TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4322 ~ 4 3 2 9   DOI: 10.115 9 1 /telkomni ka. v 12i6.468 9          4322     Re cei v ed O c t ober 1 0 , 201 3; Revi se d Decem b e r  25, 2013; Accept ed Ja nua ry 2 0 , 2014   A Java Program of Feature Extraction Algorithms for  Protein Sequences      Shanping Qi ao* 1,2 , Baoqiang Yan 3   1 School of Man agem ent Scie n c e and En gi ne erin g, Shan don g Normal U n iv ersit y   2 Shand on g Pro v incia l  Ke y La b o rator y  of Net w ork Based Inte l lige n t Comp uti ng,   Schoo l of Information Sci enc e and En gi neer ing, Un iversit y   of Jinan,   No. 336, W e st Roa d  of Nan  Xi nzhu an g,  Jinan  2500 22, Ch ina ,  Ph.:  + 86-531 897 36 503   3 School of Mat hematic al Scie nce, Shan do ng  Normal Un iver sit y   No. 88, Cultur a l  East Road, Ji nan  2 5 0 014, C h in a, Ph.: + 86-531 86 182 50 1   *Corres p o ndi n g  author, e-ma i l : qspzl@ hotm a il.com 1,2 , y a nba o q i a ng 66 6 @ gma i l . co m 3       A b st r a ct   Predicti on of pr otein su bcel lu l a r local i z a ti ons  a ttracted the eyes of ma ny re search ers and  henc e a   serial  of co mp utation a l a ppr o a ches  w h ic h ai me d at d e sig n i ng a n  effective  learn i n g   mach ine to  dea l w i t h   the new ly-fou n d  prote i n se qu ences  on the  base  of the fe atur e vector were develo pe d i n  th e  la st two  deca des. T h e  feature  extra c tion a l g o rith m for  protei n  sequ enc es p l aye d  a v i tal  role  actual ly.  T h e   infor m ati on  in t he fe ature v e ctor infl ue nced  the  perfor m a n c e  of th e l earn i n g  al gor ith m  si g n ifica n tly. In or de r   to facilit ate us ers to b u i l d  p r edicti ng syste m , thre e  fe ature extraction   alg o rith ms a bout a m in o  a c i d   compos ition w e re intro duc ed,  impr ove d  an d imple m ente d   in  a Java pro g ra m. By compar i ng the res u lts w i th   those fro m  so me w eb s e rver s, it  w a s proved that this pr o g ra m ran  nor mally a nd  had  g ood  perfor m a n ce   both  in ti me co sting  and  us er  interface. M o re over, the   resu lts coul d  be  eas i l y save d to  the  specifi e d  file  fo r   later use. It w a s anticip ated th at this progra m  w ould give so me h e l p  to research ers.     Ke y w ords : pr otein  subc ell u l a r loc a tio n  pr e d ictio n , a m i no  acid c o mp ositi on, feat ur e ext r action  al gorith m ,   Java    Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Predi ction of  protein su bcell u lar lo caliz atio ns is an importa nt and hot  topic in   bioinformatics. Knowle dg e of protein  sub c ell u lar  lo cation s often  offers impo rtant clue s toward   determi ning t he fun c tion o f  an un cha r a c teri zed  prote i n. Therefore, a key  step  o n  this  way i s   to   determi ne th e su bcellula r  locali zation s  of each prot e i n. The tra d itional ap proa ch to this p r ob lem  is doin g  the  physi co chemi c al exp e rime nt s,   su ch as cell  f r a c t i on ation, ele c tron  microsco py a n d   fluore s cen c e  microsco py. Ho wever, it is time-c on sum i ng and  co stl y  to settle this proble m  ba sed   on exp e rim e nts p u rely. M o reove r , the   numbe r  of  an notated prote i ns ha s  in cre a se d  expl osi v ely  in the po st-g e nomic  age, a s  illu strated i n  Table  1. Th erefo r e, expe rimental  anno tation of prot ein   sub c ell u lar l o cali zation s  ca n not  kee p  u p  with th e hu ge nu mbe r  of  seq uen ce s t hat co ntinue   to   emerge fro m  the geno me  seq uen cing  proje c ts. T o   br idg e  this  g ap, it is high ly desirable t o   develop   the computation a l method s  fo r predi cting   p r otein subc ellular localiz ations . In fac t, many  efforts have b een mad e  in the last two d e ca de s [1-5].      