介绍：如果想识别一种特殊的蛋白质，可以通过以下手段。举个例子，我想分类一个蛋白质是不是细胞因子cytokine (可以替换成别的特殊蛋白)，要做以下步骤：

1. 找出目前已知的cytokine，先google一下有没有已知的database，如果没有可以去Uniprot数据库（http://www.uniprot.org/）搜索cytokine

然后点击download下载结果

以fasta格式下载

得到了一个fasta格式的文件，用写字板打开，其中红圈部分是该蛋白序列的Uniprot的ID。

2.正例得到了，怎么得到反例呢？反例需要找一些与正例差异较大的真实蛋白序列。我们的思路是：列举出所有正例所在的PFAM家族，在这些正例以外的PFAM家族中，每个家族抽取一条序列（通常是抽取最长的）当做反例。

具体步骤如下（2-4）。

注意：2-4步已经在99服务器/Bioinformatics_Machine_Learning/Machine_Learning/preprocess/protein_negative_sample/ 路径下布置好了，邹老师课题组成员可以直接联系邹老师索取99服务器账号，毋需要做2-4步的程序，灰色字体部分仅供理解原理。

怎么看序列的PFAM家族呢？用UniprotID，比如Q02152，访问网址：http://www.uniprot.org/uniprot/Q02152 （将UniprotID放在最后），在网页的下端，如图所示

该序列的PFAM家族就是PF00001。

由于序列数量多，PFAM获取应该编程完成，参考该程序。

3. 找出cytokine（正例）的所有PFAM，并删除重复的PFAM，参考该程序。

4. 在所有的PFAM中，删除正例出现过的家族，得到剩余的PFAM（参考该程序），在剩余的PFAM中每个家族取一条最长的序列作为反例，参考该程序。

5. 正例的fasta序列就用下载得到的，对这个下载的fasta文件去冗余，用CD-HIT，调整一下参数，使得正反例尽量平衡（一般正例个数比较少，可以把阈值设的大一点，比如0.9；反例个数比较多，可以尽量把阈值设的小一些，比如0.4）。CD-HIT网址：http://weizhong-lab.ucsd.edu/public/，使用方法非常简单，设置好输入文件名，聚类阈值（例如70%），输出文件名即可。也可参考http://bbs.malab.cn/forum.php?mod=viewthread&tid=926&extra=&page=2 （11楼）

6. 得到了正反例的fasta序列文件后，要分别提取特征，均参考该程序。（188维特征arff文件头）

7. 利用weka进行交叉验证。如果效果好，可以构建一个web server，用于预测未知蛋白序列是否是cytokine。参考该文档

8. 在Uniprot剩余的序列中（或者某一个新物种的protein，比如大黄鱼），寻找潜在的cytokine。（这步可以不做）

温馨提示：代码使用参考该文档