基于L-Metric重叠子图发现的B细胞表位预测模型

doi:10.11772/j.issn.1001-9081.2021010017

《计算机应用》唯一官方网站 ›› 2021, Vol. 41 ›› Issue (12): 3702-3706.DOI: 10.11772/j.issn.1001-9081.2021010017

• 前沿与综合应用 • 上一篇

基于L-Metric重叠子图发现的B细胞表位预测模型

高闯¹, 唐冕¹, 赵亮¹^,²()

^1.广西大学计算机与电子信息学院，南宁 530004
^2.湖北医药学院太和医院，湖北十堰 442000

收稿日期:2021-01-07 修回日期:2021-03-07 接受日期:2021-03-23 发布日期:2021-04-15 出版日期:2021-12-10
通讯作者: 赵亮
作者简介:高闯（1991—），男，吉林长春人，硕士研究生，主要研究方向：生物信息学
唐冕（1997—），男，深圳福田人，硕士研究生，主要研究方向：生物信息学；
基金资助:
国家自然科学基金地区科学基金资助项目(32060150)

B-cell epitope prediction model with overlapping subgraph mining based on L-Metric

Chuang GAO¹, Mian TANG¹, Liang ZHAO¹^,²()

^1.School of Computing and Electronic Information，Guangxi University，Nanning Guangxi 530004，China
^2.Taihe Hospital，Hubei University of Medicine，Shiyan Hubei 442000，China

Received:2021-01-07 Revised:2021-03-07 Accepted:2021-03-23 Online:2021-04-15 Published:2021-12-10
Contact: Liang ZHAO
About author:GAO Chuang， born in 1991， M. S. candidate. His research interests include bioinformatics.
TANG Mian， born in 1997， M. S. candidate. His research interests include bioinformatics.
Supported by:
the Fund for Regional Science of National Natural Science Foundation of China(32060150)

摘要/Abstract

摘要：

针对现有表位预测方法对抗原中存在的重叠表位预测能力不佳的问题，提出了将基于局部度量（L-Metric）的重叠子图发现算法用于表位预测的模型。首先，利用抗原上的表面原子构建原子图并升级为氨基酸残基图；然后，利用基于信息流的图划分算法将氨基酸残基图划分为互不重叠的种子子图，并使用基于L-Metric的重叠子图发现算法对种子子图进行扩展以得到重叠子图；最后，利用由图卷积网络（GCN）和全连接网络（FCN）构建的分类模型将扩展后的子图分类为抗原表位和非抗原表位。实验结果表明，所提出的模型在相同数据集上的 $F 1$ 值与现有表位预测模型DiscoTope 2、ElliPro、EpiPred和Glep相比分别提高了267.3%、57.0%、65.4%和3.5%。同时，消融实验结果表明，所提出的重叠子图发现算法能够有效改善预测能力，使用该算法的模型相较于未使用该算法的模型的 $F 1$ 值提高了19.2%。

关键词: 表位预测, 重叠表位发现, 局部度量, 图卷积网络, 焦点损失函数

Abstract:

Existing epitope prediction methods have poor performance on overlapping epitope prediction of antigen. In order to slove the problem， a novel epitope prediction model with the overlapping subgraph mining algorithm based on Local Metric （L-Metric） was proposed. Firstly， an atom graph was constructed based on surface atoms of antigen and upgraded to an amino acid residue graph subsequently. Then， the amino acid residue graph was divided into non-overlapping seed subgraphs by the information flow based graph partitioning algorithm， and these seed subgraphs were expanded to obtain overlapping subgraphs by using the L-Metric based overlapping subgraph mining algorithm. Finally， these expanded graphs were classified into epitopes and non-epitopes by using a classification model constructed based on Graph Convolutional Network （GCN） and Fully Connected Network （FCN）. Experimental results show that， the $F 1$ -score of the proposed model is increased by 267.3%， 57.0%， 65.4% and 3.5% compared to those of the existing epitope prediction models such as Discontinuous epiTope prediction 2 （DiscoTope 2）， Ellipsoid and Protrusion （ElliPro）， Epitope Prediction server （EpiPred） and overlapping Graph cLustering-based B-cell epitope predictor （Glep） respectively in the same dataset. At the same time， the ablation experimental results show that the proposed overlapping subgraph mining algorithm can improve the prediction performance effectively， and the model with the proposed algorithm has the $F 1$ -score increased by 19.2% compared to the model without the proposed algorithm.