Table 1. Nu m ber of Protein  Sequen ce s in the UniProtKB/Swiss-Pro t   Release Date   Database Versio n  Total  Experimental  An notations  Non-e x pe rimenta l  Annotations  2003-12 -15  1  135,938   38,903   45,391   2004-07 -05  2  148,277   41,031   50,806   2005-05 -10  5  178,998   45,606   65,084   2006-10 -31  9  239,174   53,510   94,897   2007-07 -24  12  274,311   57,490   113,135   2008-07 -22  14  390,787   64,733   167,972   2009-09 -01  15.7  495,368   68,029   220,091   2010-07 -13  2010_08   516,934   70,180   232,546   2011-07 -27  2011_08   531,326   70,552   241,226   2012-05 -16  2012_05   536,029   70,868   245,342   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Java P r og ram  of Feature Extra c tion  Algor ithm s for Protein Seq uen ce s (Sha nping Qi ao)  4323 These comp utational met hod s all aim  at desi gning  an effective  learni ng ma chin e to   predi ct the  subcellula r lo cations of the  ne wly- foun d  protei n  seq uen ce s on  the ba se  of t he  feature ve cto r . Fo r the  fe ature ve cto r , too ma ny f eature s   may  lead  to a  h i gh-di men s io nal  disa ster.  On   the contrary, too fe w fe ature s   wo uld l o se  some  ne ce ssary i n formation. So  the   informatio n i n  the featu r e vecto r  infl uen ce s the  perfo rman ce  of the le arning al go rithm  s i gnific antly.  As  a res u lt, how to extrac t  the info rmative featu r e s  fro m  the  protei n  se que nce i s   a  key pro b lem  which n eed s to study deeply. M any feature extraction alg o rit h ms have b e e n   prop osed by  now. In this p aper, three wi dely use d   on es related to  amino a c id  compo s ition were  introdu ce d, improve d  and  impleme n ted  in a Java pro g ram.   The pap er is  orga nized a s  follows. In the next  section,  we introdu ce  the three alg o rithm s   formally. In  Section  3, th e impl ement ation m e thod  ba sed  o n   Java is d e scri bed. Se ction  4   pre s ent s the  result got fro m  this pro g ra m and gi ves  discu ssi on s. Finally, we concl ude o u r  work  in se ction 5.       2. The Propo sed Thre e  Al gorithms   There are 20  native amin o aci d s i n  th e natur e. Th e alph abeti c a l  orde r of the i r sin g le - l e t t e r   c o d e s  a r e  A ,   C ,   D ,  E ,  F ,  G ,   H ,  I ,  K ,  L ,  M ,   N ,  P ,   Q ,  R ,  S ,  T ,  V ,  W ,   a n d  Y .  A m i n o   a c i d  i s   n o t   only a basi c  u n it compo s in g protein, but  is also  an imp o rtant physi ol ogical active  sub s tan c e. T h e   feature s  of a m ino a c id d e termin e the at tribute of  a  protein to a g r e a t extent. So, the amin o a c id  comp ositio n i s  u s u a lly co nsid ere d  into  the featu r e   extraction  alg o rithm s . A p r otein  seq uen ce  whi c h contain s  N amin o aci d s can be formulated by:    N R R R ... 2 1                                                                                                                                                 (1)    Whe r e  1 R  repre s ent s the first  amino a c id,  2 R  the se con d  o ne, and so fo rth. On the b a se of the   protein  sequ e n ce  and  som e  physi oche mical  attri but es  of amino  acid s,  three algorith m s rel a ted   to amino aci d  compo s ition  are introdu ce d bello w.    2.1. Amino Acid Composi t ion  The Amino A c id Comp ositi on (AAC) wa s first p r op osed by Na ka shima [6] in st udying   the protei n folding type p r oble m  in 