機(jī)器學(xué)習(xí)算法在生物信息學(xué)中的應(yīng)用.pdf

1、20世紀(jì)后期，人類和其他生物物種基因組學(xué)的研究飛速發(fā)展，生物信息的增長(zhǎng)驚人，生物科學(xué)技術(shù)極大地豐富了生物科學(xué)的數(shù)據(jù)資源。數(shù)據(jù)資源的急劇膨脹迫使人們尋求一種強(qiáng)有力的工具，運(yùn)用新的技術(shù)手段對(duì)復(fù)雜的海量生物信息進(jìn)行儲(chǔ)存、管理、分析和研究，組織這些數(shù)據(jù)，以利于儲(chǔ)存、加工和進(jìn)一步利用，有效管理、準(zhǔn)確解讀、充分使用這些信息。 本文的工作就是應(yīng)用機(jī)器學(xué)習(xí)方法來(lái)對(duì)生物信息數(shù)據(jù)進(jìn)行分析，處理。本文的主體工作分為三個(gè)部分： 1.用集成學(xué)習(xí)算

2、法研究蛋白質(zhì)亞細(xì)胞定位預(yù)測(cè)。蛋白質(zhì)的亞細(xì)胞位置，是蛋白質(zhì)的一個(gè)重要性質(zhì)，能夠表明蛋白質(zhì)在細(xì)胞中的功能。預(yù)報(bào)蛋白質(zhì)亞細(xì)胞位置，在基因注釋和藥物設(shè)計(jì)工作中，都扮演了很重要的角色。本文用基于序列氨基酸組成成分進(jìn)行蛋白質(zhì)序列特征編碼，選用了AdaBoost與Bagging這兩種最重要的集成學(xué)習(xí)算法來(lái)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行建模。在建模過(guò)程中，分別嘗試了用4種不同的弱分類器來(lái)訓(xùn)練樣本，并用基于交叉驗(yàn)證法的建模結(jié)果來(lái)對(duì)建模參數(shù)進(jìn)行優(yōu)化。結(jié)果表明：用AdaB

3、oost隨機(jī)森林算法作為弱分類器時(shí)有最好的建模結(jié)果，交叉驗(yàn)證預(yù)報(bào)正確率為76.51％；Bagging用最近鄰算法作為弱分類器時(shí)有最好的建模結(jié)果74.21％。用獨(dú)立測(cè)試樣本集對(duì)訓(xùn)練好的預(yù)報(bào)模型進(jìn)行驗(yàn)證，AdaBoost與Bagging的最大預(yù)報(bào)正確率分別為80.75％和80.90％，優(yōu)于SVM方法所得結(jié)果(SVM的訓(xùn)練模型交叉驗(yàn)證預(yù)報(bào)正確率為76.46％，獨(dú)立測(cè)試樣本集預(yù)報(bào)正確率為76.98％)。 2.用支持向量機(jī)回歸算法(SVR

4、)對(duì)1-苯基-2氫-四氫三嗪-3-酮同系物進(jìn)行QSAR研究。1-苯基-2氫-四氫三嗪-3-酮同系物可用作5-脂抗氧化酶抑制劑。本工作中用來(lái)自文獻(xiàn)的12個(gè)拓?fù)渲笖?shù)與Hyperchem計(jì)算得到的17個(gè)物理化學(xué)參數(shù)作為初始分子描述符，然后用基于SVR留一交叉驗(yàn)證法進(jìn)行變量篩選，最終得到8個(gè)分子描述符用于建立預(yù)報(bào)模型。該模型的留一交叉驗(yàn)證法的RMSE(最小殘差平方和)為0.2834，作為對(duì)比，多元線性回歸算法(MIR)、偏最小二乘法(PLS)、

5、人工神經(jīng)網(wǎng)絡(luò)(ANN)的RMSE分別為0.4301、0.4379、0.4039；SVM與MLR、PLS、ANN的獨(dú)立測(cè)試集驗(yàn)證結(jié)果的RMSE分別為0.2834、0.3316、0.3470和0.3581。 3.提出了一種基于MVC架構(gòu)的服務(wù)器設(shè)計(jì)途徑，建立了基于已得模型的在線預(yù)報(bào)服務(wù)器。建立生物信息學(xué)預(yù)報(bào)模型的目的是為了提供對(duì)生物信息中的未知對(duì)象進(jìn)行預(yù)報(bào)的工具，使得預(yù)測(cè)結(jié)果能夠?yàn)樗怂?。為了更好的達(dá)到這個(gè)目的，將研究得到的預(yù)報(bào)模