細菌特征分析的革蘭氏陰陽性判別算法

1、細菌特征分析的革蘭氏陰陽性判別算法;要：自然界中細菌無處不在，細菌的革蘭/0性和陰性的有效分類對于臨床治療具有重要意義.現(xiàn)有的細菌的革蘭/陰0 性分類主要依賴于革蘭/染色法.這種方法借助細菌細胞壁結(jié)構(gòu)的不同引起的染色性的差異來進行分類，然而涂片的厚薄和脫 色時間的掌握制約著革蘭/染色法的準確性,并且實驗需要花費一定時間.本文提出一種用計算機智能分析的細菌革蘭/陰0 性判別方法一基于蛋白質(zhì)序列特征分析的細菌革蘭/陰0性判別算法GCBPS.該算法首先挖掘出閉合鄰接序列模式 （!%或&）集合并對大量已知陰0性的細菌蛋白質(zhì)序列特征進行提取，然后先利用賦參的余弦相似度距離計算方法來衡量待測 細菌蛋白質(zhì)序

2、列與0性細菌特征集之間的距離來初步判別是否為0性，再通過去假陰性等處理后得到最終的細菌革蘭/陰0 性判別結(jié)果.該算法已在標注的1591條革蘭/陰性菌以及576條革蘭0性菌的標準數(shù)據(jù)集上進行評估，實驗結(jié)果表明，判別的 平均正確率F1值可達到95.4%.關(guān)鍵詞：革蘭氏陰陽性判別;蛋白質(zhì)序列分析;閉合序列模式Gram-negative and Gram-positive Discriminating Algorithm for Bacterial Characteristic AnalysisAbstract： Bacteria are ubiquitous in nature, and effec

3、tive classification of Gram -positive and Gram -negative bacteria is important for clinical treatment. Gram legative and Gram-positive classification of existing bacteria mainly relies on Gram staining. This method uses the differences in staining caused by the structure of the bacterial cell wall t

4、o classify. However,the thickness of the smear and the grasp of the decolorization time limit the accuracy of the Gram staining method,and the experiment takes some time. This paper presents a method for distinguishing gram legative and gram-positive bacteria by computer intelligence analysis-GCBPS

5、, a gram legative and g ram-positive discrimination algorithm for bacteria based on protein sequence feature analysis. The algorithm first mines a closed adjacency sequence pattern( !CioConSP) set and extracts a large number of known Gramlegative and Gram -positive bacterial protein se quence featur

6、es. Then it uses the cosine similarity distance calculation method with parameters to measure the distance between the bacterial protein sequence and the Gram-positive bacteria feature set to determine whether it is Gram-positive, and then remove the false Gramlegative treatment to obtain the final

7、bacteria Gramlegative and Gram-positive Judgment result. The algorithm has been e valuated on a standard data set of labeled 1591 g ram-neg ative bacteria and 576 g ram-positive bacteria. The ex perimental results show that the average accuracy rate of discrimination F1 can reach 95.4% .Key words： G

8、ram legative and Gram-positive classification； protein sequence analysis； closed sequential pattern1引言自然界存在多種多樣的病菌，如何有效地將人類新發(fā)現(xiàn) 的細菌快速加以鑒別、分類,以便選擇有效藥物進行治療，在 生物醫(yī)學領(lǐng)域具有重要意義.革蘭氏染色法用于鑒別細 ;E，可以把眾多的細菌分為兩大類，革蘭氏陽性菌和革蘭 氏陰性菌大多數(shù)化膿性球菌屬于革蘭氏陽性菌,它們能 產(chǎn)生外毒素使人致病，而大多數(shù)腸道菌屬于革蘭氏陰性菌，它 們產(chǎn)生內(nèi)毒素，靠內(nèi)毒素使人致病.在治療上,大多數(shù)革蘭氏 陽性菌都對青霉素敏感，而