19 86. Later,  it wa s  u s ed  in predi cting protein  subcell u lar  locali zation s  and  som e  ot her bran che s , su ch  as p r e d icting  protei n st ru ctur al  cl asse s, p r edi cting   protein q uate r na ry stru cture and so o n . The form  of AAC is a 20-dim e n s iona l digital vector  defined a s  fol l ows:    T f f f X ] [ 20 2 1 　　 　　 　　                                                                                                   (2)    Whe r e  X  den otes the fea t ure vecto r   of a protein , 1 f , 2 f , …,  20 f  a r e th e  c o mp os itio n  comp one nts  (i.e. freq uen cie s )  of the  20 a m ino  acid s. Th e  amino  aci d  frequ en cie s   were   cal c ulate d  as  follows. The percenta ge of  the amino acid  i  in a protei n is define d  b y :    ) 20 ,..., 2 , 1 ( 100 i N n f i i 　　　                                                                                                    (3)    Whe r e  i n  is th e  frequ en cy of  amino  aci d i , and  N  is th e n u mbe r  of a m ino a c id  re sid ues in the   protein  se qu ence. AAC is simple a nd  use d  br oadly  in the early  days. Ho wev e r, the se que nce  orde r i n form a t ion is lo st comple tely  in AAC.  Thi s  would result  in a low  accuracy  in predi cting   protein attri b u t es only usi n g  AAC.    2.2. Pseudo Amino Acid  Composi t ion   The P s eu do   Amino A c id  Comp ositio n  (PseAA C) al gorithm  was  prop osed  in t he yea r   2001  by  Ch ou [7]. It wa s d e si gne d t o  imp r ove th e p r edi ction  quality of p r otein attrib utes,   inclu d ing th e  sub c ell u la r l o cali zatio n  a nd the  mem b ran e  p r otei n types.  Co mpared  with  the   conve n tional   AAC, PseAA C  n o t only  converts the  p r otein  se que nce s   with va riou s le ngth s  to   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4322 – 4 329   4324 fixed-length  digital vecto r s, but al so  kee p s  co nsi dera b le  seq u ence orde r i n formatio n. The  formulatio n of PseAAC is d e fined by:    T x x x x X ] [ 20 1 20 20 1 　 　 　 　 　                                                                                        (4)    Whe r e,         　 　　 　　 　 ) 20 1 20 ( , ) 20 1 ( , 20 11 20 20 11 u w f w u w f f x ik k i u ik k i u u                                                                          (5)    W h er e  ) 20 ,..., 2 , 1 ( i f i  are   the no rmali z ed o c cu rre nce fre que ncy  of the  20  a m ino  aci d s i n   protein   X ,  w  is t he  weig ht factor for the  se quen ce  orde r effect, an d  k  is the  k-tier seque nce   correl ation fa ctor  comp ute d  according t o  Equation (6 ) - (9 ) for this  protein.     ) ( , 1 1 , N k J k L k L i k i i k                                                                                                    (6)    Whe r e  1  is ca lled the fi rst - tier  co rrel a tio n  facto r  that  reflect s  the  seque nce o r d e r  co rrel a tion  betwe en all t he mo st co ntiguou s re si du es al ong a  protein chain,  2  the se co nd-ti er correlatio n  factor, an d so  forth.    } )] ( ) ( [ )] ( ) ( [ )] ( ) ( {[ 3 1 2 2 2 2 2 1 1 , i k i i k i i k i k i i R M R M R H R H R H R H J          (7)    Whe r e  k i R H 1 ,   k i R H 2 and   k i R M  are, re sp ectively, the h y droph obi city value, hydrophili city  value, and  si de-chai n ma ss of ami no a c id  k i R ; and  i R H 1 ,  i R H 2  and  i R M  the co rre spo ndin g   values for a m ino aci d   i R . These value s  were gotten by:    ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( 0 0 0 0 2 0 2 0 2 2 0 1 0 1 0 1 1 M SD M R M R M H SD H R H R H H SD H R H R H i i