面向蛋白質結構預測的計算生物學技術研究.pdf

1、隨著生物數據量呈指數級增長，產生了新的交叉學科--計算生物學，由此給數據挖掘、機器學習和統計學等領域帶來了新的挑戰(zhàn)。計算生物學中的研究內容之一就是從蛋白質序列預測蛋白質結構，從計算機技術角度看，這是一個分類預測問題，而如何為分類問題建立一個有效并且高效的預測模型一直以來是數據挖掘領域，機器學習和統計學領域研究的熱點。 本論文的主要工作是從海量數據的處理、預測的可解釋性和提高預測精度等主要方面入手，對計算生物學中面向蛋白質結構預測

2、的模型、方法和關鍵技術進行系統地研究，在結合本文提出的基于粒計算預測模型的基礎上，試圖將數據挖掘、機器學習和統計學習理論中針對分類預測的優(yōu)勢方法和技術有機地融合起來，以期形成一種新的生物數據分類預測綜合系統框架，基于此框架未來發(fā)展出一種可適應強、可解釋性好以及計算效率高的新型智能預測系統。論文工作的主要成果表現在以下幾個方面： 1．針對海量數據的復雜生物數據分類預測，本論文提出了一個新型的基于粒計算的支持向量機預測模型(SVM

3、GC)。該模型利用粒計算理論、聚類算法和先進的統計學習方法，在由聚類算法所智能分割的信息粒上建立各個SVM-GC模型，使得各個SVM-GC模型更簡單與專一，并易于并行化，從而分解海量數據的處理，同時有效地解決了海量數據的多分類問題。 2．在生物計算的可解釋性方面，本文提出了規(guī)則生成模型SVM-DT，將支持向量機和決策樹結合進行規(guī)則抽取，應用于蛋白質結構的預測結果解釋。這樣，既可發(fā)揮支持向量機泛化能力強的優(yōu)勢，又利用了決策樹可解釋

4、性好的特點。實驗結果表明，SVM-DT的可理解性高于SVM，其泛化能力優(yōu)于決策樹。更重要的是這些規(guī)則顯示了重要的生物學意義，能有效地指導“濕實驗”。 3．面對產生的數量巨大的規(guī)則集，研究者難于解釋與分析。為此，本論文提出了規(guī)則聚集與超級規(guī)則生成算法(C-SuperRule)。利用k-mean聚類算法，基于規(guī)則相似度對大量規(guī)則進行聚類，然后對各個簇的規(guī)則進行聚集以產生新的超級規(guī)則。這些超級規(guī)則代表了規(guī)則的摘要和潛在的分類關系，并具

5、有較高的預測精度。由于這些超級規(guī)則來自于聚類，研究者易于理解總的趨勢，而忽略單個規(guī)則可能引起的噪音。同時，不僅可以關注超級規(guī)則所代表的領域關鍵方面，而且可以有選擇性地查看對應的原始規(guī)則的細節(jié)，從而方便了研究者對規(guī)則的分析與使用。 4．為了降低生物數據中的噪音和孤立點對預測的影響，本文提出了基于遺傳算法和驚奇模式的加權主動學習模型。根據樣本數據的驚奇模式對輸入樣本點加權，從而使不同的數據點在訓練學習時產生不同的貢獻；利用遺傳算法進