9、革蘭氏陰性菌則對青霉素不敏感, 卻對鏈霉素、氯霉素等敏感.所以區(qū)分出病原菌是革蘭氏陽性 菌還是陰性;，在選擇抗生素方面意義重大.目前細菌分類方法主要是革蘭氏染色法.然而，染色時會 發(fā)現(xiàn)某些革蘭氏陽性菌褪色，某些革蘭氏陰性菌會由于菌齡 或培養(yǎng)基的不同而產(chǎn)生黑色的染色粒，同時染色程序較為復 雜，由于細胞培養(yǎng)時間過長可能導致部分細胞發(fā)生死亡或自 溶，從而導致染色結(jié)果為假陰性.革蘭氏染色法借助細菌不同 的細胞壁結(jié)構(gòu)引起的染色性差異來進行分類，但是涂片的厚 薄和脫色時間的掌握制約著該方法的準確性,這已成為未知 細菌的準確和快速分類的瓶頸.隨著第3代測序技術(shù)和質(zhì)譜 技術(shù)的成熟，大家已能夠很方便和快速地獲得

10、細菌的蛋白質(zhì) 序列.因此，本文開創(chuàng)性地研究了利用計算機對細菌的蛋白質(zhì) 序列進行特征分析和提取來進行細菌的革蘭氏陰陽性判別的 算法，經(jīng)實驗證明效果良好.本文主要完成以下3項工作：1）提出利用細菌蛋白質(zhì)序列進行細菌的革蘭氏陰陽性 判別算法GCBPS算法；2）用實驗驗證選用閉合鄰接序列模式（Fcwcmp）的GCBPS 算法進行細菌革蘭氏陰陽性判別的準確性以及可行性；3） 用替代GCBPS算法中的Con&P 后生成GCBPS- 算法，比較GCBPS和GCBPS-的準確性，以及Fc*g 相比Fc$%&的精簡性，驗證GCBPS算法的優(yōu)化性.2相關(guān)工作目前對細菌的分類方法主要有以下幾種，其中由丹麥醫(yī) 生革蘭

11、于1884年發(fā)明的革蘭氏染色法為主要的鑒別染色 法E .革蘭氏染色法根據(jù)細菌;內(nèi)含有特殊的核蛋白質(zhì)鎂鹽 與多糖的復合物與燃料的吸附性進行分類，但是，該方法結(jié)果 容易受許多因素的影響，比如菌齡和乙醇脫色時間對染色結(jié) 果的影響.針對革蘭氏染色法操作復雜以及容易脫色的缺點， 有一些可克服上述缺點的輔助方法，如氨肽酶法、Z橙染色 法.此外還有利用氫氧化鉀溶液對細菌進行分類a3b，此類輔 助方法相比革蘭氏染色法而言操作更加簡便，時間較快.此 外,基于聲光可調(diào)濾光片（AOTF）的高光譜顯微鏡成像 （HMI）方法具有從細胞水平上快速鑒定微菌落中食源性致 病細菌的潛力，文獻4利用高光譜顯微鏡成像方法對革蘭 氏

12、陽性和革蘭氏陰性食源性致病菌進行分類以及文獻5利 用利用拉曼光譜法對革蘭氏陰陽性細胞結(jié)構(gòu)所接受的拉曼散 射強度不同來進行細菌對革蘭氏陰陽性判別.鑒于序列特征 研究的廣泛應用回，為了更快速、方便地實現(xiàn)細菌的革蘭氏 陰陽性判別，本文研究對細菌的蛋白質(zhì)序列進行智能分析來 判別其革蘭氏陰陽性的算法.近年來，利用序列來分類在很多領(lǐng)域應用頗多，尤其在基 因組研究中引起了廣泛的關(guān)注78，比如，利用樸素貝葉斯對 rRNA序列進行分類;歸到Bergey的原核生物分類大綱. 在一條生物序列中,每一項（核酸或氨基酸）都有著不同的關(guān) 系，并不同以往的頻繁項集與關(guān)聯(lián)規(guī)則中的項出現(xiàn)的順 序項，這種序列分析工作又被稱為序列

13、模式挖掘，主要研究 如何有效地發(fā)現(xiàn)序列中能代表核心特征的一般序列模式 （General Sequential Pattern）或精簡序列模式（Compact Sequential Pattern） 11，12.由于，精簡序列模式可以產(chǎn)生相對少量 但分類效果、信息承載能力與一般序列模式相當?shù)男蛄心?式13，14.所以本文采用精簡序列模式來分析蛋白質(zhì)序列.在精簡序列模式分析下?本文提出 了基于蛋白質(zhì)序列特 征分析的細菌革蘭氏陰陽性判別算法（Gram Classification algorithm for Bacteria based on Protein Sequences，GCBPS），從而

