特征提取及分類算法在膜蛋白分類預測問題中的應用.pdf

1、基因是能夠自我復制,永遠保存的單位,它的生理功能是以蛋白質的形式表達出來的。細胞中有大約30％的蛋白質是膜蛋白。膜蛋白作為生物膜的主要組成成分之一,是生物膜功能的主要承擔者,在生物體中發(fā)揮著極其重要的作用。面對數(shù)量龐大的膜蛋白序列信息,利用傳統(tǒng)的分子生物學實驗方法來預測膜蛋白結構類型不僅費時費力,還會遇到一些目前無法解決的困難,已經(jīng)難以滿足現(xiàn)實的要求。
　　 膜蛋白序列的特征提取和分類是膜蛋白分類預測研究中最基本的問題之一,也是

2、決定膜蛋白分類質量的關鍵。本文以膜蛋白序列的分類預測為主題,針對膜蛋白序列的特征選擇算法、分類算法進行了相關的研究,現(xiàn)將主要工作和創(chuàng)新之處概括如下:
　　 (1)本文將線性降維方法應用到膜蛋白分類預測問題中。現(xiàn)今,在膜蛋白特征提取算法中,二肽組成(DC)已逐漸被證明比傳統(tǒng)的氨基酸組成(AAC)更有效。然而通過此方法雖然可以取得較高的分類預測精度,但是從膜蛋白序列特征中提取出的屬性特征向量的維數(shù)一般都很高,它在全面描述膜蛋白序列信

3、息的同時,也帶來了“維數(shù)災難”問題,使得膜蛋白預測系統(tǒng)的計算復雜度很高。為了解決這一問題,我們將線性降維方法應用于膜蛋白分類預測問題中。首先采用二肽組成(DC)方法從膜蛋白序列中提取出高維屬性特征向量,然后采用線性降維方法從高維DC空間數(shù)據(jù)中進行二次提取,提取出重要的低維特征向量,接著在降維后的低維特征向量上再進行分類預測,最后預測結果表明采用該方法的預測準確率要高于不采用線性降維方法的預測方法,證明了將線性降維方法應用于膜蛋白類型預測

4、問題中的可行性和有效性,簡化了膜蛋白預測系統(tǒng),提高了預測效率。
　　 (2)本文提出五種新的基于降維的組合特征提取算法。本文首先引入線性降維的思想,構造了兩種基于線性降維的組合特征提取算法:結合二肽組成和主成分分析算法,構造了新的特征提取算法DC_PCA;結合二肽組成和線性判別分析算法,構造了新的特征提取算法DC_LDA。通過實驗結果表明,與傳統(tǒng)的基于二肽組成(DC)的膜蛋白分類模型以及基于氨基酸組成(AAC)的膜蛋白分類模型相

5、比較,基于線性降維的組合特征提取算法所構造的分類模型所達到的分類預測精度更高。為了得到具有更好分類性能的膜蛋白分類模型,更好的預測膜蛋白序列中所蘊含的結構和功能信息,本文又構造了三種基于非線性降維算法的組合特征提取算法:結合二肽組成和核心主成分分析算法,構造了新的特征提取算法DC_KPCA;結合二肽組成和核心線性判別分析算法,構造了新的特征提取算法DC_KLDA;結合二肽組成和鄰域保護嵌入算法,構造了新的特征提取算法DC_NPE。實驗結

6、果表明,與傳統(tǒng)的基于二肽組成(DC)的膜蛋白分類模型以及基于氨基酸組成(AAC)的膜蛋白分類模型相比較,基于非線性降維的組合特征提取算法所構造的分類模型所達到的分類預測精度更高。為了得到分類精度最好的分類模型,本文對五種組合降維特征提取算法做了比較,結果表明,基于DC_KLDA的模型分類精度最高,針對標準數(shù)據(jù)集CE2059,經(jīng)過Jackknife檢驗,該模型的總體分類精度達到92.71％,比目前常用的基于氨基酸組成的分類模型提高了15.

7、1～30.59個百分點;針對標準數(shù)據(jù)集CE2625,該模型的獨立測試集檢驗總體分類精度達到94.12％,比目前常用的基于氨基酸組成的分類模型提高了14.69～31.42個百分點。
　　 (3)基因芯片技術從基礎上改善了研究生物技術的方法和效率,對基因組學及后基因組研究產(chǎn)生了重要的影響,但海量信息的獲得也對數(shù)據(jù)的分析及信息特征提取提出了新的挑戰(zhàn)。為了解決當基因數(shù)據(jù)維數(shù)急劇升高時無法維持較高的分類準確性和效率的問題,本文在傳統(tǒng)近似支