貝葉斯神經(jīng)網(wǎng)絡(luò)及其在蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用.pdf

1、借助計(jì)算機(jī)工具從氨基酸序列直接預(yù)測(cè)蛋白質(zhì)三維結(jié)構(gòu),對(duì)于縮小蛋白質(zhì)序列數(shù)據(jù)與結(jié)構(gòu)數(shù)據(jù)數(shù)量之間的差距至關(guān)重要.蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)作為蛋白質(zhì)三維結(jié)構(gòu)預(yù)測(cè)的一種簡(jiǎn)化和過渡,繼續(xù)得到廣泛關(guān)注.通常,蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)的研究領(lǐng)域包括兩方面,一方面是預(yù)測(cè)算法的研究,另一方面是基于序列聯(lián)配的信息提取技術(shù)的研究.本文著重于對(duì)預(yù)測(cè)算法的研究,提出了一種新的基于貝葉斯神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)方法.貝葉斯體系下的神經(jīng)網(wǎng)絡(luò)模型具有自動(dòng)控制模型復(fù)雜度與學(xué)習(xí)過程

2、中的過擬合等優(yōu)點(diǎn).首先,詳細(xì)地探討了顯著度框架和全貝葉斯框架下神經(jīng)網(wǎng)絡(luò)模型建模的貝葉斯方法及其實(shí)現(xiàn)方法;其次,建立了全貝葉斯框架下用于分類的貝葉斯神經(jīng)網(wǎng)絡(luò)模型,并將它用于蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè);最后,比較了貝葉斯神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型的性能,結(jié)果表明BNN(Bayesian neural networks)性能優(yōu)于BPNN(Back-Propagation neural networks),平均Q3精度在四組交叉證實(shí)數(shù)據(jù)集與測(cè)