基于集成模型的细菌必需基因识别算法研究及应用

Because of the importance in the fields of anti-bacterial drug design, synthetic biology and life origin researches,bacterial essential genes require more and more attentions. Using experimental methods to determine essential genes is so time-consuming and money-consuming that identifying essential genes by computational methods becomes necessary and important.The integrative model that combines multiple features is believed to be the most promising computational method. This project plans to develop E. coli specific essential gene identifying method based on integrative model. For each feature, it will be optimized in the descriptive forms. Then the principal component regression (PCR) will be used to combine the mutiple features to train the model.Because of its intrinsic characteristics,the PCR could filter the features and distinguish the samples at the same time. The PCR also could sucessively solve the problem of unbalanced sample sizes. The specific model for E. coli will attain the highest identifying accuracy. This model will be extended to the S. pneumoniae after some modification, and used to assign essentiality values for the retaining 1637 genes, and illustrating the expansibility of the method. The project aims to invesigating the maximum value of identifying essential genes in bacteria and would help to develop the integrative model that are applicable in any bacteria.

由于在抗菌药物设计、合成生物学及生命起源等各方面的重要性，细菌必需基因受到越来越多的重视。实验方法确定必需基因大多费时费力，科学家们逐渐地转向通过理论方法预测细菌的必需基因。考虑多种特征的集成模型被认为是最可靠的理论识别方法。本研究拟基于集成模型，发展特异性的大肠杆菌必需基因识别算法。对于每种特征（同源特征、序列特征、网络特征、保守域特征）都从表述形式上通过改善革新做到最优。然后采用主成分回归建立模型。由于该方法固有的优点，将同时实现特征筛选和预测分类的目的。主成分回归还可以同时解决样本数目不平衡的问题。大肠杆菌特异性模型将具有最高的识别准确率。把该模型经过修饰后应用到肺炎链球菌基因组，对必需性未知1637个基因进行判断，同时表明集成模型的可扩展性。本计划的顺利实施除了调研必需基因理论识别算法精度的极限，同时为发展基于集成模型的通用型识别算法做准备，从而促进细菌必需基因理论识别的发展。

近年来，细菌的必需基因集已经成为微生物学、医学、基因组学、生物信息学等学科的研究热点。由于必需基因的重要性，必需基因已成为合成生物学的基础，同时能成为抗菌药物设计的潜在靶标，且有助于理解生命的最小共同祖先。必需基因是生物生存必不可少的基因，识别与研究必需基因具有重要的意义，本工作发展了一种集成的方法准确地识别必需基因。通过以下四个方面提取特征：(1)序列特征；(2)同源特征；(3)蛋白域特征；(4)网络拓扑特征。基于这些集成的特征，我们采用主成分回归对大肠杆菌特征进行分析并得到其特异性模型。经过十次五重交叉验证，得到平均AUC为0.992。此外，我们将大肠杆菌的特异性模型应用到肺炎链球菌，得到AUC为0.789。因此，我们提取的特征能够增加细菌必需基因预测的准确率，同时，构建的模型能够扩展到亲缘关系较远的物种。. 我们在构建大肠杆菌集成模型的同时，选取集成模型的部分特征（或扩展数据）结合其他生物学知识或机器学习算法，发现了其他必需基因理论识别算法，且部分工作开发并提供了在线服务工具，如基于未知序列注释信息的基因及必需基因识别工具ZCURVE 3.0。此外，通过结合其他生物学知识，我们扩展研究并分析了必需基因在构建最小基因集、细菌基因定位偏好性中具有非常重要的意义。更重要的是，我们将原核生物必需基因识别的概念扩展至人类细胞系的必需基因识别工作中，且预测结果的AUC值高达0.881。. 综上所述，本文对细菌及人类必需基因的整合和应用、最小基因集的研究做了一个较全面的探索，并且可应用于基因预测、药物靶标设计、合成生物学研究，本项目的工作达到了预期目标。. 在本项目的支持下，本项目组共发表SCI论文11篇，其中影响因子大于2的有10篇，影响因子大于5的有6篇，另有会议论文1篇，著作章节1篇。