技术摘要：
本发明公开了一种基于MapReduce并行的circRNA识别方法，首先采用多种特征提取算法提取各序列数据的核酸组成特征、自组织相关性特征、伪核酸组成特征和结构特征，接着使用前期融合的方式将特征文件拼接到一起，形成一个完整的特征集，然后使用MRMD特征选择算法对特征集  全部
背景技术：
环状RNA(circRNA)是一种新型的RNA，它不同于人类传统的线性RNA，circRNA是一 种非编码RNA分子，没有5端帽，也没有3端尾，而是形成了一个环状结构。1969年Diener在研 究马铃薯纺锤体块茎病时首次发现了circRNA。电子显微镜显示了这种闭环RNA的形成，也 被称为类病毒。随后出现的高通量测序技术(high-sequencing  techniques，RNA-seq)改善 了不同物种环状RNA的测序，目前已鉴定出许多环状RNA。迄今为止，已经成功地从果蝇、蠕 虫到小鼠和人类身上识别出超过10000种不同的环状RNA。环状RNA在疾病的发生发展中起 着重要的作用，为药物开发提供了新的思路。准确识别环状RNA对于深入了解其功能非常重 要。目前基于机器学习的蛋白质识别和位点检测的研究很多，如RF和人工神经网络。相比之 下，很少有研究关注环状RNA的识别。因此，有必要研究如何利用RNA序列的特征实现对 circRNA更准确的识别。
技术实现要素：
本发明的目的是提出一种基于MapReduce并行的circRNA识别方法，利用RNA的结 构特征和核苷酸的组成来表达circRNA序列的特征，实现对circRNA更准确的识别。 本发明的技术方案为：基于MapReduce并行的circRNA识别方法，包括以下步骤： S1、下载circRNA序列数据文件，获取待处理的原始circRNA特征数据集。 S2、采用多种特征提取算法提取原始circRNA特征数据集的数据特征，得到多个特 征文件。 S3、采用前期融合的方式对所有特征文件进行拼接，得到一个完整的特征集。 S4、采用MRMD算法对特征集进行特征选择，得到特征与实例类别具有强相关性且 特征之间具有低冗余性的特征子集。 S5、采用粒子群算法优化极限学习机算法的核函数参数g和惩罚系数c，使极限学 习机算法的分类性能达到最优。 S6、采用优化后的极限学习机算法，结合MapReduce并行计算对特征子集中的 circRNA进行分类训练，得到训练好的分类模型。 S7、采用训练好的分类模型构建cirRNAPL分类器，并将特征子集输入cirRNAPL分 类器得到分类结果，完成对circRNA的识别。 进一步地，步骤S1中获取的原始circRNA特征数据集包括正例数据集和反例数据 集，正例数据集为待分类的circRNA序列文件，反例数据集为非circRNA序列文件。 进一步地，步骤S1中在获取待处理的原始circRNA特征数据集之前，需要对下载的 circRNA序列数据文件进行格式判断和内容判断；格式判断的具体方法为：当读入的 5 CN 111599409 A 说　明　书 2/8 页 circRNA序列数据文件的行以字符串“>”为开头时，则取加一行的数据为序列文本数据；内 容判断的具体方法为：读取的序列文本数据的内容是否由“A”、“U”、“C”或“G”四个字母组 成，若有这四个字母之外的字母出现，则提示输入的文本有包括“A”、“U”、“C”和“G”之外的 字母。 进一步地，步骤S2中的特征提取算法包括核酸组成特征提取算法、自组织相关性 特征提取算法、伪核酸组成特征提取算法以及结构特征提取算法；核酸组成特征提取算法 包括k-mer提取算法、Mismatch提取算法和Subsequence提取算法；自组织相关性特征提取 算法包括基于双核苷酸的自相关DAC提取算法、基于双核苷酸的交叉协方差DCC提取算法、 基于双核苷酸的自相关DACC提取算法、Moran自相关MAC提取算法、Geary自相关GAC提取算 法和归一化Moreau-Broto自相关NMBAC提取算法；伪核酸组成特征提取算法包括一般平行 相关伪二核苷酸组合PC提取算法和一般序列相关伪二核苷酸组成SC提取算法；结构特征提 取算法包括局部结构序列三重元特征Triplet提取算法、PseSSC提取算法和PseDPC提取算 法。 进一步地，步骤S2中采用MapReduce并行计算的方式同时执行多种特征提取算法 提取原始circRNA特征数据集的数据特征，其具体方法为： A1、在MapReduce中设计Map函数和Reduce函数。 A2、通过Map函数按行读取原始circRNA特征数据集并进行划分，再转换为特定格 式的文件，形式为<行号，样本>。 