公开(公告)号：CN111899792A

公开(公告)日：2020-11-06

申请号：CN202010777126.5

申请日：2020-08-05

Applicant: 南京邮电大学

Inventor： 郭丽 ,  钱博文 ,  于家峰 ,  刘健 ,  龚乐君 ,  窦相华 ,  姜雯雯

IPC: G16B30/10 ,  G16B40/00 ,  G16B50/00

Abstract: 本发明属于医药技术领域，具体涉及一种筛选具有肽编码能力小开放阅读框的方法，以基因组GC含量为依据，从数据库筛选具有sORFs注释的原核生物基因组，并将其按照基因组GC含量分组，然后将各基因组中具有明确生物功能的sORFs筛选出来，进而利用CD-Hit程序进行去冗余处理，依次以各基因组中肽编码sORFs作为正样本，其对应随机打乱序列为负样本，作为初步训练集分别预测其余基因组中的sORFs，将各基因组GC含量区间预测效果最好的基因组作为最终训练集来源基因组；基于筛选的训练集，以各序列密码子使用频率作为特征参数，利用分类器进行训练完成筛选。该方法对原核及真核生物都具有较好的筛选效果。

公开(公告)号：CN111899792B

公开(公告)日：2022-10-14

申请号：CN202010777126.5

申请日：2020-08-05

Applicant: 南京邮电大学

Inventor： 郭丽 ,  钱博文 ,  于家峰 ,  刘健 ,  龚乐君 ,  窦相华 ,  姜雯雯

IPC: G16B30/10 ,  G16B40/00 ,  G16B50/00

Abstract: 本发明属于医药技术领域，具体涉及一种筛选具有肽编码能力小开放阅读框的方法，以基因组GC含量为依据，从数据库筛选具有sORFs注释的原核生物基因组，并将其按照基因组GC含量分组，然后将各基因组中具有明确生物功能的sORFs筛选出来，进而利用CD‑Hit程序进行去冗余处理，依次以各基因组中肽编码sORFs作为正样本，其对应随机打乱序列为负样本，作为初步训练集分别预测其余基因组中的sORFs，将各基因组GC含量区间预测效果最好的基因组作为最终训练集来源基因组；基于筛选的训练集，以各序列密码子使用频率作为特征参数，利用分类器进行训练完成筛选。该方法对原核及真核生物都具有较好的筛选效果。