版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、對DNA序列上的功能位點(diǎn)的識別成為生物信息學(xué)中的長期熱點(diǎn)之一。在對功能位點(diǎn)進(jìn)行預(yù)測時,有不同的方法來選擇保守片段和識別功能位點(diǎn)。本文基于極限學(xué)習(xí)機(jī)和支持向量機(jī)提出了一種識別功能位點(diǎn)的新方法,而且給出了新的保守性強(qiáng)度公式來決定保守片段。
本文先通過定義每個位點(diǎn)的保守性強(qiáng)度公式來確定保守區(qū)域,然后在多尺度參數(shù)的基礎(chǔ)上,利用緊鄰與非緊鄰位置關(guān)聯(lián)權(quán)重矩陣來提取保守區(qū)域的關(guān)聯(lián)特征,在多樣性增量分析的基礎(chǔ)上,提取上下游片段的堿基組成分特征
2、,最后利用支持向量機(jī)和極限學(xué)習(xí)機(jī)分類器來整合特征信息。
剪接位點(diǎn)識別:在剪接位點(diǎn)識別上,首先計(jì)算所有樣本中每個位點(diǎn)的保守性強(qiáng)度,從而量化選擇保守片段和上下游片段,利用緊鄰與非緊鄰位置關(guān)聯(lián)權(quán)重矩陣(PCWM-ANA)和組成分的多樣性增量(IDSC)得到5維特征向量來描述序列的信息。從人類剪接位點(diǎn)數(shù)據(jù)集HS3D分別構(gòu)建1∶1和1∶10正負(fù)集,用支持向量機(jī)分類器整合5維特征向量進(jìn)行識別。在對1∶1的數(shù)據(jù)集進(jìn)行預(yù)測時,供、受體位點(diǎn)的五
3、折交叉驗(yàn)證的馬修斯相關(guān)系數(shù)分別為0.924、0.947,在對1∶10的數(shù)據(jù)集進(jìn)行預(yù)測時,供、受體位點(diǎn)的五折交叉驗(yàn)證的馬修斯相關(guān)系數(shù)分別為0.754、0.734。它們的結(jié)果明顯優(yōu)于現(xiàn)有的文獻(xiàn)報(bào)道的結(jié)果,尤其是受體位點(diǎn)的預(yù)測精度。為了解決大數(shù)據(jù)下支持向量機(jī)收斂速度較慢的問題,本文引進(jìn)了一種學(xué)習(xí)速度快、泛化性能好的極限學(xué)習(xí)機(jī)算法。結(jié)果證明,利用它進(jìn)行預(yù)測的精度和支持向量機(jī)是不分伯仲的。
啟動子識別:從真核啟動子數(shù)據(jù)庫EPD選取140
4、0條啟動子作為正集,選取1290條編碼序列和1264條內(nèi)含子序列作為負(fù)集。首先,利用保守性強(qiáng)度公式選擇保守片段,對其進(jìn)行位點(diǎn)之間的關(guān)聯(lián)信息分析,對整段序列進(jìn)行堿基組成分信息和CpG島信息分析,得到13維特征向量來描述序列的信息。利用支持向量機(jī)分類器來構(gòu)建特征向量,采用五折交叉驗(yàn)證,對啟動子和編碼序列識別得到馬修斯相關(guān)系數(shù)為0.975,對啟動子和內(nèi)含子識別得到馬修斯相關(guān)系數(shù)為0.946。
總之,本文模型對剪接位點(diǎn)和啟動子預(yù)測精度
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于支持向量機(jī)和極限學(xué)習(xí)機(jī)的管道缺陷分類方法研究.pdf
- 基于統(tǒng)計(jì)特征和模糊支持向量機(jī)的剪接位點(diǎn)識別.pdf
- 支持隱私保護(hù)的極限學(xué)習(xí)機(jī)研究.pdf
- 基于分塊KPCA和極限學(xué)習(xí)機(jī)的圖像分類識別研究.pdf
- 基于極限學(xué)習(xí)機(jī)的目標(biāo)識別算法研究.pdf
- 基于關(guān)節(jié)數(shù)據(jù)和極限學(xué)習(xí)機(jī)的人體動作識別.pdf
- 基于支持向量機(jī)的基因剪接位點(diǎn)研究.pdf
- 基于極限學(xué)習(xí)機(jī)的骨髓細(xì)胞識別技術(shù)研究.pdf
- 基于深度學(xué)習(xí)的極限學(xué)習(xí)機(jī)算法研究.pdf
- 基于正則極限學(xué)習(xí)機(jī)的冠字號碼識別算法研究.pdf
- 基于改進(jìn)極限學(xué)習(xí)機(jī)的車牌字符識別方法.pdf
- 基于極限學(xué)習(xí)機(jī)的圖像標(biāo)注研究.pdf
- 基于支持向量機(jī)的表情識別.pdf
- 基于極限學(xué)習(xí)機(jī)的半監(jiān)督分類.pdf
- 基于極限學(xué)習(xí)機(jī)的脫機(jī)手寫體漢字識別研究.pdf
- 基于集成學(xué)習(xí)的極限學(xué)習(xí)機(jī)的算法研究.pdf
- 基于支持向量機(jī)的車型識別.pdf
- 基于支持向量機(jī)的步態(tài)識別.pdf
- 基于穩(wěn)健估計(jì)的極限學(xué)習(xí)機(jī)方法研究.pdf
- 基于極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測.pdf
評論
0/150
提交評論