i i i i                                                                                                                (8)    Whe r e   i R H 0 1  is th e origin al hydrop hobi city value of the ith amino aci d ,   i R H 0 2  the original  hydrophilicity value,  and   i R M 0  the ma ss of t he ith a m ino  acid  sid e   cha i n. The s e th ree value s   are  shown i n   Table  2. In E quation  (8 ),    denote s  th e  mean  of the  correspon ding   value of  all th e  20 amino a c i d s, and   SD  means the varia n c e. The s e two values a r e  defined by Eq uation (9 ).       20 20 1 20 1 2 20 1 i i i i SD                                                                                                                               (9)  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Java P r og ram  of Feature Extra c tion  Algor ithm s for Protein Seq uen ce s (Sha nping Qi ao)  4325 There a r e o n l y  three  physi co chemi c al  p r ope rt ie s (i.e. ,  hydrop hobi city, hydrophili city and  mass) u s e d  in the stand ard PseAAC.  In order  to  add more prop ertie s  int o  PseAAC,  we  enha nced it here. Let n be  the numbe r o f  prope rties,  the ne w formu l ations a r e gi ven as follo ws:    } )] ( ) ( [ )] ( ) ( [ )] ( ) ( {[ 1 2 2 2 2 2 1 1 , i n k i n i k i i k i k i i R V R V R V R V R V R V n J            (10)    Whe r e   k i R V 1 ,   k i R V 2  , ..., and   k i n R V  are, res p ec tively, the jth (j= 1 , 2, ...,  n) propert y value  o f   amino a c id  k i R ; and   i R V 1 ,   i R V 2 , ..., and  i n R V  the corre s pondi ng valu es for amin o  acid  i R . The   vlaues of the s e prope rtie s are gai ned by :    ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( 0 0 0 0 2 0 2 0 2 2 0 1 0 1 0 1 1 n n i n i n i i i i V SD V R V R V V SD V R V R V V SD V R V R V                                                                                                                        (11)    The  sam e  m e thod  as Eq uation  (9 )  was  used  to  calcul ate e a ch  value  in th e  above  equatio n. After the refo rm ation, any valuable p r op erty can be ad ded into Equ a tion (10 ) . T h is  improve d  the informativity and flex ibility of PseAAC si gnifica ntly.      Table 2. The  Origin al Hyd r opho bicity, Hydroph ili city and Mass Valu es of 20 Amin o Acids  Number of  amino  acid  Letter of ami no a c id   H y drophobicit y   H y drophilicity   Mass  1 A  0.62  -0.5   15.0  2 C  0.29  -1.0   47.0  3 D  -0.90   3.0  59.0  4 E  -0.74   3.0  73.0  5 F  1.19  -2.5   91.0  6 G  0.48  0.0  1.0  7 H  -0.40   -0.5   82.0  8 I  1.38  -1.8   57.0  9 K  -1.50   3.0  73.0  10 L  1.06  -1.8   57.0  11 M  0.64  -1.3   75.0  12 N  -0.78   0.2  58.0  13 P  0.12  0.0  42.0  14 Q  -0.85   0.2  72.0  15 R  -2.53   3.0  101.0   16 S  -0.18   0.3  31.0  17 T  -0.05   -0.4   45.0  18 V  1.08  -1.5   43.0  19 W  0.81  -3.4   130.0   20 Y  0.26  -2.3   107.0       2.3. Amphiphilic Pseudo Amino Acid Composi t ion  In 2005, Cho u  [8] propo sed a novel repre s e n tation  of protein feature ve ctor named  “Amphiphilic  Pseudo Amino Acid  Composition” (Am P seAAC) in  predi cting enzyme subfam il y  c l as ses .  