MLEP:一种B细胞线性表位预测方法

羊红光　成彬

摘 要：为了更快更准地确定B细胞线性表位，提出了一种新的预测方法——MLEP（Prediction of epitope based on MCFS and LSTM，MLEP）算法。采用5种性质氨基酸理化性质作为学习特征，利用多聚类特征选择算法进行特征选择，用降维后的数据作为输入，用长短期记忆网络进行训练，获得预测性能好的模型，对多聚类特征选择算法及MLEP算法的性能进行评价。对非冗余LBtope数据集进行多组实验，结果表明，使用多聚类特征选择算法降维到25时获取性能最优模型，多聚类特征选择算法比主成分分析法获得的模型准确率更高，基于MLEP算法获得的模型准确率达到94.81%。因此，MLEP算法能更好地预测B细胞线性表位，对于表位预测研究具有一定的参考价值。

关键词：生物信息论与生物控制论;B细胞;线性表位预测;长短期记忆网络;多群集;特征选择

中图分类号：R392.9   文献标志码：A

Abstract：In order to determine the linear B-cell epitope faster and more accurately， a new prediction method MLEP algorithm is provided. Firstly， all the prediction calculations are based on the five properties scales of amino acids. Based on these results， a multi-cluster feature selection algorithm is studied for reducing the number of dimensions. Secondly， the networks is trained using long-short term memory network algorithm and with the reduced dimension data. Finally， the performance of the multi-cluster feature selection algorithm and the MLEP algorithm is evaluated. The experimental evaluation of classification is performed using the non-redundant LBtope dataset. The results show that the multi-cluster feature selection algorithm achieves the best performance when the dimension is reduced to 25， and the performance of the multi-cluster feature selection algorithm is significantly better than the methods based on the principal component analysis， and the maximum accuracy of 94.81% can be achieved using the MLEP algorithm. This method can effectively predict the linear epitope of B cells， which provides reference for the study of epitope prediction.

Keywords：bioinformatics and biocybernetic; B-cell; linear epitope prediction; long-short term memory; multi-cluster;feature selection

表位是抗原与抗体产生反应的区域，B细胞表位的准确识别是表位疫苗设计、免疫诊断试剂盒开发的关键步骤之一。从结构上看，B细胞表位分为线性表位和构象性表位，线性表位由蛋白一级序列中连续的氨基酸序列片段构成，构象性表位由空间结构相邻而在蛋白一级序列中离散分布的氨基酸序列片段组成[1]。

准确识别B细胞表位的方法有基于质谱的方法、基于结晶学的方法等，但这些方法存在实验复杂、设备昂贵、操作技术要求高等因素，是影响表位疫苗研发的重要因素。随着表位数据库的建立，基于机器学习的B细胞表位预测方法快速发展，已经成为一种速度快、成本低的有效方法[2-4]。

对B细胞线性表位预测的研究主要包括2个方面，一方面是多特征参数的复合及特征选择，另一方面是设计性能更强的表位预测模型[5-9]。表位预测的特征参数除了常用的氨基酸理化性质外，還有溶剂可及性、二级结构、氨基酸对等结构特点及统计学等。利用单一参数作为倾向标度的预测方案被证实性能有限，多种参数复合特征开展预测的方案逐渐显现出了优势，随着特征维度的增长计算量和计算复杂度也大幅的增加。在机器学习中，高维数的特征往往训练不出更高分类性能的模型。因此，如何合理选择特征是一个重要的问题。弓红岩[10]在特征集合中选出最优子集后获得性能更好的表位预测模型。LIU等[11]通过主成分分析方法（principal components analysis，PCA）去掉了特征集合中无用或冗余的特征，获得具有较好性能的表位预测模型。特征选择的关键是在去掉无用、冗余特征的同时保留数据集的结构，更要保证特征集合具有更好的可区分性。多聚类特征选择（multi-cluster feature selection，MCFS）用于无监督特征选择，可以更好地保留数据的多集群结构，是一种较好的特征选择方法[12]。

