基于跨膜蛋白片段預(yù)測(cè)的規(guī)則生成技術(shù)研究.pdf

1、跨膜蛋白在離子通道型受體等生物系統(tǒng)中有著重要的作用，是藥物設(shè)計(jì)的關(guān)鍵目標(biāo)。通過(guò)物理實(shí)驗(yàn)來(lái)獲取它的結(jié)構(gòu)難度很大，使用計(jì)算的方法成為當(dāng)前非常流行和有效的方法。目前，跨膜蛋白片段預(yù)測(cè)已經(jīng)取得了很多的進(jìn)展和成果，有許多方法和模型被開(kāi)發(fā)，在精度上獲得了不斷地提高。但是當(dāng)前的方法基本都屬于黑盒模型，不能解釋學(xué)習(xí)的過(guò)程和結(jié)果是如何達(dá)成的。決策的可解釋性是在生物信息學(xué)中衡量機(jī)器學(xué)習(xí)算法性能的一個(gè)重要標(biāo)準(zhǔn)，它不僅可以被用來(lái)對(duì)生物濕實(shí)驗(yàn)提供指導(dǎo)，而且有助于

2、集成計(jì)算智能到符號(hào)智能系統(tǒng)中，用于高級(jí)的推理應(yīng)用。目前針對(duì)跨膜蛋白片段的預(yù)測(cè)可理解性，已經(jīng)提出了一些解決方案，然而這些技術(shù)還存在不同方面的不足。比如使用支持向量機(jī)結(jié)合決策樹(shù)的算法，能成功提取出可理解的規(guī)則集，但規(guī)則集的數(shù)量很大，不便于閱讀；而且規(guī)則形式是IF-THEN的命題規(guī)則，對(duì)復(fù)雜生物序列的背景特征信息表達(dá)能力不足。一個(gè)好的可理解性規(guī)則應(yīng)當(dāng)具有：(1)可讀性。規(guī)則集在比較準(zhǔn)確地表達(dá)預(yù)測(cè)條件下，有比較適中的規(guī)則數(shù)量。(2)簡(jiǎn)單性。規(guī)則

3、形式應(yīng)當(dāng)比較容易表達(dá)復(fù)雜條件，單條規(guī)則不能過(guò)長(zhǎng)和過(guò)于復(fù)雜。(3)一致性。規(guī)則所表達(dá)的知識(shí)應(yīng)該符合生物學(xué)規(guī)則。(4)準(zhǔn)確性。能夠在提供好的可理解性條件下保持較好的準(zhǔn)確性，才能對(duì)實(shí)際問(wèn)題有有效的指導(dǎo)意義。
　　 基于對(duì)以上問(wèn)題的分析，本文提出一個(gè)基于隱馬爾科夫模型(HMM，Hidden MarkovModel)的組合規(guī)則生成法HMMFOIL。首先使用HMM對(duì)原始氨基酸序列進(jìn)行預(yù)測(cè)過(guò)濾，剔除掉一些噪聲數(shù)據(jù)，因?yàn)镠MM模型結(jié)構(gòu)中跨膜段和

4、非跨膜段內(nèi)相對(duì)交界處來(lái)說(shuō)比較穩(wěn)定，所以這個(gè)模型主要過(guò)濾的是處于跨膜邊界不穩(wěn)定位點(diǎn)數(shù)據(jù)；其次，采用一階規(guī)則歸納學(xué)習(xí)器FOIL算法從HMM過(guò)濾后的樣本數(shù)據(jù)中提取一階規(guī)則集，F(xiàn)OIL生成的一階規(guī)則可以有正文字和負(fù)文字，所以能夠很好地簡(jiǎn)單表達(dá)正負(fù)樣本信息。最后，使用分類器設(shè)計(jì)中的重采樣技術(shù)來(lái)增強(qiáng)規(guī)則集的分類性能，得到最終的規(guī)則集。該模型已在來(lái)自SWISS-PORT數(shù)據(jù)庫(kù)的165跨膜蛋白數(shù)據(jù)集上進(jìn)行了驗(yàn)證，與其他算法在本數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果相比，本