基于隨機(jī)森林的神經(jīng)肽剪切位點(diǎn)預(yù)測(cè)方法研究.pdf

1、神經(jīng)肽是一類(lèi)生物活性多肽，其生物合成過(guò)程極其復(fù)雜。無(wú)活性的肽前體需要經(jīng)過(guò)專(zhuān)一性的酶類(lèi)剪切修飾，才能具有生理活性。精確識(shí)別肽前體的剪切位點(diǎn)是認(rèn)識(shí)和研究神經(jīng)肽生物合成的熱點(diǎn)和難點(diǎn)，對(duì)多種疾病的病理研究和藥物研制，以及神經(jīng)科學(xué)、腦科學(xué)的發(fā)展具有重要意義。然而以定點(diǎn)突變、質(zhì)譜分析等手段為主的傳統(tǒng)實(shí)驗(yàn)方法不僅耗時(shí)耗力，而且準(zhǔn)確度低。近年來(lái)，各類(lèi)生物數(shù)據(jù)爆炸增長(zhǎng)，海量的數(shù)據(jù)為解決生物模式識(shí)別的問(wèn)題帶來(lái)了機(jī)遇和挑戰(zhàn)，基于機(jī)器學(xué)習(xí)的生物信息學(xué)方法通過(guò)建

2、立統(tǒng)計(jì)模型，應(yīng)用學(xué)習(xí)算法，能夠迅速、準(zhǔn)確地發(fā)現(xiàn)隱藏在海量數(shù)據(jù)背后的知識(shí)或模式，并以此為依據(jù)做出決策，目前已經(jīng)被廣泛應(yīng)用到基因識(shí)別、位點(diǎn)預(yù)測(cè)、蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)等多個(gè)方向。
　　隨機(jī)森林是一種經(jīng)典的集成學(xué)習(xí)算法，具有準(zhǔn)確性高、抗噪性好、不易發(fā)生過(guò)擬合等優(yōu)點(diǎn)，因此以該算法構(gòu)建機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)神經(jīng)肽剪切位點(diǎn)。主要工作如下：
　?。?）基于Swiss-Prot蛋白質(zhì)數(shù)據(jù)庫(kù)，篩選、整理并構(gòu)建了本地的神經(jīng)肽數(shù)據(jù)庫(kù)。
　?。?）對(duì)神經(jīng)

3、肽數(shù)據(jù)庫(kù)按物種分類(lèi)，經(jīng)數(shù)據(jù)預(yù)處理、特征提取后得到樣本集。
　?。?）構(gòu)建隨機(jī)森林學(xué)習(xí)算法，使用已發(fā)表的相關(guān)文獻(xiàn)中的數(shù)據(jù)集，對(duì)算法進(jìn)行訓(xùn)練和測(cè)試，調(diào)整和優(yōu)化算法的相關(guān)參數(shù)，對(duì)結(jié)果進(jìn)行分析和評(píng)價(jià)，并與原文獻(xiàn)比較，驗(yàn)證方法的可行性。
　?。?）使用本地構(gòu)建的神經(jīng)肽數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，對(duì)算法的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析和評(píng)價(jià)。
　　實(shí)驗(yàn)結(jié)果表明，與相關(guān)文獻(xiàn)的已有結(jié)果相比，由隨機(jī)森林算法構(gòu)建的分類(lèi)模型預(yù)測(cè)準(zhǔn)確率提升明顯，且綜合性能指標(biāo)MC