14、實現(xiàn)對蛋白質(zhì)序列進行精簡序列模式的挖掘和特征的提取以 及對革蘭氏陰陽性的判別.此算法僅需對細菌的蛋白質(zhì)序列 進行計算機軟件處理，無需再進行生物實驗.該方法對硬件條 件要求低，判別時間短,準確性較高.3相關(guān)定義與問題陳述3.1相關(guān)定義定義1.（鄰接子序列）若序列&1 二 _（1（2 %，&2 二 _ %1 %2 j ?若序列 當 存在整數(shù)+1，+2，+），滿足1 ! +1 + 2 ，并且滿足 （1 =%+，（2 = %+2，,，（）= %+）.則 &1 為 &2 的一個片段，也稱 &1 為&2的鄰接子序列，表示為&1 &2 （如果&1 #&2則寫成S1 $ &2 ）.定義2.（鄰接序列模式）指定

15、一個支持度閾值！若一個鄰接子序列S滿足 S-P/ （ s） %!，其中S-P/ （ s）表示S支持度，則S為鄰接序列模式.定義3.（閉合鄰接模式）若一個鄰接序列模式，滿足不存在一個鄰接序列模式 ，1，同時使S $，1和S-P/（ S）= S-P/ （，1 ）成立，則S為閉合鄰 接序列模式.定義4.（前后子序列）給定兩個序列，1 = 和，2 = ，如 果，1是，2的前子序列,則需同時滿足1的長度1“2的長 度比S 1的長度大1 ,并且01 = 11 ,02 = 12 , ,0） = 1* a1.相應地， 如果，1是，2的后子序列,則需同時滿足，1的長度%1,并且 ，2的長度比，1的長度大1以及0

16、1 = 12 ,02 = 1?，0） = 1*.前 子序列和后子序列統(tǒng)稱為前后子序列.3.2問題陳述需解決的問題如下：采用第3代測序技術(shù)和質(zhì)譜技術(shù)可輕松得到細菌的蛋白 質(zhì)序列，因此先把若干已知陰陽性的細菌蛋白質(zhì)序列組成序 列數(shù)據(jù)庫Seq，,如表1中1條蛋白質(zhì)短序列組成的序列數(shù) 據(jù)庫Seq-/所示（第1列為序列的ID,第2列為某細菌的蛋 白質(zhì)序列.示例中的序列由A、B、C ,3種不同項（核酸或氨基 酸）組成,長度為13.）然后挖掘Seq-/中的精簡序列模式，找 出細菌的革蘭氏陰陽性判別的特征?并提出細菌的革蘭氏陰 陽性判別算法.表1含一個序列的數(shù)據(jù)庫Seq-/樣例Table 1 An examp

17、le sequence database Seq-/序列ID序列一1CBABACBACBBAC精簡序列模式又分為頻繁模式（FSP）、鄰接序列模式 （Fg）、/合鄰接模式（Fgp） 3種.若設定支持度！為2,分別用上述3種模式對表1中的序列進行挖掘，結(jié)果如表2最終的陰陽性判定結(jié)果.所示.其中第2列中，具體的模式項以及模式對應的支持度以分隔，各模式項間用,”分隔，其有17個模式項， Fy有7個模式項，而有5個，由以上結(jié)果可見，同一 支持度下,F&的模式項數(shù)目最多,F CloConSP 的模式項數(shù)目最少.由一般經(jīng)驗可知,3種序列模式中，所包含的模式項數(shù)目 越多其保留的特征也越多，故應選擇FSP來分析

18、.但是從表2 可看出FSP的模式項數(shù)目遠大于其它兩種模式，而表2所分數(shù)據(jù)預處理(S.id.S)序列數(shù)據(jù)庫SeqD訓練集數(shù)據(jù)庫Seq-D|Seq-D+,序列I候選模式生成剪枝操作 E7合性檢測|待測序列|Table 2 Comparison of three sequential patterns模式類型模式集合FSPN： 4,AC: 3,NCB: 2,BNCB: 2,ACA： 2, AB： 3, ABA：2,AA: 2,B：4,BB： 2,BA: 4,C： 4,CC： 2,CB： 3,CBB：FCo nSPFC loCon SP2?CBA： 4?CA： 4CB： 3?BA： 4?AC ： 4?

