蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)方法研究.pdf

1、蛋白質(zhì)是生命活動(dòng)的物質(zhì)基礎(chǔ),蛋白質(zhì)的相互作用廣泛存在于生命細(xì)胞的活動(dòng)周期內(nèi)并發(fā)揮重要的作用。蛋白質(zhì)的相互作用是通過(guò)部分殘基的相互作用實(shí)現(xiàn)的,這些殘基被稱為蛋白質(zhì)相互作用位點(diǎn)。識(shí)別參與這些相互作用的殘基有助于對(duì)分子機(jī)制的理解。同樣,由于某些疾病的發(fā)生與特定蛋白質(zhì)的相互作用密切相關(guān),識(shí)別其中涉及的殘基也可以促進(jìn)治療藥物的研發(fā)。
　　通過(guò)生物實(shí)驗(yàn)方法識(shí)別蛋白質(zhì)相互作用位點(diǎn)存在高人力成本和時(shí)間周期長(zhǎng)的問(wèn)題,因此,迫切需要一種簡(jiǎn)單有效的計(jì)算

2、方法對(duì)蛋白質(zhì)相互作用位點(diǎn)進(jìn)行預(yù)測(cè)。于是,蛋白質(zhì)相互作用位點(diǎn)的預(yù)測(cè)成為了計(jì)算生物學(xué)研究的一個(gè)熱點(diǎn)。由于蛋白質(zhì)相互作用的復(fù)雜性與多樣性,蛋白質(zhì)相互作用位點(diǎn)的預(yù)測(cè)仍然是一個(gè)挑戰(zhàn)性的問(wèn)題,特別是從蛋白質(zhì)序列直接進(jìn)行的預(yù)測(cè)。
　　在以上背景下,本文對(duì)機(jī)器學(xué)習(xí)的方法在蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)中的應(yīng)用進(jìn)行了研究,并將重點(diǎn)放在基于序列的作用位點(diǎn)預(yù)測(cè)。本文在總結(jié)已有方法的基礎(chǔ)上,從機(jī)器學(xué)習(xí)的角度提出了需要解決的關(guān)鍵科學(xué)問(wèn)題,即類不平衡問(wèn)題。針對(duì)該問(wèn)題

3、,提出了三種分類方法,并用于基于序列的蛋白質(zhì)相互作用位點(diǎn)的預(yù)測(cè)。
　　本文的主要工作可以歸納如下:
　　(1)回顧了蛋白質(zhì)相互作用位點(diǎn)的計(jì)算方法預(yù)測(cè)的進(jìn)展,總結(jié)了基于機(jī)器學(xué)習(xí)的蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)的一般過(guò)程。針對(duì)殘基的特征表示,介紹了經(jīng)常使用的特征屬性,并給出現(xiàn)有工作所驗(yàn)證的比較有鑒別性的特征。根據(jù)特征的來(lái)源不同,將方法分成基于序列的和基于結(jié)構(gòu)的分別介紹,總結(jié)了提高預(yù)測(cè)性能的一般策略。最后,提出了蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)器的

4、訓(xùn)練中經(jīng)常碰到的類不平衡的問(wèn)題,這也是機(jī)器學(xué)習(xí)的方法需要解決的問(wèn)題。
　　(2)提出了一種級(jí)聯(lián)的隨機(jī)森林集成方法。針對(duì)類不平衡問(wèn)題,提出了一種級(jí)聯(lián)結(jié)構(gòu)的樣本采樣與分類器集成的結(jié)合方案。在這個(gè)方案中,樣本采樣與分類器學(xué)習(xí)依次交替進(jìn)行,先通過(guò)樣本采樣得到平衡的訓(xùn)練集用于訓(xùn)練隨機(jī)森林模型,再用這個(gè)訓(xùn)練好的模型對(duì)所有樣本進(jìn)行評(píng)估,削減一部分容易的多數(shù)類樣本,然后再在剩余的樣本集上重復(fù)以上的樣本采樣、模型訓(xùn)練和樣本削減過(guò)程,直至剩下平衡的樣

5、本集。最后,以一種級(jí)聯(lián)的結(jié)構(gòu)將訓(xùn)練好的多個(gè)隨機(jī)森林模型集成起來(lái)。在基準(zhǔn)數(shù)據(jù)集上詳盡的比較實(shí)驗(yàn)證明了提出的方法處理類不平衡問(wèn)題的有效性,也證明了提出的預(yù)測(cè)器的性能戰(zhàn)勝了當(dāng)前的領(lǐng)先水平。另外,從特征的重要性分析中發(fā)現(xiàn)了溶劑可及性是所使用的特征中最有鑒別力的。
　　(3)提出了一種支持向量機(jī)與樣本加權(quán)的隨機(jī)森林的集成方法。該方法結(jié)合代價(jià)敏感學(xué)習(xí)和分類器集成,用以緩解類不平衡問(wèn)題,提升蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)性能。基于預(yù)先訓(xùn)練的支持向量機(jī)模

6、型的評(píng)估,賦予每個(gè)樣本不同的代價(jià)權(quán)重,在此過(guò)程中保持兩類的樣本權(quán)重和的大致相等;再將這個(gè)權(quán)重用于訓(xùn)練樣本加權(quán)的隨機(jī)森林。該方法用這個(gè)策略一方面保證了學(xué)習(xí)的模型避免了類不平衡的問(wèn)題,另一方面提升了兩個(gè)分類器的集成效果。另外,提出了一種新的特征表示方法,該方法用更低維數(shù)的向量有效地表示殘基。基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果證明了提出的方法有效地緩解了類不平衡的問(wèn)題,并在蛋白質(zhì)相互作用位點(diǎn)的預(yù)測(cè)上取得了顯著的性能提升。特征的重要性分析實(shí)驗(yàn)證明了提出的特

7、征表示方法的有效性,同時(shí)也驗(yàn)證了溶劑可及性的較其它特征顯著的鑒別力。
　　(4)基于前面研究工作得出的溶劑可及性鑒別力的結(jié)論,提出了一種基于溶劑可及性采樣的集成方法。針對(duì)隨機(jī)采樣可能造成的信息損失,該方法基于樣本的溶劑可及性的分布,用一種簡(jiǎn)單的方法將樣本按照溶劑可及性分成多個(gè)子集,再在每個(gè)子集內(nèi)分別采樣。通過(guò)這個(gè)策略,緩解了采樣造成的在溶劑可及性這個(gè)最有鑒別力的特征上的信息損失。然后,結(jié)合其它特征在采樣的子集上訓(xùn)練隨機(jī)森林分類器。