AmPs eAAC contains   2 20 discrete numbe rs: the first  20 numb e rs are the   comp one nts  of the conven tional AAC; the next  2 num bers are a se t of corre lation fac t ors  that  reflect differe nt hydroph obi city and hydrophili city  distribution patterns alo ng a protein ch ain. The  formulatio n of AmPseAAC i s  define d  by:    T x x x x x x X ] [ 2 20 1 20 20 1 20 20 1 　 　　 　 　 　　 　 　 　　                 (12)    Whe r e,   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4322 – 4 329   4326     　 　　　　 　 ) 2 20 1 20 ( , ) 20 1 ( , 20 1 2 1 20 1 2 1 u w f w u w f f x ik k i u ik k i u u                                                                   (13)    Whe r e  ) 20 ,..., 2 , 1 ( i f i  are  the no rmali z e d  occu rren ce  frequ en cy of the 20  amin o aci d s i n  th e  protein   X ,  k  is t he sequ en ce  co rrel a tion f a ctor comput ed a c cording  to Equation   (14 )  for thi s   protein, an d  w  is the wei ght factor.      N H N H N H N H N N k k k N k k k N k k k N k k k , 1 1 1 1 1 1 1 2 , 2 1 1 , 1 2 1 1 2 1 , 2 1 1 1 1 , 1                                                                                             (14)    Whe r e  1  and  2  are call ed the first-tie r  correlation  factors that refl ect the seq u ence-o r d e r  correl ation b e twee n all the most contiguo us re sidu es al on g a protei n  chain th ro ugh  hydrop hobi cit y  and hydrop hilicity, resp e c tively,  3   and   4  the seco nd -tier correlati on facto r s,  and so forth. In Equation (14),  1 , j k H  and   2 , j k H  are hydrop hobi city and hydrophili city correlation  function s give n by:        j k j k j k j k R h R h H R h R h H 2 2 2 , 1 1 1 ,                                                                                                              (15)    W h er e   i R h 1  and   i R h 2  are hyd r op h obicity a nd  h y drophili city  values  for the ith (i= 1 ,  2,  …,   N)  amino a c id in  this protein resp ectively. Note that   i R h 1  and  i R h 2  are  cal c ula t ed usin g the  sam e   way as d e scri bed in sectio n 2.2.  Similarly, there are only two physi co chem ical pro p e rties  (i.e.,  hydrop hobi cit y  and   hydrophilicity) which are consid ered in the standard AmPseAAC.  Based on the same mode as  PseAAC,  we  enh an ced A m PseAAC h e re  also. Let  n be  the  nu mber of p r op erties, th e n e w  formulatio ns  of Equation (12) -  (15 )  ar e  given as the f o llowin g  four  equatio ns:     T n x x x x x x X ] [ 20 1 20 20 1 20 20 1 　 　　 　 　 　　 　 　 　　            (16)        　 　　　　 　 ) 20 1 20 ( , ) 20 1 ( , 20 11 20 11 n u w f w u w f f x i n k k i u i n k k i u u                                                                     (17)    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Java P r og ram  of Feature Extra c tion  Algor ithm s for Protein Seq uen ce s (Sha nping Qi ao)  4327  N V N V N V N V N V N V N N k n k k n N k k k n n N k k k n n N k n k k n N k k k N k k k , 1 1 1 1 1 1 1 1 1 1 , 1 2 , ) 2 ( 1 1 , ) 1 ( 1 1 1 , 1 1 2 1 , 2 1 1 1 1 , 1                                                                                                   (18)          j n k n n j k j k j k j k j k R v R v V R v R v V R v R v V , 2 2 2 , 1 1 1 ,                                                                                                                        (19)      3. Rese arch  Metho d   In orde r to re alize the fu nctions of the  a bove thre e im proved  algo rithms, a  cla ss  name d   Rep r e s entati on wa s defin ed in Java. At the same  time, a flexible mode wa s a dopted to utilize   more  attribut es in th e al gorithm s. Th at is  the n u m ber  of attri butes  used i n  PseAAC a n d   AmPseAAC i s  no lo nge r li mited to thre e and  two.  Usere s   can  use  any attri bute to cal c u l ate  PseAAC an d AmPSeAAC. All the methods in p s eu do-cod e  we re de scribe d bello w in detail.     