51、用于蛋白质远程同源性检测的富集词袋模型

用于蛋白质远程同源性检测的富集词袋模型

1. 引言

蛋白质远程同源性检测在生物信息学中是一个重要的研究领域。传统的词袋（BoW）模型在该领域有一定应用，但存在无法编码单词间进化关系的问题。本文提出了一种富集词袋（Enriched BoW，EBoW）表示方法，旨在解决这一问题。

2. BoW方法在蛋白质远程同源性检测中的应用

在蛋白质远程同源性检测（PRHD）中，BoW表示法是基础。下面介绍如何从生物序列中提取BoW表示：
- 定义单词和字典 ：将序列的N - 元组视为单词。对于序列S = s1 … sL，其N - 元组gl = sl … sl + N - 1 。固定长度N后，字典D是使用字母表A构建的所有长度为N的可能子序列的集合。例如，核苷酸序列字母表有4个符号（A, T, C, G），氨基酸序列字母表有20个符号。字典D包含W = AN个单词。
- 提取BoW表示 ：
1. 从序列S中提取所有N - 元组g1, …, gG（G取决于序列长度L和提取N - 元组的重叠程度）。
2. 每个gi用向量wi表示：gi → wi = [0, 0, · · ·, 1, · · · 0] ，该W维向量通过“1 - of - W”方案编码gi对应字典D中第j个单词vj的信息。
3. 通过对所有向量w1, …, wG进行元素求和得到序列S的BoW表示：BoW(S) = w1 + w2 + · · · + wG

下图展示了BoW方案的示意图：

graph LR