面向蛋白質(zhì)結(jié)構(gòu)預測的計算生物學技術(shù)研究.pdf_第1頁
已閱讀1頁,還剩93頁未讀, 繼續(xù)免費閱讀

下載本文檔

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),請進行舉報或認領(lǐng)

文檔簡介

1、隨著生物數(shù)據(jù)量呈指數(shù)級增長,產(chǎn)生了新的交叉學科--計算生物學,由此給數(shù)據(jù)挖掘、機器學習和統(tǒng)計學等領(lǐng)域帶來了新的挑戰(zhàn)。計算生物學中的研究內(nèi)容之一就是從蛋白質(zhì)序列預測蛋白質(zhì)結(jié)構(gòu),從計算機技術(shù)角度看,這是一個分類預測問題,而如何為分類問題建立一個有效并且高效的預測模型一直以來是數(shù)據(jù)挖掘領(lǐng)域,機器學習和統(tǒng)計學領(lǐng)域研究的熱點。 本論文的主要工作是從海量數(shù)據(jù)的處理、預測的可解釋性和提高預測精度等主要方面入手,對計算生物學中面向蛋白質(zhì)結(jié)構(gòu)預測

2、的模型、方法和關(guān)鍵技術(shù)進行系統(tǒng)地研究,在結(jié)合本文提出的基于粒計算預測模型的基礎上,試圖將數(shù)據(jù)挖掘、機器學習和統(tǒng)計學習理論中針對分類預測的優(yōu)勢方法和技術(shù)有機地融合起來,以期形成一種新的生物數(shù)據(jù)分類預測綜合系統(tǒng)框架,基于此框架未來發(fā)展出一種可適應強、可解釋性好以及計算效率高的新型智能預測系統(tǒng)。論文工作的主要成果表現(xiàn)在以下幾個方面: 1.針對海量數(shù)據(jù)的復雜生物數(shù)據(jù)分類預測,本論文提出了一個新型的基于粒計算的支持向量機預測模型(SVM

3、GC)。該模型利用粒計算理論、聚類算法和先進的統(tǒng)計學習方法,在由聚類算法所智能分割的信息粒上建立各個SVM-GC模型,使得各個SVM-GC模型更簡單與專一,并易于并行化,從而分解海量數(shù)據(jù)的處理,同時有效地解決了海量數(shù)據(jù)的多分類問題。 2.在生物計算的可解釋性方面,本文提出了規(guī)則生成模型SVM-DT,將支持向量機和決策樹結(jié)合進行規(guī)則抽取,應用于蛋白質(zhì)結(jié)構(gòu)的預測結(jié)果解釋。這樣,既可發(fā)揮支持向量機泛化能力強的優(yōu)勢,又利用了決策樹可解釋

4、性好的特點。實驗結(jié)果表明,SVM-DT的可理解性高于SVM,其泛化能力優(yōu)于決策樹。更重要的是這些規(guī)則顯示了重要的生物學意義,能有效地指導“濕實驗”。 3.面對產(chǎn)生的數(shù)量巨大的規(guī)則集,研究者難于解釋與分析。為此,本論文提出了規(guī)則聚集與超級規(guī)則生成算法(C-SuperRule)。利用k-mean聚類算法,基于規(guī)則相似度對大量規(guī)則進行聚類,然后對各個簇的規(guī)則進行聚集以產(chǎn)生新的超級規(guī)則。這些超級規(guī)則代表了規(guī)則的摘要和潛在的分類關(guān)系,并具

5、有較高的預測精度。由于這些超級規(guī)則來自于聚類,研究者易于理解總的趨勢,而忽略單個規(guī)則可能引起的噪音。同時,不僅可以關(guān)注超級規(guī)則所代表的領(lǐng)域關(guān)鍵方面,而且可以有選擇性地查看對應的原始規(guī)則的細節(jié),從而方便了研究者對規(guī)則的分析與使用。 4.為了降低生物數(shù)據(jù)中的噪音和孤立點對預測的影響,本文提出了基于遺傳算法和驚奇模式的加權(quán)主動學習模型。根據(jù)樣本數(shù)據(jù)的驚奇模式對輸入樣本點加權(quán),從而使不同的數(shù)據(jù)點在訓練學習時產(chǎn)生不同的貢獻;利用遺傳算法進

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(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確性、安全性和完整性, 同時也不承擔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。

評論

0/150

提交評論