基于機(jī)器學(xué)習(xí)的蛋白質(zhì)結(jié)構(gòu)類預(yù)測(cè)與質(zhì)量評(píng)估.pdf

1、蛋白質(zhì)是構(gòu)成單個(gè)細(xì)胞的基本有機(jī)物，是生命活動(dòng)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(duì)于認(rèn)識(shí)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(dòng)力學(xué)技術(shù)模擬蛋白質(zhì)折疊過(guò)程，不僅需要大量的計(jì)算資源，還需要對(duì)蛋白質(zhì)折疊過(guò)程有深刻的認(rèn)識(shí)，很難快速準(zhǔn)確的實(shí)現(xiàn)結(jié)構(gòu)預(yù)測(cè)和模型質(zhì)量評(píng)估。隨著計(jì)算機(jī)信息技術(shù)的發(fā)展，研究基于機(jī)器學(xué)習(xí)（Machine Learning，ML）的蛋白質(zhì)結(jié)構(gòu)類

2、預(yù)測(cè)和質(zhì)量評(píng)估是目前生物信息領(lǐng)域的一個(gè)研究熱點(diǎn)。
　　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(cè)中，首先對(duì)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(duì)蛋白質(zhì)序列特征表達(dá)存在信息冗余，考慮到結(jié)構(gòu)類分類是個(gè)多分類問(wèn)題，提出利用ReliefF算法對(duì)蛋白質(zhì)結(jié)構(gòu)特征進(jìn)行約減，接著采用多個(gè)二分類的SVM模型來(lái)構(gòu)造SVM多分類器模型，最后對(duì)蛋白質(zhì)結(jié)構(gòu)類進(jìn)行分類，盡管實(shí)驗(yàn)結(jié)果和

3、未進(jìn)行特征約簡(jiǎn)的方法相比，耗費(fèi)的時(shí)間減少近一半，但存在模型參數(shù)不好確定的問(wèn)題。⑵設(shè)計(jì)SAPSO算法，優(yōu)化蛋白質(zhì)結(jié)構(gòu)類分類模型參數(shù)。針對(duì)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(wèn)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(diǎn)，設(shè)計(jì)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(guò)具體的蛋白質(zhì)分類實(shí)驗(yàn)，證明設(shè)計(jì)方法的有效性。⑶針對(duì)傳統(tǒng)蛋白質(zhì)模型質(zhì)量評(píng)估沒(méi)有考慮同源信息問(wèn)題的缺陷，建立了一種基于ML的蛋白質(zhì)模型質(zhì)量評(píng)估模型。將蛋白質(zhì)序列輸入到SWISS-MODEL中，自動(dòng)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(duì)的四個(gè)主要特征。在考慮同源信息的情況下，將提取的特征值作為L(zhǎng)S-SVM的輸入數(shù)據(jù)用來(lái)訓(xùn)練LS-SVM，并同時(shí)利用SAPSO算法對(duì)LS-SVM的參數(shù)尋優(yōu)。由最