基于集成學習與多標記學習的蛋白質(zhì)分類方法研究.pdf

1、隨著大量生物學數(shù)據(jù)的增長，僅僅利用傳統(tǒng)的生物學實驗來測定蛋白質(zhì)結(jié)構(gòu)或其他性質(zhì)的方法不僅需要耗費大量人力物力，其時間的耗費也是相當大。因此，如何建立自動學習的方法來預測蛋白質(zhì)，從而大大降低生物實驗的成本是一個非常有意義的研究課題。另一方面，隨著機器學習技術(shù)的快速發(fā)展，其應用領(lǐng)域也得到了不斷的擴寬，特別是在生物學領(lǐng)域的應用，面對大量的生物信息機器學習得到了充分的應用。
　　本文的主要內(nèi)容包括以下幾個方面:
　　(1)引入了兩種蛋

2、白質(zhì)特征提取方法。本文在蛋白質(zhì)分類問題當中引入了兩種有效的特征提取方法:一種為代表氨基酸組成成分即物理化學特性的混合特征，共計188維;另一種為代表蛋白質(zhì)同源信息的基于位置特異性得分矩陣的特征，共計20維。兩種特征提取方法各有優(yōu)劣:188維特征提取速度快，但會犧牲一定的準確率;20維特征提取較為耗時，但卻具有更高的預測精度。
　　(2)提出了基于集成分類器的蛋白質(zhì)折疊模式分類方法。蛋白質(zhì)結(jié)構(gòu)預測是生物信息學當中的重要課題，而蛋白質(zhì)

3、折疊模式的識別對蛋白質(zhì)結(jié)構(gòu)預測起到了關(guān)鍵作用。本文針對以往的蛋白質(zhì)折疊模式分類準確率不高的情況，引入了集成分類器。本文的集成分類器基于投票的機制，最終預測結(jié)果集成了兩種基分類器的分類結(jié)果，在公用數(shù)據(jù)集中取得了最佳的分類效果。
　　(3)提出了基于多標簽學習的雙層酶分類模型。第一層模型預測給定的蛋白質(zhì)序列是否是酶，若是酶，第二層則進一步預測酶的功能子類。多功能酶由于其特殊的性質(zhì)成為了酶分類問題當中非常棘手的異類。本文利用了機器學習中