19、CBA： 2?BAC ： 3?ACB ： 2?BACB： 2CB： 3?BA： 4?CBA： 2?BAC： 3?BACB： 2表2 3種序列模式對比陰陽序 列特征 庫生成序列(據(jù)庫 閉合鄰接模式集合|陰性閉合鄰| 接模式集合|陽性閉合鄰|接模式集合鄰接序列|模式集合!向量化待測序列刪除訓練集t向量化長度為2的模式陽性訓練集向量化特征.向量N陽性訓練集 模式標準化陰性訓練集 模式標準化析的序列只包含了 3種氨基酸，長度只有13,實際的蛋白質(zhì) 序列的氨基酸可多達20種，一個序列長度可能長達上.可 想而知，選擇FSP分析序列，后續(xù)的計算量巨大，這不是一種 好的選擇.因此，若能保證正確率的情況下，選擇

20、更精簡和有 效的模式，即性價比更高的序列模式，其處理時間短,更具有 實用價值.故考慮從Fc$%&或Fci$c,%&產(chǎn)生的模式項中尋找特 征完成判別.Fc$%&的數(shù)據(jù)量大于F% ConSP， 若F% ConSP 數(shù)據(jù)無 法支撐準確性，則需考慮FconSP .若FconSP和F loConSP 均能保證 準確性，則選擇FgSP更優(yōu).本文經(jīng)過大量實驗，最終設計了 使用FgSP模式的數(shù)據(jù)分析的判別算法.4 GCBPS算法GCBPS算法的流程圖如圖1所示.該算法先對給定的已知陰陽性的序列數(shù)據(jù)庫Seq-D進行 數(shù)據(jù)預處理，將Seq,中的序列處理為特定的數(shù)據(jù)結(jié)構(gòu) (S.id,S)，然后針對蛋白質(zhì)序列分析的特

21、點改進了閉合鄰接 模式的挖掘算法CCSpan，對訓練集數(shù)據(jù)庫中每條序列通過候 選集生成、剪枝操作、閉合性篩選來挖掘Fcgp，可以分別累 計得到陰性的訓練集閉合鄰接模式特征集合和陽性的訓練集 閉合鄰接模式特征集合.接著對陽性訓練集特征集合進行標 準化和向量化,得到陽性特征向量.對待測蛋白質(zhì)序列進行挖掘FgSP ,得到待測鄰接序列 模式特征集合，再經(jīng)過向量化處理得到待測序列特征向量.先 計算待測向量與陽性特征向量的相似度，結(jié)果若在區(qū)間 0.8,1 ，則待測序列為陽性.若相似性結(jié)果不在此區(qū)間，則 初步判定為陰性，其實這些序列并不一定全是陰性，還存在假 陰性(陽性).因此,需進行;假陰性處理.經(jīng)實驗發(fā)

22、現(xiàn)直接把 待測序列向量與前述方法得出的陰性特征向量比對,其正確 率受限，因此經(jīng)過大量試驗后修正了陰性特征庫，即把原求出 的陰性特征集中長度為2的模式項去掉作為修正的陰性特征 集合，再進行標準化和向量化，得到陰性特征向量.將非陽性 待測向量與陰性特征向量進行相似度計算?若相似性結(jié)果在 區(qū)間0.8,1 ,則為陰性序列，否則為陽性序列.由此可得出陰陽性 判別|向量相R度計算IU0,8,l陰性訓練集 |特征向量化I向量相似度計算I0,8,11Y,., IV測序列3陽性HI待測序列為陰性I I序 L圖1 GCBPS算法流程圖Fig. 1 GCBPS algorithm flow chart4.1陰陽序列

23、特征庫生成CCSpan算法15用于挖掘一個序列數(shù)據(jù)庫的指定支持度 模式集合,GCBPS算法中的序列模式挖掘部分引入了 CCSpan 算法的主要思想，與原CCSpan算法不同的是,GCBPS算 法只挖掘單條序列的FcoconSP，更有利于保持源序列庫中每條 序列的特征.在取得Seq-D中每條序列的Fclog后,依次輸 入該序列數(shù)據(jù)庫中的下一條序列繼續(xù)挖掘，直至該序列數(shù)據(jù) 庫循環(huán)結(jié)束.此算法設計了以下幾種特殊的數(shù)據(jù)結(jié)構(gòu)，便于實 驗計算：作為輸入的序列數(shù)據(jù)庫Seq-D由一個二元結(jié)構(gòu)(S.id, S)組成，其中S. id為此序列的ID編號，&則為序列本身.閉合鄰接序列模式與非閉合鄰接序列模式以一個三元