3.1. AAC Fea t ure Vec t or   Input the prot ein se que nce  P;  Cal c ulate the  seq uen ce le n g th N;  Initialize a ve ctor na med v s  with the type of double[] and the len g th of 20;  For ea ch ami no aci d  AAi in P  Cou n t the nu mber of AAi and save it into vs;  Endfor  Normali z e vs  into [0, 100) interval acco rding to eq. (3 );  Return vs ;     3.2. PseAAC Featur e Vec t or   Input the prot ein se que nce  P,  w ,   and attri bute value s ;  Cal c ulate the  seq uen ce le n g th N;  Call the AAC  algorith m  to get the vector  of AAC name d  vs1;  Initialize a ve ctor na med v s 2 with the type of doubl e[] and the lengt h of  ;  Conve r t each  attribute value to its stand ard form acco rding to eq. (9) and  (11 ) ;  For i = 1 to    For j = 1 to N  – i  For ea ch attri bute value   Get the two continuo us am ino aci d s: j an d j + i;  Cal c ulate the  attribute valu e according t o  eq. (10 ) ;  Endfor  Endfor  Cal c ulate the  i-tier correlati on facto r  acco rdin g to eq. (6) a nd save it into vs2;  Endfor  Con n e c t vs1 and vs2 tog e ther into a ne w vecto r  nam ed vs with the  length of  20 ;  Normali z e vs  into [0, 100) interval;  Return vs ;   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4322 – 4 329   4328 3.3. AmPseAAC Fe ature  Vector   Input the prot ein se que nce  P,  w ,   and attri bute value s ;  Cal c ulate the  seq uen ce le n g th N;  Call the AAC  algorith m  to get the vector  of AAC name d  vs1;  Cal c ulate the  numbe r of attribute s  n;  Initialize a ve ctor na med v s 2 with the type of doubl e[] and the lengt h of  n ;  Conve r t each  attribute value to its stand ard form acco rding to eq. (9) and  (11 ) ;  For i = 1 to  n   For ea ch attri bute value   For j = 1 to N  – ((i -1 ) / n + 1)   Get the two continuo us am ino aci d s: j an d j + ((i -1) / n + 1);   Cal c ulate the  attribute valu e according t o  eq. (19 ) ;  Endfor  Endfor  Cal c ulate the  i-tier correlati on facto r  acco rdin g to eq. (18 )  and  save  it into vs2;  Endfor  Con n e c t vs1 and vs2 tog e ther into a ne w vecto r  nam ed vs with the  length of  n 20 ;  Normali z e vs  into [0, 100) interval;  Return vs ;       4. Results a nd Discu ssi on  In orde r to u s e these algo ri thms ea sily, a fr iendly g r a phical user in terface, a s   sh own in   Figure 1, wa s provided.           Figure 1. The  Graphi cal  User Interfa c e     T h r o u g h  th is in te r f a c e ,  us ers   c a n in pu t or l oad  sequ en ce s, choo se   or/and  inp u t  attribute   values, sele ct algorithm s a nd input the p a ram e ters . Allow for the ba tch cal c ul atin g in some tim e ,  use r s can lo ad a n u mb er of protei n seque nces  f r o m  a file with  the FASTA format. In th e   interface, the  five attributes whi c h a r e  used fre quently are provid ed dire ctly.  For more attribut es,  use r s can in put them in   the text area  acco rd in g to the  spe c ifi ed form at. For PseAAC  and   AmPseAAC, the  paramete r   w  and   are n eede d whil e AAC is not. T o   make it ea sier  for u s e r s  in ope rating,  the pro g ra m will ena ble o r  disabl e the s e two compo nents a u toma tically acco rdi ng  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Java P r og ram  of Feature Extra c tion  Algor ithm s for Protein Seq uen ce s (Sha nping Qi ao)  4329 to the option  of users. After t he necessory data are  all given, “C alculate” function will  cal c ul ate   and  sho w  th e re sult s in  a JT able  field dynami c ly . Each  protei n contain s  it s a c ce ss  nu mber,   sequence and the values  of the  selected algorithm ( s). To press  the “Save...” button  will  save t h e  results to a specifie d file with the styl e of one line per  protein in text format.  We chose three seq uen ce s to test this prog ra m. The  result s prove d  that it run normally.  