基于圖像的蛋白質(zhì)亞細(xì)胞定位.pdf

1、蛋白質(zhì)只有在正確的亞細(xì)胞結(jié)構(gòu)下才能正常參與細(xì)胞中的各項(xiàng)生命活動。同一種蛋白質(zhì)隨著所在細(xì)胞器的不同，功能會發(fā)生相應(yīng)變化。確定蛋白質(zhì)所處細(xì)胞器位置即蛋白質(zhì)亞細(xì)胞定位對于判定蛋白質(zhì)功能具有重要意義。應(yīng)用實(shí)驗(yàn)方法進(jìn)行蛋白質(zhì)亞細(xì)胞定位研究費(fèi)時、費(fèi)力、成本高。基于已有的實(shí)驗(yàn)數(shù)據(jù)應(yīng)用計(jì)算方法預(yù)測蛋白質(zhì)所處細(xì)胞器是解決上述問題的關(guān)鍵。但傳統(tǒng)的基于蛋白質(zhì)氨基酸序列的亞細(xì)胞定位方法很難檢測到蛋白質(zhì)功能發(fā)生變化的部位，而利用圖像中的視覺信息則可以克服傳統(tǒng)方法

2、的不足。近年來，基于圖像的蛋白質(zhì)亞細(xì)胞定位方法成為生物圖像信息學(xué)研究的熱點(diǎn)之一。
　　鑒于局部二值模式（LBP）已在人臉識別等領(lǐng)域獲得了較好的識別性能，并開始應(yīng)用于蛋白質(zhì)亞細(xì)胞定位研究。因此，本研究擬利用RandTag蛋白質(zhì)圖像數(shù)據(jù)集，從LBP算法的不同變體中選擇局部三值模式（LTP）、噪聲容忍局部二值模式（NTLBP）、局部相位量化（LPQ）和局部配置模式（LCP）作為圖像特征提取方法，應(yīng)用SVM分類方法預(yù)測蛋白質(zhì)所處的細(xì)胞器，

3、根據(jù)分類性能從中篩選高效的蛋白質(zhì)圖像的特征提取方法。除此之外，應(yīng)用基于夏普利值的自下而上特征選擇方法篩選與蛋白質(zhì)亞細(xì)胞定位相關(guān)的特征子集，用樸素貝葉斯方法進(jìn)行分類。本研究提出的LCP結(jié)合SVM（LCP-SVM）得到最大分類精度；使用基于夏普利值的自下而上特征選擇，LCP得到的特征子集最具代表性，結(jié)合樸素貝葉斯方法也能獲得較好的預(yù)測性能，同時其運(yùn)行所需時間比LCP-SVM少。實(shí)驗(yàn)結(jié)果表明：LCP特征提取算法是最優(yōu)的圖像特征提取方法。所結(jié)合