Key words: epitope prediction, overlapping epitope mining, Local Metric (L-Metric), Graph Convolutional Network (GCN), Focal Loss function (FL)

中图分类号:

TP399

高闯, 唐冕, 赵亮. 基于L-Metric重叠子图发现的B细胞表位预测模型[J]. 计算机应用, 2021, 41(12): 3702-3706.

Chuang GAO, Mian TANG, Liang ZHAO. B-cell epitope prediction model with overlapping subgraph mining based on L-Metric[J]. Journal of Computer Applications, 2021, 41(12): 3702-3706.

图/表 6

图1 子图描述

Fig. 1 Description of subgraph

图2 分类模型总体架构

Fig. 2 Overall architecture of classification model

图3 表位预测模型的F1值比较

Fig. 3 F1-score comparison of epitope prediction models

表1 不同预测模型结果对比

Tab. 1 Result comparison of different prediction models

模型	$F 1$ 值		召回率		精确度
模型	均值	标准差	均值	标准差	均值	标准差
DiscoTope 2	0.159	0.173	0.262	0.309	0.168	0.215
ElliPro	0.372	0.183	0.383	0.230	0.456	0.260
EpiPred	0.353	0.208	0.474	0.282	0.296	0.187
Glep	0.564	0.135	0.492	0.171	0.722	0.162
SGLMEP	0.584	0.124	0.582	0.214	0.676	0.169

表1 不同预测模型结果对比

Tab. 1 Result comparison of different prediction models

模型	$F 1$ 值		召回率		精确度
模型	均值	标准差	均值	标准差	均值	标准差
DiscoTope 2	0.159	0.173	0.262	0.309	0.168	0.215
ElliPro	0.372	0.183	0.383	0.230	0.456	0.260
EpiPred	0.353	0.208	0.474	0.282	0.296	0.187
Glep	0.564	0.135	0.492	0.171	0.722	0.162
SGLMEP	0.584	0.124	0.582	0.214	0.676	0.169

图4 消融实验结果比较

Fig. 4 Result comparison of ablation experiment

表2 消融实验的详细结果

Tab. 2 Detailed results of ablation experiment

模型	$F 1$ 值		召回率		精确度
模型	均值	标准差	均值	标准差	均值	标准差
未使用子图发现算法	0.490	0.111	0.419	0.167	0.699	0.187
使用子图发现算法	0.584	0.124	0.582	0.214	0.676	0.169

表2 消融实验的详细结果

Tab. 2 Detailed results of ablation experiment

模型	$F 1$ 值		召回率		精确度
模型	均值	标准差	均值	标准差	均值	标准差
未使用子图发现算法	0.490	0.111	0.419	0.167	0.699	0.187
使用子图发现算法	0.584	0.124	0.582	0.214	0.676	0.169

