签预测与性能评估

1. 多标签蛋白质数据集构建与分析

1.1 新多标签植物数据集

新多标签植物数据集构建于2011年3月8日至2012年4月18日的Swiss - Prot，序列一致性低于25%。具体各亚细胞位置的定位蛋白数量如下表所示：
| 标签 | 亚细胞位置 | 定位蛋白数量 |
| — | — | — |
| 1 | 细胞膜 | 16 |
| 2 | 细胞壁 | 1 |
| 3 | 叶绿体 | 54 |
| 4 | 细胞质 | 38 |
| 5 | 内质网 | 9 |
| 6 | 细胞外 | 3 |
| 7 | 高尔基体 | 7 |
| 8 | 线粒体 | 16 |
| 9 | 细胞核 | 46 |
| 10 | 过氧化物酶体 | 6 |
| 11 | 质体 | 1 |
| 12 | 液泡 | 7 |
| 总计 | - | 204 |
| 实际蛋白总数 | - | 175 |

构建数据集时，需要进一步排除那些未经过实验注释的蛋白质，以确保所有蛋白质都经过实验注释。然后使用Blastclust减少数据集中的冗余，使序列对的序列一致性不高于25%。

1.2 三个多标签数据集分析

为了更好地可视化三个数据集（病毒、植物、真核生物）中蛋白质在各亚细胞位置的分布，进行了详细分析。这些数据集的分布情况具有不平衡性，具体表现如下：
- 病毒数据集 ：大部分（68%）病毒蛋白位于宿主细胞质和宿主细胞核，其余亚细胞位置的蛋白仅占