基于机器学习的B细胞表位模型预测功能不断得到提升。LI等[13]结合最大相关最小冗余度方法和增量特征选择方法，采用物理化学和生物化学性质、残基无序排列、序列保守性、溶剂可及性、二级结构、氨基酸在蛋白质-蛋白质界面和蛋白质表面保守的倾向、侧链碳原子数的偏差、进化过程中氨基酸的获得/损失等8种特征被用于编码肽，使用随机森林算法在测试数据集上分别达到了最高63.53%的准确率。LIAN等[14]利用多元线性回归建立了一种新的线性B细胞表位预测模型，在大型非冗余数据集上进行了10倍交叉验证测试，取得了64.1%的准确度。SLLNER等[15]将氨基酸的理化性质、邻域矩阵以及各自的概率和似然值等作为特征，每种肽的特征维数达到1 487个特征表示，通过结合特征选择的最近邻分类器，使用5倍交叉验证测试获得了72%的准确度。WANG等[16]比较和评价了6种不同的B细胞表位预测软件的正确预测真表位的能力，发现Bepipred，AApred，BEST，LBtope这4种预测软件表现优于随机组，最高的平均预测准确率为79.71%。这些预测方案中都是在蛋白质一级序列中进行，却很少考虑序列中元素的相关性。长短期记忆网络（long-short term memory，LSTM）是一种用于长序列训练的方法，具有记忆机制，可将序列间的一些关联信息用于网络的学习训练中，有助于获得更高的识别准确率[17-18]。

1 方 法

1.1 数据获取

线性B细胞表位数据主要来自发表在重要学术期刊上、通过实验得出的表位数据，这些数据被整理后收录到IEDB数据库（http：//www.iedb.org）中，该数据库由美国过敏与感染性疾病研究院（national institute of allergy and infectious diseases， NIAID）资助建设。在表位预测研究中，将IEDB数据库中收录的、已被标记为表位的肽段序列作为表位样本，再从包含表位样本的蛋白质一级序列中抽取未经标记的肽段作为非表位样本[19]。Uniport数据库（https：//www.uniprot.org/）提供蛋白质的一级序列、二级结构等很多结构信息。近年来，Abcpred，Bcpred，Chen，LBtope等4个数据集[5]常被用于研究。LBtope数据集从IEDB数据库中整理出10 000多条包含20个氨基酸的表位序列数据，通过去掉冗余之后形成的非冗余LBtope数据集有7 824个表位样本和7 853个非表位样本。本研究在LBtope数据集中进行训练、测试。

1.2 特征及选择方法

本研究以5种氨基酸理化性质为特征标度进行参数复合，它们分别是抗原性、亲水性、灵活性、疏水性、极性[20-21]。亲水性残基位于蛋白质表面，与抗原表位有密切的联系。极性氨基酸更容易暴露在蛋白质的外表，是判定抗原表位的一种特征依据。抗原性参数是20种氨基酸在抗原蛋白中出现频率的统计结果，是研究表位的一种特征参数。同样，疏水性和灵活性与表位形成相关也常用作特征参数。每个表位样本共包含20个氨基酸，因此每个样本的特征维数是100。

MCFS特征选择算法不同于其他特征选择方法，只针对每个特征独立计算的特定分数中选择排名最高的特征。MCFS特征选择算法能保留不同特征间可能的相关性，从而产生最佳特征子集[12]。MCFS算法包括5个步骤，具体如下。

2 结果与讨论

本研究采用了五重验证机制，模型的性能指标通过5个子集的平均值计算获得。本研究的每个样本都包含20个氨基酸，采用5种氨基酸理化性质作为特征标度，每个特征向量的维数是100维。在特征集合中使用MCFS算法进行特征选择，可以获得指定维数的特征为输入。为了更好地验证MLEP算法的有效性，引入了支持向量机学习（support vector machine，SVM）算法、PCA方法进行实验对比，共设计了2组实验。

2.1 MCFS特征选择的有效性评价

为验证MCFS特征选择的有效性，将参数d分别设为15，25，35，45，计算后获得的特征子集，这些集合的特征向量的维数分别是15，25，35，45。将特征子集作为输入，利用LSTM网络算法进行训练和测试，其性能如表1所示。

通过表1的数据，分析如下。

1）维数是25的模型准确率最高，达到了9481%，相比其他维数高出10%左右。维数是25的模型的敏感性、特异性、阳性预测值3个指标都在93%以上，数值相对较为均衡。这说明了MCFS算法能找到各类中相关性大的有用特征，将特征集合中结构较好的保留下来。

2）维数是45的模型敏感性值较低，而特异性、阳性预测值偏高，这说明选择这种情况下的特征对非表位样本具有一定的偏好。

3）通过MCFS算法选出的特征，子集维数都小于50，訓练出的模型性能较好，这与所选特征的数量小于50时，MCFS算法具有好的性能表现预期一致。总的来看，基于LSTM学习算法利用MCFS算法进行特征选择后取得的表位预测模型有较高的性能。

