33、深入探究受体剪接位点预测：迭代特征选择方法

深入探究受体剪接位点预测：迭代特征选择方法

1. 引言

在过去几十年里，特征选择技术愈发重要，能帮助研究人员处理图像、文本分类和生物信息学等领域出现的海量数据。特征选择旨在选取具有“最佳”分类性能的特征子集，与投影和压缩等降维技术不同，它不改变原始输入特征，只是进行子集选择。

数据降维有诸多优势，如用有限特征子集获得良好甚至更优的分类性能、使预测器更快且更具成本效益，以及让人更好地洞察数据描述的过程。

在生物信息学的许多分类问题中，所建模的生物过程尚未完全明晰。因此，分类模型常使用大量特征，期望涵盖真正重要的特征，但这也导致许多特征与分类任务无关，成为噪声，降低分类器性能，阻碍人类专家的解读，这也凸显了使用特征选择技术进行知识发现的必要性。

生物信息学中的一个重要机器学习任务是DNA序列注释，目标是根据基因组序列和示例基因结构预测基因组上的所有基因。基因预测的一个重要子任务是正确识别编码区（外显子）和非编码区（内含子）之间的边界，即剪接位点，包括供体剪接位点（外显子到内含子的过渡）和受体剪接位点（内含子到外显子的过渡）。在高等生物中，大多数供体剪接位点的内含子部分有GT子序列，受体剪接位点的内含子部分有AG子序列。因此，剪接位点预测可表述为二分类任务。本文聚焦于拟南芥中受体剪接位点的预测。

2. 方法

一般来说，没有绝对的最佳分类算法或特征选择方法，因此需要对分类模型和特征选择技术进行比较评估，以找出最适合数据集的组合。

2.1 分类算法

实验选择了两种广泛用于机器学习研究的分类器：
- 贝叶斯分类器：选用朴素贝叶斯方法（NBM），因其能处理高维特征空间且具有鲁棒