参考文献 27

1	ZHANG J， ZHAO X W， SUN P P， et al. Conformational B-cell epitopes prediction from sequences using cost-sensitive ensemble classifiers and spatial clustering ［J］. BioMed Research International， 2014， 2014： Article No. 689219. 10.1155/2014/689219
2	李淑芳，王芬.人SFRP1基因及其编码蛋白基本特性及抗原表位的生物信息学分析［J］.现代肿瘤医学，2013，21（5）：1005-1009. 10.3969/j.issn.1672-4992.2013.05.24
	LI S F， WANG F. Bioinformatics analysis of the structure and epitope of gene encoding SFRP1 protein from human ［J］. Journal of Modern Oncology， 2013， 21（5）： 1005-1009. 10.3969/j.issn.1672-4992.2013.05.24
3	李卫严，刘新生，赵东红，等.基于乙肝核心抗原和猪流行性腹泻病毒S蛋白B细胞复合表位基因重组疫苗的免疫原性研究［J］.中国兽医科学，2020，50（6）：671-678. 10.16656/j.issn.1673-4696.2020.0099
	LI W Y， LIU X S， ZHAO D H， et al. Immunogenicity of genetic vaccine based on recombinant hepatitis B core antigen and B cell multi-epitopes of porcine epidemic diarrhea virus spike glycoprotein ［J］. Chinese Veterinary Science， 2020， 50（6）： 671-678. 10.16656/j.issn.1673-4696.2020.0099
4	何建华，徐春艳.X射线自由电子激光晶体学在结构生物学中的应用［J］.物理，2018，47（7）：437-445. 10.1201/9781315274508-209
	HE J H， XUE C Y. Application of X-ray free electron laser crystallography in structural biology ［J］. Physics， 2018， 47（7）： 437-445. 10.1201/9781315274508-209
5	BERMAN H M， WESTBROOK J， FENG Z， et al. The protein data bank ［J］. Nucleic Acids Research， 2000， 28（1）： 235-242. 10.1093/nar/28.1.235
6	KRINGELUM J V， NIELSEN M， PADKJÆR S B， et al. Structural analysis of B-cell epitopes in antibody： protein complexes ［J］. Molecular Immunology， 2013， 53（1/2）： 24-34. 10.1016/j.molimm.2012.06.001
7	SUN J， XU T L， WANG S N， et al. Does difference exist between epitope and non-epitope residues？ Analysis of the physicochemical and structural properties on conformational epi-topes from B-cell protein antigens ［J］. Immunome Research， 2011， 7（3）： Article No.1. 10.1007/s00436-010-1966-z
8	ZHANG W， XIONG Y， ZHAO M， et al. Prediction of conformational B-cell epitopes from 3D structures by random forests with a distance-based feature ［J］. BMC Bioinformatics， 2011， 12： Article No.341. 10.1186/1471-2105-12-341
9	KULKARNI-KALE U， BHOSLE S， KOLASKAR A S. CEP： a conformational epitope prediction server ［J］. Nucleic Acids Research， 2005， 33（Web Server Issue）： W168-W171. 10.1093/nar/gki460
10	ZHAO L， HOI S C H， WONG L， et al. Structural and functional analysis of multi-interface domains［J］. PloS ONE， 2012， 7（12）： Article No.e50821. 10.1371/journal.pone.0050821
11	ZHAO L， WU S G， JIANG J W， et al. Novel overlapping subgraph clustering for the detection of antigen epitopes ［J］. Bioinformatics， 2018， 34（12）： 2061-2068. 10.1093/bioinformatics/bty051
12	CHEN J Y， ZAIANE O R， GOEBEL R. Detecting communities in large networks by iterative local expansion ［C］// Proceedings of the 2009 International Conference on Computational Aspects of Social Networks. Piscataway： IEEE， 2009： 105-112. 10.1109/cason.2009.29
13	DONGEN S M V. Graph clustering by flow simulation ［EB/OL］. ［2020-12-01］. .
14	BRUNA J， ZAREMBA W， SZLAM A， et al. Spectral networks and locally connected networks on graphs ［EB/OL］. ［2020-11-09］. .
15	GARDNER M W， DORLING S R. Artificial neural networks （the multilayer perceptron） — a review of applications in the atmospheric sciences ［J］. Atmospheric Environment， 1998， 32（14/15）： 2627-2636. 10.1016/S1352-2310(97)00447-0
16	ZHAO L， WONG L， LU L Y， et al. B-cell epitope prediction through a graph model ［J］. BMC Bioinformatics， 2012， 13： Article No. S20. 10.1186/1471-2105-13-s17-s20
17	HUBBARD S， THORNTON J. Naccess V2.1.1 — atomic solvent accessible area calculations ［CP/OL］. ［2020-11-09］. .
18	FRIEDMAN J H， BENTLEY J L， FINKEL R A. An algorithm for finding best matches in logarithmic expected time ［J］. ACM Transactions on Mathematical Software， 1977， 3（3）： 209-226. 10.1145/355744.355745
19	DING Z L， ZHANG X Y， SUN D D， et al. Overlapping community detection based on network decomposition ［J］. Scientific Reports， 2016， 6： Article No.24115. 10.1038/srep24115
20	NI L， LUO W J， ZHU W J， et al. Local overlapping community detection ［J］. ACM Transactions on Knowledge Discovery from Data， 2019， 14（1）： Article No.3. 10.1145/3361739
21	SOLIHAH B， WINARKO E， AFIAHAYATI， et al. A systematic review： B-cell conformational epitope prediction from epitope characteristics view ［C］// Proceedings of the 2017 3rd International Conference on Science and Technology — Computer. Piscataway： IEEE， 2017： 93-98. 10.1109/icstc.2017.8011859
22	GLOROT X， BORDES A， BENGIO Y. Deep sparse rectifier neural networks ［C］// Proceedings of the 2011 14th International Conference on Artificial Intelligence and Statistics. New York： JMLR.org， 2011： 315-323
23	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2999-3007. 10.1109/iccv.2017.324
24	LI W Z， GODZIK A. Cd-hit： a fast program for clustering and comparing large sets of protein or nucleotide sequences ［J］. Bioinformatics， 2006， 22（13）： 1658-1659. 10.1093/bioinformatics/btl158
25	KRINGELUM J V， LUNDEGAARD C， LUND O， et al. Reliable B cell epitope predictions： impacts of method development and improved benchmarking ［J］. PLoS Computational Biology， 2012， 8（12）： Article No.e1002829. 10.1371/journal.pcbi.1002829
26	PONOMARENKO J， BUI H H， LI W， et al. ElliPro： a new structure-based tool for the prediction of antibody epitopes ［J］. BMC Bioinformatics， 2008， 9： Article No.514. 10.1186/1471-2105-9-514
27	KRAWCZYK K， LIU X F， BAKER T， et al. Improving B-cell epitope prediction and its application to global antibody-antigen docking ［J］. Bioinformatics， 2014， 30（16）： 2288-2294. 10.1093/bioinformatics/btu190

