

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、當前,生命科學研究已進入后基因組時代。蛋白質結構與功能研究標志著蛋白質組學成為生物信息學的主要研究領域之一。蛋白質結構預測問題是蛋白質組學和生物信息學研究的熱點問題。隨著機器學習方法在生物信息學領域應用的日趨成熟,大量生物信息學問題已經由原來的單純生物學實驗驗證向計算智能與生物實驗相結合的解決方式轉化。采用計算智能方式解決蛋白質三級結構準確分類問題,核心在于對給定的蛋白質序列進行有效的特征提取,從而找出準確分類的關鍵信息;根據(jù)生物學原理
2、構造相應的分類模型;將這種新模型與其他較為成熟的模型進行比對試驗,從而證明新型樹狀分類模型的實際分類效果。本文從蛋白質特征提取、構造新型樹狀分類模型、選擇合適的集成策略三個方面對原有蛋白質三級結構預測方法進行改進,提出了基于多分類器集成的蛋白質三級結構分類方法。
在特征選擇方面,本文在前人的實驗基礎上對于蛋白質序列的統(tǒng)計學信息進行改進,將氨基酸的多種性質進行融合,從而提出了廣義多肽相關系數(shù)。此外,根據(jù)在蛋白質結構模型中的“熔球
3、態(tài)”假設,采用氨基酸分子二級結構傾向性和常用蛋白質分子疏水性模式作為本實驗的三個特征群。在分類模型構建方面,根據(jù)一定的生物學意義和問題的特殊性,本文提出了新型樹狀蛋白質三級結構分類模型,其主要步驟是先進行三分類(區(qū)分α*β結構、all-α結構以及all-β結構)再進行二分類(將α*β結構分為α+β結構和α/β結構),并且在模型的每個分類節(jié)點上采用多分類器與多特征群結合投票集成的方式。為了驗證新型樹狀分類模型的效果,本文選取ASTRAL、
4、C204、640和1189四個同源性不同的蛋白質三級結構數(shù)據(jù)集作為實驗樣本,同時采用單層one-vs-all模型與該模型進行比對試驗,考慮到生物信息中包含有一定數(shù)量的冗余信息,采用相關系數(shù)法對特征群進行群內降維,從而縮短分類器的運行時間。
本文主要創(chuàng)新點在于將柔性神經樹模型、粒子群算法優(yōu)化的神經網(wǎng)絡模型以及支持向量機模型作為新型樹狀分類模型的節(jié)點基分類器。在該分類模型中,采用不同分類器與不同特征群進行融合,在各個節(jié)點上形成不同
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于多分類器組合的蛋白質結構預測研究.pdf
- 10685.基于層次分類及其集成策略的蛋白質三級結構預測
- 基于計算智能的蛋白質三級結構預測.pdf
- 基于二級結構的蛋白質三級結構預測.pdf
- 基于多分類器組合的蛋白質-蛋白質相互作用位點預測研究.pdf
- 基于多特征融合的蛋白質三級結構預測.pdf
- 序列替代的蛋白質三級結構預測方法.pdf
- 蛋白質結構預測
- 預測蛋白質二級結構分類的新方法.pdf
- 蛋白質-蛋白質復合物結構預測.pdf
- 基于SVM的蛋白質二級結構預測.pdf
- 蛋白質二級結構預測.pdf
- 基于壓縮感知的蛋白質功能分類預測.pdf
- 蛋白質二級結構的預測以及二級結構與三級結構之間關聯(lián)的探討.pdf
- 基于蛋白質網(wǎng)絡與蛋白質功能的關鍵蛋白質預測研究.pdf
- 樸素貝葉斯分類器預測擬南芥蛋白質相互作用及蛋白質功能注釋.pdf
- 基于框架庫的蛋白質局部結構預測.pdf
- 蛋白質序列數(shù)據(jù)的分類預測研究.pdf
- 蛋白質結構預測模型研究.pdf
- 蛋白質結構預測方法研究.pdf
評論
0/150
提交評論