24、 結(jié)構(gòu)組成(S ,s. count,B)，其中/表示模式，-.count表示該模 式在序列數(shù)據(jù)庫D上的頻數(shù)，即實際支持度，而B中有兩種 值代表模式/合，代表非閉合模式.一條序列F可以分割成若干個不相交的子集合，即 ( F,( F2 , F%，其中n是最大的模式長度,F中每 個子集僅僅包含單一長度(”)的模式.本文通過以下3步來實現(xiàn)F“ConSP的挖掘：Step 1.取數(shù)據(jù)庫SeqD的每一個序列S( S.id,S)按照設 定的切分長度切分成一系列的片段，這些片段中所有的項均 保持原有的順序和鄰接屬性.初始切分長度為2,當一輪切分 片段結(jié)束后,再把上一輪切分長度+1進行下一輪切分，一直(1)到切分

25、長度等于原始序列長度時，切分結(jié)束.得到的片段為候 選片段.此時切分序列產(chǎn)生的集合為( !, !， !% ，其中每個子片段為鄰接序列模式，其結(jié)構(gòu)為(，礦 count,B).Step 2.采用CCSpan算法中的剪枝方法(前后子序列剪 枝、支持度剪枝)對Step 1產(chǎn)生的候選片段進行剪枝,刪除已 經(jīng)出現(xiàn)過的片段和不滿足支持度要求(count !)的片段. 經(jīng)剪枝后的候選片段仍為鄰接序列模式.Step 3.對Step 2得到的鄰接序列模式進行閉合性檢 查15，則篩選出所有的非閉合鄰接序列模式并標識即(，. count，B)B標識為“,目的是在計算過程中，通過參數(shù) 對模式的頻數(shù)進 行篩選,過濾不必要的

26、模式,降低了數(shù)據(jù)的計算時間復雜度， 如公式(1)所示.經(jīng)過大量的實驗計算得出，當 為每組訓練 集中所有模式項的頻數(shù)的中位數(shù)時，刪掉頻數(shù)小于 的模式 項后的精簡訓練集集合參加判別更準確.在訓練集中，與待測 序列的鄰接序列模式取交集(若訓練集中無此模式，則頻數(shù) 置為0)，并以模式頻數(shù)構(gòu)建向量,利用公式(1)可計算待測序 列向量與該組陰(陽)性訓練集的余弦相似度.n/、=10)1)cos( 0 ,1)=!&n=1(0)2 -!&n=1 (1)2 其中0,1為待比較的兩個向量.4.2.2 陰陽性判別主要步驟Step 1.統(tǒng)計得到陰陽性訓練集特征庫中的模式項頻數(shù) 的中位數(shù) ,并過濾陰陽性特征庫中模式項頻

27、數(shù)小于 的模 式項，即對=CioConSP中S) count !( 1 !)!n)的模式刪除，從而 進行標準化.Step 2.將標準化后的陽性訓練集集合與待測序列取交 集,若訓練集中無此模式，則頻數(shù)置為0,并以訓練集集合以 及待測序列集合中模式/數(shù)(S) count)分別向量化，即T = s1 count, s 2 count, s3 count;，sn. count ,利用公式(1)求 得待測序列與陽性訓練集向量的余弦相似度，結(jié)果若在 0.8,1則判定為陽性.Step 3得到第1步判別結(jié)果后，對于相似性結(jié)果在0, 0.8)的序列，會出現(xiàn)假陰性性狀.因此先將陰性特征訓練集 集合刪除模式長度為2

28、的模式，然后進行Step 2中標準化以 及向量化得到陰性訓練集向量,最后利用公式(1)求得待測 序列與陰性訓練集向量的余弦相似度?結(jié)果若在0. 8?1 則 判定為陰性，否則為陽性.綜合兩步判別結(jié)果得到最終待測序 列的陰陽性.此部分的主要函數(shù)為：函數(shù)Cosin-S():用于對向量化后的訓練集以 值進行標 準化，并得到測試集與陰陽性訓練集的余弦相似度Cosme_ sun.其中，T、Tp為陰陽性訓練集的向量，%測試集中單條 序列的向量.4.3算法過程GCBPS算法主要由兩部分組成：1)為陰陽性訓練集與測 試集模式集合挖掘;2)為測試序列與陰陽性訓練集的相似性 計算.以下為GCBPS算法偽代碼，其中:

29、原始的序列數(shù)據(jù)庫為 Seq-D,最小支持度為！. F存儲所有的鄰接序列模式乩存儲 長度為 n 的序列模式. F1 存儲模式長度為 1 的頻繁模式. 模 式集合F = s ,s count, B f： count% b為所挖掘頻繁模式 的訓練集集合.集合 LcioConSPs = ( s ,s count, B) # count%! 存儲序列數(shù)據(jù)庫中全部序列挖掘的FdoConSp. L?est = ( s ,S count, B) /count%!存儲一條待測序列的Fy集合.陰性 訓練集向量為 T ?陽性訓練集向量為 TP ?測試集向量為 TTest . 算法GCBPS: 輸入:由待測序列組成的

30、序列數(shù)據(jù)庫SeqD，以及支持度！ 輸出:Seq-D中各序列的Scd與該序列革蘭氏陰陽性判別 結(jié)果Begin:F ; /以 F 存儲 CloConSPsFn以Fn存儲長度為n的ConSPsF1 snip / / ( Seq -D ,!) / /獲得 1 -sequences1. for( n =2; Fn_1 #; n + + ) do2- Pn/以Pn存儲當前切分長度片段for each sequence S( Seq-D and l( S) % n dofor each con subsequence s( S and l( s) = n doConSP-snip( Seq-D ,s ,Fn

31、_1 ,Pn，& )6,!); /獲得 ConSPsend forend forend forend forFn_ i ClCnSPrnip( Fn_ 5 ,!%) ; /獲得 CloConSPs-1 Fn-1 ；end forLioConSPs，匾s.CountPatterns( F) II獲得模式集合?p foConSPs II訓練集集合向量化T?est SI測試序列模式集合向量化Cosine_simCosin-S( Tp，T8心)11相似度計算if Cosine_sim( 0. 8,1 :待測序列為陽性else： T刪除LioConSP-中長度為2的模式Cosine_simCosin-1

32、 (T ,)if Cosine_sim e 0.8,1:待測序列為陰性else：待測序列為陽性End5實驗為了驗證GCBPS算法的準確性、可行性及優(yōu)化性，設計 和完成了以下兩個實驗.5.1實驗設置論文選取蛋白質(zhì)序列公開數(shù)據(jù)集PSORTb V3.01.該數(shù)據(jù) 集中包含1591條革蘭氏陰性菌蛋白質(zhì)序列和576條革蘭氏 陽性菌蛋白質(zhì)序列.本文實驗選取10折交叉驗證，即1將數(shù) 據(jù)集分成10組，輪流將其中9組做訓練1組做驗證,10次所 得結(jié)果均值為算法精度的估計.本實驗中，采用精準率、( )率B、值F1 -score作為實驗的主要評價指標17，計算方法 如公式(2):公式(4)所示.其中：TP:表示測試

33、集中正確的把 陰(陽)性菌預測為陰(陽)性的序列個數(shù);FN:表示測試集中 錯誤的把陰性菌預測為陽性的序列個數(shù);FP:表示測試集中 錯誤的把陽性菌預測為陰性的序列個數(shù).F1值為綜合度量準 確率和召回率的指標.P TP(2) TP + FPTP(3)R =TP + FN廠2P - R( 4)F1 = P + R5.2實驗及結(jié)果分析實驗將數(shù)據(jù)集中的1591條革蘭氏陰性菌蛋白質(zhì)序列和 576條革蘭氏陽性菌蛋白質(zhì)序列放入1個數(shù)據(jù)庫中，再將數(shù) 據(jù)集均勻分為10組，每組包含革蘭氏陽性菌約57條,革蘭氏 陰性菌約159條，其中1組作為測試集，余下9組作為訓練 集，依次進行10組實驗.實驗1?驗證GCBPS算法

34、的準確性與可行性實驗的步驟為：Step 1.取1組序列作為測試組,從中取1條未測序列作 為待測序列，剩下9組數(shù)據(jù)序列，放入GCBPS的序列數(shù)據(jù)庫 Seq-D;Step 2.按GCBPS的方法判別出序列的陰陽性，即把數(shù) 據(jù)帶入事先編寫好的算法程序運行得出結(jié)果；Step 3.記錄算法得出的序列陰陽性結(jié)果與實際的陰陽 性結(jié)果;Step 4.若測試組的序列未測試完,則重復Step 1-Step 3. 若測試完，則計算該組評估指標(P、R、F1 -core)，并進入 Step 5;Step 5.依次更換其余9組輪流作為測試組，重復Step 1- Step4,得到10組的評估指標，并計算平均值，如表3所示