[1]	张元钧, 张曦煌. 基于图卷积与长短期记忆网络的动态网络表示学习模型[J]. 计算机应用, 2021, 41(7): 1857-1864.
[2]	李扬志, 袁家政, 刘宏哲. 基于时空注意力图卷积网络模型的人体骨架动作识别算法[J]. 计算机应用, 2021, 41(7): 1915-1921.
[3]	许力, 李建华. 基于句法依存分析的图网络生物医学命名实体识别[J]. 计算机应用, 2021, 41(2): 357-362.
[4]	王晓霞, 钱雪忠, 宋威. 基于注意力与图卷积网络的关系抽取模型[J]. 计算机应用, 2021, 41(2): 350-356.
[5]	彭雪莹, 江永全, 杨燕. 基于图卷积网络的迁移学习轴承服役故障诊断[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3626-3631.
[6]	赵旭剑, 王崇伟. 基于图卷积网络的微博新闻故事线抽取方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3139-3144.
[7]	陈佳伟, 韩芳, 王直杰. 基于自注意力门控图卷积网络的特定目标情感分析[J]. 计算机应用, 2020, 40(8): 2202-2206.
[8]	黄伟建, 李丹阳, 黄远. 面向空气质量的时空混合预测模型[J]. 计算机应用, 2020, 40(11): 3385-3392.
[9]	陈可佳, 杨泽宇, 刘峥, 鲁浩. 基于邻域选择策略的图卷积网络模型[J]. 计算机应用, 2019, 39(12): 3415-3419.
[10]	曾安潘丹郑启伦彭宏 . 排序学习前向掩蔽模型在T细胞表位预测中的应用[J]. 计算机应用, 2007, 27(1): 80-83.

基于L-Metric重叠子图发现的B细胞表位预测模型

B-cell epitope prediction model with overlapping subgraph mining based on L-Metric

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 27

相关文章 10

编辑推荐

Metrics