基于機器學(xué)習(xí)的蛋白質(zhì)結(jié)構(gòu)類預(yù)測與質(zhì)量評估.pdf

1、蛋白質(zhì)是構(gòu)成單個細胞的基本有機物，是生命活動的執(zhí)行者，其角色決定于它的功能，而蛋白質(zhì)功能主要由他們的結(jié)構(gòu)決定，因此研究蛋白質(zhì)的結(jié)構(gòu)對于認(rèn)識其功能具有很大的意義。但由于在生物體內(nèi)蛋白質(zhì)的組成復(fù)雜多樣，直接使用分子動力學(xué)技術(shù)模擬蛋白質(zhì)折疊過程，不僅需要大量的計算資源，還需要對蛋白質(zhì)折疊過程有深刻的認(rèn)識，很難快速準(zhǔn)確的實現(xiàn)結(jié)構(gòu)預(yù)測和模型質(zhì)量評估。隨著計算機信息技術(shù)的發(fā)展，研究基于機器學(xué)習(xí)（Machine Learning，ML）的蛋白質(zhì)結(jié)構(gòu)類

2、預(yù)測和質(zhì)量評估是目前生物信息領(lǐng)域的一個研究熱點。
　　本研究主要內(nèi)容包括：⑴構(gòu)筑基于屬性約減的蛋白質(zhì)結(jié)構(gòu)類多分類模型。在蛋白質(zhì)結(jié)構(gòu)類分類預(yù)測中，首先對于已知氨基酸序列的蛋白質(zhì)，選擇不易丟失序列信息的偽氨基酸特征，然后針對蛋白質(zhì)序列特征表達存在信息冗余，考慮到結(jié)構(gòu)類分類是個多分類問題，提出利用ReliefF算法對蛋白質(zhì)結(jié)構(gòu)特征進行約減，接著采用多個二分類的SVM模型來構(gòu)造SVM多分類器模型，最后對蛋白質(zhì)結(jié)構(gòu)類進行分類，盡管實驗結(jié)果和

3、未進行特征約簡的方法相比，耗費的時間減少近一半，但存在模型參數(shù)不好確定的問題。⑵設(shè)計SAPSO算法，優(yōu)化蛋白質(zhì)結(jié)構(gòu)類分類模型參數(shù)。針對上述蛋白質(zhì)結(jié)構(gòu)類多分類模型參數(shù)不好確定的問題，綜合模擬退火(Simulated Annealing，SA)算法跳出局部最優(yōu)解和粒子群（Particle Swarm optimization，PSO）算法收斂速度快的特點，設(shè)計出一種適合蛋白質(zhì)分類模型的模擬退火粒子群(SAPSO)算法以獲取優(yōu)化的模型參數(shù)，然

4、后通過具體的蛋白質(zhì)分類實驗，證明設(shè)計方法的有效性。⑶針對傳統(tǒng)蛋白質(zhì)模型質(zhì)量評估沒有考慮同源信息問題的缺陷，建立了一種基于ML的蛋白質(zhì)模型質(zhì)量評估模型。將蛋白質(zhì)序列輸入到SWISS-MODEL中，自動構(gòu)造出它的三維結(jié)構(gòu)。將蛋白質(zhì)序列和Model1序列輸入到BLAST系統(tǒng)中，提取序列比對的四個主要特征。在考慮同源信息的情況下，將提取的特征值作為LS-SVM的輸入數(shù)據(jù)用來訓(xùn)練LS-SVM，并同時利用SAPSO算法對LS-SVM的參數(shù)尋優(yōu)。由最