To verify the result s are corre c t or no t, we compa r ed the s e da ta with results gotten fro m   http://www.c s b io.sjtu.ed u.c n /bioinf/PseA A C [9]. The compa r ing r e s u lt sho w ed th at our pr ogr a m   gave the  correct a n swe r s.  Comp ari ng to  PseAAC ,  wit h  the fe ature s  in crea sed,  the con s ume d   time wa s m u ch  sho r ter in  our  program  than t hat in   PseAAC. Mo reove r , PseA AC cann ot a d d   other featu r e s  exce pt for the pre define d  ones in it.      5. Conclusio n   The fe ature   extraction  is  a key pa rt in  de signi ng th e lea r nin g  al gorithm  to p r edict th e  sub c ell u lar lo cali zation s of protein s . The thr ee wi del y used feature extraction  algorith m s were   improve d  in  this work a n d  their  co rre s po ndi n g  p s eudo -code s  were d epicte d  in detail.  The  friendly inte rf ace  would  p r ovide  conve n ien c e to   u s ers.   Each algorithm   can cre a te a  di gi tal  feature ve cto r  fast.  On th e ba se  of th ese  ve cto r s,  a ne w ve ctor ca n b e   cre a t ed thro ugh  the   weig hting o r   fusion  strate gy. This  ne w vector  woul d give  a go o d  pe rform a n c e to p r edi cti n g   algorith m s. A n  intelligent  computing  alg o rithm,  su ch  as PSO [10]  and GA  [11],  for creating a   new optimized vector  will be developed i n  the future.       Ackn o w l e dg ements   The wo rk  wa s su ppo rted by National Natural  Scie nce Found ation  of China und er Grant   No. 61302128 and Doctoral Foundation of Un iversity  of Jinan under Grant No. XBS1318.       Referen ces   [1]  Kuoch en  C, H ong bin  S. Rec ent Pro g ress  i n  Protei n Su bc ellu lar  Loc atio n Pred ictio n .  Anal B i oc he m .  200 7; 370( 1): 1-16.  [2]  Imai K, Nak a i   K. Predicti on  of Subc ell u l a r  Locati ons  of P r oteins: W h ere  to Proc eed ?.  Proteo mics .  201 0; 10(2 2 ): 3970- 398 3.   [3]  Kuoch e n  C. S o me  Remarks   on Pr otein  Attribute   Pred ictio n  a nd  Pseu do   Amino  Acid  C o mpos ition.  J  T heor Bio l . 201 1; 273(1): 2 36- 247.   [4]  Pufeng D,  Ch ao X.  Predicti ng  Multis ite P r otein S ubce l l u lar L o cati ons:  Progress a n d  Chal le nges .   Expert Rev Pro t eomics . 201 3; 10(3): 22 7-2 3 7 .   [5 ]  Ku o c he n C .  Some  Re ma rks  on  Pred i c ti ng  Mu lti-L abe l Attrib utes i n  M o lec u l a r Bi os ystems.  Mol Biosyst .  201 3; 9(6): 109 2-11 00.   [6]  Nakas h ima H,  Nishik a w a  K,  Ooi  T .   T he Foldi ng  T y pe  of a Protein Is Relev ant to th e Amino Aci d   Comp ositio n.  J Bioche m . 19 8 6 ; 99(1): 15 3-1 62.   [7]  Kuoch en C.  Pr edicti on of  Prot ein Ce llu lar  At t r ibutes  Usi ng  Pseud o-Amin o  Acid  Comp osit ion.  Pr oteins:   Struct, F unct,  Genet . 200 1; 43(3): 246- 25 5.  [8]  Kuoch en C.  Using Am phi p h ilic Ps eu do  Amino Ac i d  C o mpos ition to  Predict Enz y me Subfami l y  Classes.  Bi oinf ormatics . 200 5 ;  21(1): 10-19.   [9]  Hon gbi n S, Ku oche n C. Pse AAC: A F l e x ib l e  W eb S e rver  for Gener atin g Vari ous K i n d s of Prote i n   Pseud o Amin o Acid Com positi on.  Anal Bi och e m . 2 008; 3 73( 2): 386-3 88.   [10]  Yu M, Liche n  G. F u zzy  Immune PID C o ntrol  of H y dr a u lic S y stem B a sed o n  PSO Algorithm.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2013; 1 1 (2): 8 90-8 95.   [11]  Xu eso ng Y,  Qingh ua W ,   Can Z ,  etc.  An Im prove d  Genetic A l g o rithm a nd It s Appl icatio n.  T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2012; 1 0 (5): 1 081- 108 6.     Evaluation Warning : The document was created with Spire.PDF for Python.