基于機器學習的凋亡蛋白亞細胞定位預測研究.pdf

1、細胞凋亡，或被稱為程序性細胞死亡，是細胞生命的最后階段，是許多生物過程的重要組成部分，保持生物組織平衡中起著重要作用。凋亡蛋白在程序性細胞死亡機制中扮演關鍵角色，獲取細胞凋亡蛋白的亞細胞位置的信息有助于我們了解細胞凋亡機制。隨著蛋白質呈現(xiàn)指數(shù)級增長，通過生物實驗注釋的方法不能滿足研究者的需求，越來越多的研究人員選擇基于機器學習的方法進行蛋白質亞細胞定位預測。
　　本研究主要內容包括：⑴針對基于序列信息的特征提取方法已不能進一步提升

2、預測效果的問題，使用蛋白質及其同源蛋白的GO注釋信息代替序列信息來表示蛋白質。實驗結果表明所提的方法對凋亡蛋白質的亞細胞位置預測性能顯著地超過了其他已有的方法。為了給更多的研究人員提供預測服務，構建了在線預測網(wǎng)站。⑵CL317凋亡蛋白數(shù)據(jù)集存在較為嚴重的不均衡分布問題。在機器學習領域的以往的研究表明，直接應用傳統(tǒng)的機器學習算法往往會導致偏向多數(shù)類，從而導致在少數(shù)類上分類性能不佳。為了解決這一問題，構建了一種新的凋亡蛋白亞細胞定位預測器G

3、OIL-Apo，將隨機欠采樣技術與多類支持向量機相結合提出了欠采樣SVMs集成分類器以解決 CL317數(shù)據(jù)集存在的不平衡問題，同時通過構建GO向量子空間的方法避免使用所有GO術語所帶來的維度災難問題。實驗結果表明解決不平衡問題能有效地提升預測效果，而且預測性能顯著地超過了其他已有的方法。⑶以往研究人員只專注于單定位點的凋亡蛋白質亞細胞位置預測而忽略了多位點的凋亡蛋白，本文更進一步研究多位點的凋亡蛋白亞細胞位置預測，構建了一個包含多亞細胞