衰老基因：DNA修复与非修复分类研究

# 衰老基因：DNA 修复与非修复分类研究 ## 1. 研究背景 随着全球人口预期寿命的显著提升，老年人口数量在许多国家迅速增加。衰老不仅给家庭带来沉重负担，还与心血管疾病、2 型糖尿病、肺部疾病、癌症等多种疾病的发生密切相关。尽管过去对衰老机制进行了大量研究，但具体机制仍未完全明晰。目前流行的一种理论认为，衰老源于未修复 DNA 损伤的积累。尽管细胞内存在有效的 DNA 修复系统，但该系统可能无法修复所有的 DNA 损伤。在衰老过程中，未修复的 DNA 损伤积累会导致 DNA 修复基因表达上调，以应对损伤带来的不利影响。因此，与 DNA 损伤修复相关的基因在衰老过程中起着重要作用。然而，在已确定的众多衰老相关基因中，只有一小部分与 DNA 修复有关。目前，尚未有利用生物信息学技术对衰老相关基因中的 DNA 修复基因进行分类的报道。 ## 2. 研究方法 ### 2.1 基因列表收集 从 GenAge（Build 15）数据库中获取了 261 个人类衰老相关基因列表，其中 35 个基因被 Wood 等人注释为 DNA 修复基因。将这 261 个衰老相关基因分为两类：226 个非 DNA 修复基因（阴性样本）和 35 个 DNA 修复相关衰老基因（阳性样本）。 ### 2.2 GO 属性获取 从基因本体论项目网站下载 GO 数据（版本 1.1.2393），提取所有衰老相关基因的生物过程（BP）注释。将每个 BP 术语视为衰老相关基因的一个特征，并根据衰老基因与该 BP 术语之间是否存在“is a”关系，将其标记为 1 或 0。此过程产生了 2189 个二进制属性。 ### 2.3 PPI 属性生成 使用两个人类蛋白质相互作用（PPI）数据集：人类蛋白质参考数据库（HPRD）和生物通用相互作用数据集存储库（BIOGRID）。对这两个数据集进行筛选，筛选标准如下： 1. 人类蛋白质或基因； 2. 对于一个 PPI 对，至少有一个蛋白质是衰老相关基因的产物； 3. 基因相互作用是通过实验确定的。 将筛选后的所有 PPI 数据集合并，生成一个涉及衰老相关基因的 PPI 列表。共有 3811 个蛋白质与衰老相关基因相互作用，每个蛋白质被视为衰老相关基因的一个特征，若衰老基因（或其产物）与该蛋白质相互作用，则标记为 1，否则标记为 0。 ### 2.4 数据挖掘算法 本研究使用了四种数据挖掘算法：J48、朴素贝叶斯（NB）、支持向量机（SVM）和随机森林（RF）。 - J48 是 C4.5 算法的开源 Java 实现，用于生成决策树。 - NB 是基于贝叶斯条件概率定理的分类算法，假设所有属性相互独立。 - SVM 使用核函数将描述符投影到高维特征空间进行非线性映射，在多维空间中找到能最大化不同类别之间间隔的最优超平面。 - RF 是一种集成方法，利用多个独立的决策树进行分类或回归。在本研究中，使用 R 语言实现的 RF 算法对所有属性进行排序，使用基尼指数衡量每个属性的相对重要性，每个 RF 模型包含 5000 棵树。 ### 2.5 性能评估 采用标准的 5 折交叉验证评估不同分类器的性能，使用受试者工作特征曲线（ROC）、马修斯相关系数（MCC）和总准确率（ACC）来评估分类器的性能。ROC 曲线是真阳性率（灵敏度）与假阳性率（1 - 特异性）的关系图，ROC 曲线下面积（AUC）是灵敏度和特异性之间的权衡指标，AUC 为 1 表示完美预测模型，AUC 为 0.5 表示随机预测。 ## 3. 研究结果 ### 3.1 属性分析 所有衰老相关基因共有 6000 个属性，包括 2189 个 GO 术语和 3811 个 PPI 属性。这些属性的出现频率各不相同，大多数 GO 属性仅出现一次，大多数 PPI 属性的出现次数少于 10 次。出现次数为 3 次或更多的 GO 属性有 602 个，出现次数为 10 次或更多的 PPI 属性有 587 个。 ### 3.2 不同分类算法的性能 测试了不同的出现次数阈值对属性进行筛选，并使用四种算法构建模型。对于 GO 属性，选择 1 到 20 之间的阈值；对于 PPI 属性，设置阈值在 1 到 200 之间，间隔为 10。结果表明，RF 算法是最稳健的算法。NB 和 RF 模型在阈值为 4 时表现最佳，整体最佳性能在阈值为 10 时实现。因此，将阈值为 4 的 GO 属性与阈值为 10 的 PPI 属性相结合。