（3）对公共数据集采用 SVM 分类器进行预测，并执行 Jackknife 验证测试；

（4）对公共数据集的实验结果进行评价分析。

第二章  甲基化位点识别概述

2。1 甲基化位点识别流程

（1）构建或选择有效的基准数据集来进行训练和预测的测试；

（2）对样本采用统计的方法，提取出能够真实地反映其与目标预测有内在关联，具 有高鉴别能力的特征向量；

（3）引入或开发一个较好的分类算法（或引擎）来操作运行预测程序；

（4）选择合适的测试方法，确定预器性能的评价指标，客观地评价预测器的性能。

2。2 基准数据集

图 2-1 甲基化位点识别流程图

构造或者选择一个有效的基准数据集是成功预测的基础，数据集过小则不具有代 表性，而数据集过大又会导致工作量过大，耗费时间长。本文所使用的 DNA 序列来 自于 MethDB ，MethDB 是整合了多个文献中出现的 DNA 甲基 化数据的数据库，也是涵盖物种和组织最多的数据库。它是一个采集了以 C（Cytosine 胞嘧啶）为中心的  DNA   甲基化片段（即包含潜在甲基化位点的片段）的公共数据库。

从 MethDB 中任选的一个 DNA 序列可以表示如下：

Rξ(C)=N-ξN-(ξ-1) … N-2N-1CN+1N+2 … N+(ξ-1)N+ξ （2-1）

其中，中心“C”代表  Cytosine   胞嘧啶，下标ξ是一个整数，N-ξ代表中心“C”的第ξ个

上游核苷酸，Nξ表示第ξ个下游核苷酸，以此类推（如图  2-2  所示）。(2ξ+1)个核酸长

度的 DNA 样本可进一步公式表示为：

Rξ(C)∈ {

R+(C)，如果它的中心“C”是甲基化位点 R- (C)， 其它情况

（2-2）

图 2-2 DNA 序列(-ξ, ξ)移动展示

+ -

其中Rξ       (C)代表可以甲基化的样本片段，Rξ(C)代表不能够甲基化的样本片段，∈表

示集合运算中“属于”操作符。因此，本文的基准数据集也可以表述为：

+ -

Sξ = Sξ ⋃ Sξ

（2-3）

+ + - -

这里的Sξ     只包含可以甲基化的Rξ    (C)样本，Sξ只包含不能够甲基化的Rξ(C)样本，⋃表

示集合运算中“并”操作符。Rξ(C)是一个长度为(2ξ+1)      核酸序列，当ξ取值不同时，

基准数据集将包含 DNA 片段不同数量的核苷酸序列，表示如下：

 37 核苷酸，当 ξ=18

 39 核苷酸，当 ξ=19

Sξ包含的片段

 41 核苷酸，当 ξ=20

 43 核苷酸，当 ξ=21

（2-4）

{ ⋮ ⋮

构造Sξ的详细的过程如下：

（1）每一个从 MethDB 中任取的 DNA 序列，沿其滑动一个(2ξ+1)核苷酸窗口（如图

2-1 所示）。

（2）如果 DNA 序列的上游或下游小于ξ，则用与它的最接近的相同的核苷酸进行填 充。

（3）如果 DNA 样本的中心是实验标注的甲基化位点，以这种方式获得的 DNA 片段

+ -

投入到正的Sξ     子集，否则，将它们归于负的Sξ子集。