A3、遍历所有样本，对每个样本依次进行特征提取，输出数据，形式 为<行号，特征集>。 A4、通过Reduce函数接收Map函数的输出数据，并对接收的数据进行 处理，整合相同的key值对并输出到同一个文件中，即形成每个样本对应的特征文件。 进一步地，步骤S4中采用MRMD算法对特征集进行特征选择的依据为max(MRi MDi)， 其中MRi表示第i个circRNA实例类别与特征之间的皮尔逊系数，MDi表示第i个circRNA实例 特征之间的欧式距离，其中maxMRi值的计算公式如下： maxMDi值的计算公式如下： 6 CN 111599409 A 说　明　书 3/8 页 其中PCC(·)表示皮尔逊系数，Fi表示第i个circRNA实例的特征向量，Ci表示第i个 circRNA实例的类别向量，M表示circRNA实例的特征维数，SFiCi表示Fi中所有元素和Ci中所 有元素的协方差，SFi表示Fi中所有元素的标准差，SCi表示Ci中所有元素的标准差，fk表示Fi 中的第k个元素，ck表示Ci中的第k个元素，N为Fi和Ci中的元素数量， 为Fi中所有元素的平 均值， 为Ci中所有元素的平均值，EDi表示第i个circRNA实例特征之间的Euclidean距离， COSi表示第i个circRNA实例特征之间的Cosine距离，TCi表示第i个circRNA实例特征之间的 Tanimoto系数。 进一步地，步骤S5包括以下分步骤： S51、初始化设置粒子群算法的最大迭代次数和粒子群整体大小分别为50和50，每 个粒子都由一组核函数参数g和惩罚系数c组成。 S52、计算使用极限学习机算法对circRNA进行分类得到的分类精度，并将其作为 粒子群算法的适应度值。 S53、更新总体粒子的速度和位置。 S54、判断粒子群算法是否达到最大适应度值或最大迭代次数，若是则进入步骤 S55，否则返回步骤S52。 S55、获取最大适应度值对应的最佳核函数参数g和惩罚系数c，并将其代入极限学 习机算法，得到分类性能最优的极限学习机算法。 进一步地，步骤S52中分类精度的计算公式为： 其中ACC表示使用极限学习机算法对circRNA进行分类得到的分类精度，TP表示预 测正确的circRNA数量，FP表示预测正确的非circRNA数量，TN表示预测错误的circRNA数 量，FN表示预测错误的非circRNA数量。 进一步地，步骤S53中更新总体粒子的速度和位置的公式为： 其中pi(t)和vi(t)分别表示第i个粒子第t次迭代的位置和速度，ω为权重，c1和c2 为加速度因子，R1和R2为0到1之间的随机数，Pbest,i为第i个粒子的最优解，Gbest为针对粒子 群体的最佳解决方案。 进一步地，步骤S6包括以下分步骤： S61、在MapReduce中设计Map函数和Reduce函数。 7 CN 111599409 A 说　明　书 4/8 页 S62、将特征子集中的特征数据划分为10份。 S63、通过Map函数按行读取特征子集，并转换为特定格式的文件，形 式为<行号，特征集>。 S64、遍历每份特征数据，将其中一份作为测试集，剩余9份作为训练集，采用优化 后的极限学习机算法对其中的circRNA进行分类训练，输出数据，形式为<行 号，分类结果>。 S65、通过Reduce函数接收Map函数的输出数据，并对分类效果进行 评价。 S66、重复步骤S64-S65，直到每份特征数据都作为测试集进行过分类训练，得到训 练好的分类模型。 本发明的有益效果是： (1)本发明提出了一种全新的circRNA识别方法，利用RNA的结构特征和核苷酸的 组成来表达circRNA序列的特征，能够实现对circRNA的准确识别，为相应药物开发提供了 理论基础。 (2)本发明在进行特征提取和优化极限学习机算法分类时，引进了MapReduce的并 行计算，有效提高了处理效率。 (3)本发明通过粒子群算法优化极限学习机算法，并基于优化后的极限学习机算 法训练分类模型，进而构建cirRNAPL分类器，优化了circRNA的识别效果 附图说明 图1所示为本发明实施例提供的基于MapReduce并行的circRNA识别方法流程图。 图2所示为本发明实施例提供的特征提取维数分布示意图。 图3所示为本发明实施例提供的极限学习机参数优化效果示意图。 图4所示为本发明实施例提供的不同分类方法识别效果示意图。 图5所示为本发明实施例提供的与传统blast方法对比示意图。 图6所示为本发明实施例提供的与现有识别算法的识别效果对比示意图。