2.2 MLEP算法的性能评价

为了验证MLEP算法的有效性，从2个方面进行实验比较。1）评价MCFS方法是否比其他选择方法更具优势，选择了PCA方法与其比较。2）评价MLEP算法是否具有更好的性能表现，采用PCA+SVM，PCA+LSTM，MCFS+SVM和MLEP（MCFS+LSTM）4种方案进行比较。

在实验中PCA方法降维后的特征向量维数是30，MCFS方法选择2.1中性能最好的降维结果，即特征向量维数是25。将降维后的特征子集作为输入，采用上述4种方案分别进行训练测试，实验都采用5重验证机制，获得的平均结果如表2所示。

通過表2的数据，分析如下。

1）MLEP算法获得的预测模型准确率最高为94.81%，从敏感性、特异性、阳性预测值等指标上看，该模型对表位、非表位均能很好的识别。

2）MCFS算法选择特征后训练出的预测模型性能更优。使用SVM学习算法，PCA方法选择特征下预测模型的准确率是74.03%，而MCFS算法选择特征下预测模型的准确率是87.66%，准确率相差13%，这说明基于SVM学习算法MCFS选择特征下获得的预测模型性能更优。使用LSTM网络学习算法，PCA方法选择特征下预测模型的准确率是86.37%，而MCFS算法选择特征下预测模型的准确率是94.81%，这说明基于LSTM网络学习算法MCFS选择特征下获得的预测模型性能更优。在两种算法下，MCFS选择特征下获得的预测模型性能都是最优的。

3）LSTM网络学习算法训练出的预测模型性能更优。使用PCA方法选择特征，LSTM网络学习算法比SVM学习算法的模型准确率高12%。使用MCFS算法选择特征，LSTM网络学习算法比SVM学习算法的模型准确率高7%。这说明LSTM网络学习算法在表位预测应用中具有一定的优势。

综合以上分析，MCFS方法、LSTM网络学习算法在表位预测中均有好的表现，也充分说明MLEP算法是一个最佳的方法，

2.3 讨论

线性表位预测是基于机器学习的一个分类过程，随着越来越多的特征用于学习，高维度数据处理往往需要很长的计算时间和巨大的计算开销，这也使得表位预测模型越来越难。解决这样问题的可靠方案是特征选择技术，就是在特征集合中找到相关的特征子集来降低维数。表位预测的特征提取没有固定的方案，实际研究中存在很多种组合方案，这也为特征选择带来了一定的困难。

在本研究中，尝试使用MCFS方法进行特征选择，一方面因为MCFS方法可以设定选择特征数量，具有很好的灵活性，另一方面MCFS方法在维数小于50下，能很好的将集合中的相关特征选出来，从而获得更好的预测性能。

LSTM网络在语音识别方面具有很好表现，因为它能基于上下文中固定窗口内容对后续词进行预测。线性表位预测是基于蛋白质一级序列的，表位是序列中连续的子序列，它们之间也必然存在一定的关联关系。LSTM网络学习算法在学习中加入记忆机制，可通过序列间的相关信息增强了学习的效果。本研究期待发挥LSTM网络这一优势，捕捉序列间的上下文关系实现更好的分类。实验结果表明，基于LSTM网络学习算法获得使表位预测模型具有更高的准确率，也明显优于其他的方法。特别地，基于MCFS方法和LSTM网络的MLEP算法是一个优秀的预测方法，这两者的结合进一步提高了表位的预测水平。

3 结 语

提出了一个新的、有效的B细胞线性表位预测方法——MLEP算法，首先使用5种氨基酸理化性质作为特征标度，采用MCFS算法进行特征选择。然后，把降维后的数据作为输入，使用LSTM网络进行训练，获得性能优异的表位预测模型。最后，对MCFS算法的特征选择有效性、MLEP算法的性能进行评价。在非冗余LBtope数据集进行分类实验结果说明，相比SVM，PCA等方法组成的方案，MLEP算法获得最优预测模型，预测准确率达到94.81%。

表位预测不仅需要对特征进行有效的选择，还需要更合适的学习算法训练模型。下一步工作中，将在本文基础上采用更多的特征标度，更多的特征选择方法和学习算法来评价MLEP算法的性能，发现具有更强性能的预测模型。

参考文献/References：

[1] 程华，成彬，羊红光.线性B细胞表位预测方法研究进展.中国免疫学杂志，2017， 33（9）：1422-1429.