35、.用GCBPS算法對細菌進行革蘭氏陰陽性判別結(jié)果的實 驗評價指標如表3所示.本實驗在支持度! =2的條件下，分 別從10組實驗的精確率、召回率以及F1值來判斷該算法的 準確性及可行性.表3 GCBPS 算法 10 組實驗評價指標Table 3 GCBPS algorithm 10 groups ofexperimental evaluation indicatorsP( %)R( %)F1 ( % )196. 8496. 2396. 53296. 8496. 2396. 53399. 3798. 7499. 05499. 3494. 9797. 11594. 0198. 7496. 32694

36、. 4886. 1690. 13795. 3088. 7591. 91897. 3291. 1994. 16999. 3292. 4595. 771098. 6894. 3496. 46Nvg97. 1593. 7895. 40F1是綜合度量準確率和召回率的指標，由表3可看出第 3組實驗F1值最高為99.05% ,10組的平均F1值為95.40% , 所以GCBPS算法判別細菌的革蘭氏陰陽性的結(jié)果較準確. 因此可以得出：不進行生物實驗,直接采用實現(xiàn)GCBPS算法 的計算機軟件進行細菌的革蘭氏陰陽性判別方法是準確的和 可行的.實驗2.驗證GCBPS中選擇FdoConSP的精簡性與優(yōu)化性 本組實驗

37、選取支持度! =2,用Fco%sp替代GCBPS算法中 對訓練集進行特征提取的步驟，其余步驟相同，為以示區(qū)別， 后稱為GCBPS-算法.其實驗步驟為：Step 1.按實驗1的方法步驟并跳過5.1中的Step 3后運行;Step 2.記錄GCBPS-X算法的評估結(jié)果；Step 3.統(tǒng)計GCBPS算法中產(chǎn)生的FcSp訓練集特征 庫模式項的種類及個數(shù).Step 4.統(tǒng)計GCBPS-X算法中產(chǎn)生的Fg訓練集特征 庫模式項的種類及個數(shù).由實驗可得FconSP下的10組實驗的評價指標由表4可 見，圖2-ffl 4分別為GCBPS算法與GCBPS-X算法兩種模式 準確率、召回率、F1值對比.由表3可知，GC

38、BPS判別實驗F1值均值為95.40% ;由 表4可知，GCBPSX判別實驗F1值均值為94.26%.因此, GCBPS算法比GCBPS-X算法綜合準確率高.由圖2可知有 6組實驗的準確率是GCBPS高于GCBPS-X;由圖3可知有8組實驗的召回率是GCBPS高于GCBPS-C;由圖4可知有6 組實驗的Fl值是GCBPS高于GCBPS成，由此可見GCBPS 比GCBPS-X的判別準確率更高.表4 GCBPS-X算法10組實驗評價指標 Table 4 GCBPS-X algorithm 10 groups ofexperimental evaluation indicatorsP( %)B( %

39、)F1( %)196. 8496. 2396. 53298. 0996. 8697. 47399. 3697. 4898. 41498. 6692. 4595. 45595. 1298. 1196. 59690. 2881. 7685. 81793. 7985. 0089. 18898. 6390. 5794. 439100. 0088. 6894. 001098. 6491. 1994. 77Nvg97. 0191. 8394. 26接下來進行兩種算法中模式項的精簡性對比.圖5為革 蘭氏陰性菌GCBPS與GCBPS-X兩種算法中模式項數(shù)目的 對比圖，其中橫坐標為模式項的長度，縱坐標為模式項的數(shù) 目.在陰性菌序列數(shù)據(jù)庫中共有130978個模式項, 有11064個模式項，由此可見，！ CloConSP 的數(shù)目遠遠小 于.由圖5可以看出兩條曲線在同一支持度下（！ = 2） 呈下降趨勢牌5的模式項主要集中在長度為3和4之 間,分別占比46. 74%與39. 34%，而在Fy 中，長度為3與 長度為4的模式僅占4.09%與4.88%.隨著模式長度增長的 同時，F(xiàn)5中模式長度較長的模式為0.相比而言，GCBPS 中的Fcg更為精簡.圖6為革蘭氏陽性菌GCBPS與GCBP