蛋白質(zhì)結(jié)構類與功能預測及物種親緣分析問題的非線性方法研究.pdf

1、隨著生物技術的不斷進步與生物信息學研究的不斷深入，生物學數(shù)據(jù)每年在以指數(shù)級增長。僅僅靠既昂貴又耗時的生化實驗來分析這海量級數(shù)據(jù)及其相關的生物學問題，已變得不太現(xiàn)實。為適應這種需求，研發(fā)可靠高效的計算方法和算法已迫在眉睫。本文主要以非線性科學方法作為模型，研究了蛋白質(zhì)結(jié)構類和功能預測及物種親緣分析中的一些問題，具體工作如下：
　　第二章,我們將研究低同源蛋白質(zhì)的結(jié)構類預測問題?；诒活A測的蛋白質(zhì)二級結(jié)構信息，我們提出了一種新的簡單的

2、核函數(shù)方法來預測蛋白質(zhì)的結(jié)構類。蛋白質(zhì)二級結(jié)構信息是由流行的蛋白質(zhì)二級結(jié)構預測工具PSIPRED預測得到。然后基于二級結(jié)構元比對打分構造了一個線性核函數(shù)，并作為預置核函數(shù)來訓練支持向量機分類器。我們的方法沒有可變參數(shù)要訓練。最后我們的方法被應用到兩個公開的低同源訓練集上，并取得了良好的分類效果。與現(xiàn)有方法相比，我們的方法不僅提高了總的預測精度，而且在分辨α+β類和α/β類上呈現(xiàn)出更高的精度。這也說明基于二級結(jié)構元比對打分的線性核函數(shù)比基

3、于蛋白質(zhì)二級結(jié)構的統(tǒng)計信息更能捕獲蛋白質(zhì)二級結(jié)構序列之間的相似性。
　　第三章,我們將研究蛋白質(zhì)的亞細胞位置定位問題。蛋白質(zhì)的亞細胞位置和其生物功能是緊密相關的。氨基酸組分是蛋白質(zhì)亞細胞位置定位的一個重要模型，但是其忽略了蛋白質(zhì)序列順序信息。為了彌補氨基酸組分模型的不足，我們使用了遞歸定量分析和Hilbert-Huang變換。這兩個方法分別可以提取時間序列中的遞歸模式和不同頻率信息。為了使用這兩種方法，我們使用氨基酸的疏水性自由能

4、和可溶性特性將每條氨基酸序列轉(zhuǎn)化為兩條時間序列。綜合氨基酸組分、遞歸定量分析和Hilbert-Huang變換這三個模型總共產(chǎn)生62個特征。最終，每條蛋白質(zhì)序列由62維特征向量表示。我們使用最大相關最小冗余方法來排列這62個特征，并仍舊使用SVM作為分類模型。使用刀切檢驗選擇最優(yōu)特征子集和評估這個方法的性能。我們方法測試了三個凋亡蛋白數(shù)據(jù)集，并從最終的結(jié)果中可得出，我們的方法使用相對較少的特征達到了較好的預測精度。這說明我們的方法對已有方

5、法可能起到彌補作用。
　　第四章,我們將研究蛋白質(zhì)亞細胞核位置定位問題。比起蛋白質(zhì)的亞細胞位置定位，蛋白質(zhì)亞細胞核位置定位更具挑戰(zhàn)性。我們設計了一個新的兩階段多類支持向量機(two-stage multiclass support vector machine)，并成功地將它應用到蛋白質(zhì)亞細胞核預測。我們綜合使用了兩類特征提取方法：基于氨基酸分類的方法和基于氨基酸物理化學性質(zhì)的方法。為了減少計算復雜度和特征冗余，我們提出了一個“兩

6、步最優(yōu)特征選擇方法”(two-step optimal feature selection)來尋找最優(yōu)特征子集。在我們設計的系統(tǒng)中，所有的分類子是用帶有概率輸出的支持向量機構造的。我們使用徑向基核函數(shù)，它的參數(shù)是由一個自動優(yōu)化方法來確定，這進一步加速了我們的方法。一個權重策略是被用來處理不平衡數(shù)據(jù)集的問題。最后，我們方法和已有方法在三個測試集上的比較結(jié)果表明我們的方法是更加有效的，而且我們方法的結(jié)果優(yōu)于單獨使用支持向量機分類子和隨機森林

7、等分類子的結(jié)果。
　　第五章,我們將研究脊椎動物的親緣關系分析。我們選取線粒體基因組作為我們的數(shù)據(jù)。我們首先利用DNA序列的混沌游戲表示(chaos game representation, CGR)來表示線粒體基因組。然后我們使用兩種馬爾科夫鏈(Markov chain)模型來模擬線粒體基因組，并將其作為基因組序列的噪聲背景(noise background)候選模型。然后，我們基于這兩個模型構造無比對方法，并應用在分析64個脊