[2] 卢杨.基于蛋白质侧链信息的B细胞表位预测的机器学习方法[D].长春：东北师范大学， 2012.

LU Yang. Machine Learning Method for B-cell Epitope Prediction Based on Protein Side Chain Information[D].Changchun： Northeast Normal University，2012.

[3] ELMANZALAWY Y， ONAVAR V. Recent advances in B-cell epitope prediction methods.Immunome Research， 2010， 6：S2.

[4] AMAD T， EWEIDA A， SEWEITA S. B-cell epitope mapping for the design of vaccines and effective diagnostics.Trials in Vaccinology， 2016， 5： 71-83.

[5] ARINDER S， RAMAN A ， RAGAVA G P S. Improved method for linear B-cell epitope prediction using antigen′s primary sequence. PLoS One， 2013， 8（5）： e62216.

[6] U Y ， LIN S C， LIN Y L， et al. A meta-learning approach for B-cell conformational epitope prediction. BMC Bioinformatics， 2014， 15：378.

[7] REN ing， LIU Qian， ELLIS ， et al. Positive-unlabeled learning for the prediction ofconformational B-cell epitopes. BMC Bioinformatics， 2015， 16：S12.

[8] MOGRAM B， NABIL E， BADR A. Ab-initio conformational epitope structure prediction using genetic algorithm and SVM for vaccine design.Computer Methods and Programs in Biomedicine， 2018， 153： 161-170.

[9] ZAO Liang， WONG L， LU Lanyuan， et al. B-cell epitope prediction through a graph model. BMC Bioinformatics， 2012， 13：S20.

[10]弓紅岩. 基于特征选择的线性B细胞表位的预测[D].大连：大连海事大学， 2018.

GONG ongyan. Prediction of Linear B-cell Epitopes Based on Feature Selection[D]. Dalian： Dalian Maritime University， 2018.

[11]LIU Lingyun， YANG ongguang， CENG Bin. Prediction of linear B-cell Epitopes with PCA Method[C]// Proceedings of 2019 7th International Conference on Bioinformatics and Computational Biology. New York： USA IEEE Press，2019： 39-43.

[12]CAI Deng， ZANG Chiyuan， E Xiaofei. Unsupervised feature selection for multi-cluster data[C]//Proceedings of the 16th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.New York： USA ACMPress， 2010：333-342.

[13]LI Biqing， ZENG Lulu， FENG Kaiyan， et al. Prediction of linear B-cell epitopes with mRMR feature selection and analysis. Current Bioinformatics， 2016， 11（1）： 22-31.

[14]LIAN Yao， GE Meng， PAN Xianming. EPMLR： Sequence-based linear B-cell epitope prediction method using multiple linear regression. BMC Bioinformatics， 2014， 15：414.

[15]SLLNER ， MAYER B. Machine learning approaches for prediction of linear B-cell epitopes on proteins. ournal of Molecular Recognition， 2006， 19（3）：200-208.

[16]WANG Xiangyu， REN Zhonglu， SUN Qi， et al. Evaluation and comparison of newly built linear B-cell epitope prediction software from a users′ perspective. Current Bioinformatics，2018， 13（2）： 149-156.

[17]UA Yuxiu，ZAO Zhifeng， LI Rongpeng， et al. Deep learning with long short-term memory for time series prediction. IEEE Communications Magazine， 2019， 57（6）： 114-119.

[18]CENG Bin， LIU Lingyun， QI Zhaohui， et al. Prediction of continuous B-cell epitopes using long short term memory networks[C]//Proceedings of 2018 6th International Conference on Bioinformatics and Computational Biology. New York： USA ACMPress，2018： 55-59.

[19]SAA S， RAGAVA G P. Prediction of continuous B-cell epitopes in an antigen using recurrent neural network. Proteins， 2006， 65（1）： 40-48.

[20]ABIBI M， BAKSI P K， AGDAM R. LRC： A new algorithm for prediction of conformational B-cell epitopesusing statistical approach and clustering method. ournal of Immunological Methods， 2015，427： 51-57.

[21]DALKAS G， ROOMAN M. SEPIa， a knowledge-driven algorithm forpredicting conformational B-cell epitopesfrom the amino acid sequence.BMC Bioinformatics， 2017， 18：95.