基于集成學(xué)習(xí)算法的若干生物信息學(xué)應(yīng)用研究.pdf

1、20世紀后期，由于人類等生物物種基因組學(xué)以及生物科學(xué)技術(shù)的飛速發(fā)展，生物信息發(fā)生了驚人的增長，這極大地豐富了生物科學(xué)的數(shù)據(jù)資源，并隨之誕生了一門新興的交叉學(xué)科：生物信息學(xué)，其目的在于通過對生物學(xué)實驗數(shù)據(jù)的獲取、加工、存儲、檢索與分析，揭示數(shù)據(jù)所蘊含的生物學(xué)意義。數(shù)據(jù)挖掘技術(shù)用于在數(shù)據(jù)中發(fā)現(xiàn)潛在有用的知識，在生物信息學(xué)研究當(dāng)中，正發(fā)揮著越來越重要的作用，而且取得了豐碩的成果。本文應(yīng)用集成學(xué)習(xí)方法來對生物信息中的若干問題進行討論。本文的主體

2、工作分為四個部分： 1.用集成學(xué)習(xí)算法預(yù)測蛋白質(zhì)結(jié)構(gòu)和功能定位。隨著生物技術(shù)的不斷發(fā)展，越來越多的蛋白質(zhì)序列被測定出來，探索利用理論及計算方法來研究蛋白質(zhì)結(jié)構(gòu)和功能定位具有重要意義。本文從蛋白質(zhì)的一級序列出發(fā)，基于氨基酸組成進行蛋白質(zhì)序列特征編碼，使用了AdaBoost與Bagging這兩種集成學(xué)習(xí)算法來對蛋白質(zhì)的結(jié)構(gòu)類型、膜蛋白類型和蛋白質(zhì)亞細胞定位進行預(yù)測。在建模過程中，分別使用了RandomForest，KNN和C4.5三

3、種不同的弱學(xué)習(xí)算法來作為基本分類器，并用基于10組交叉驗證法的計算結(jié)果對建模參數(shù)進行優(yōu)化。結(jié)果表明： (1)用AdaBoost-RandomForest算法預(yù)測蛋白質(zhì)結(jié)構(gòu)類型時，預(yù)測結(jié)果良好，對于所選用的兩個標準數(shù)據(jù)集，其留一法預(yù)報準確率分別可以達到94.18％和85.9％，優(yōu)于先前文獻報導(dǎo)的預(yù)報結(jié)果；(2)用AdaBoost-C4.5算法預(yù)測原核和真核蛋白亞細胞定位時，其留一法預(yù)報準確率分別達到91.80％和80.80％，優(yōu)于

4、先前文獻報導(dǎo)的預(yù)報結(jié)果；(3)用Bagging-KNN算法預(yù)測膜蛋白類型問題時，其留一法預(yù)報準確率可以達到84.42％，優(yōu)于先前文獻報導(dǎo)的預(yù)報結(jié)果。根據(jù)以上所建立的預(yù)測模型，我們同時開發(fā)了相應(yīng)的在線預(yù)報系統(tǒng)。 2.用集成學(xué)習(xí)算法研究小分子的生物功能。研究小分子生物功能，在分子生物學(xué)領(lǐng)域能幫助人類理解生命現(xiàn)象，在醫(yī)學(xué)領(lǐng)域幫助人類認識疾病機理。由于通過實驗來發(fā)現(xiàn)小分子的生物功能會耗費大量的人力、物力和財力，且具有一定的盲目性和風(fēng)險性

5、，因此，用集成學(xué)習(xí)方法來研究這個問題具有實際意義。本文中我們首先研究了小分子代謝途徑類型的預(yù)測問題，提出了基于官能團組成的小分子編碼方法，用AdaBoost-C4.5算法建模，其交叉驗證預(yù)報準確率達到74.05％，對獨立測試集的預(yù)報準確率達到75.11％。然后，我們又研究了小分子與酶相互作用的預(yù)測問題，用AdaBoost-C4.5算法建模，其交叉驗證預(yù)報準確率達到81.76％，對獨立測試集的預(yù)報準確率達到83.35％。結(jié)果表明，集成學(xué)習(xí)

6、算法可以用來研究小分子的生物功能，所建模型有很好的預(yù)測性能。此外，我們根據(jù)所建立的小分子代謝途徑類型和小分子與酶相互作用的預(yù)測模型，同時開發(fā)了相應(yīng)的在線預(yù)報系統(tǒng)。 3.運用集成學(xué)習(xí)算法AdaBoost來研究苯酚類化合物毒性機理預(yù)測的問題。我們從文獻中收集了274個苯酚化合物，計算了45個分子描述符，用基于互信息增益的CFS(Correlation-based Feature Subset)算法篩選出9個分子描述符?；谶@9個描述

7、符，我們分別以C4.5，RandomTree，RandomForest和KNN四種算法作為基本分類器建立AdaBoost模型，經(jīng)過優(yōu)化和驗證后，最終選用C4.5為基本分類器建模。最后，又與SVM和KNN算法的預(yù)報性能做了比較，結(jié)果表明AdaBoost算法在苯酚類化合物毒性機理預(yù)測中，有良好的預(yù)報能力，其交叉驗證和對獨立測試集的預(yù)報準確率分別達到96.3％和92.8％?；谠撗芯績?nèi)容，建立了相應(yīng)的在線預(yù)報系統(tǒng)。 4.使用mRMR-

8、KNN集成方法研究HIV-1蛋白酶的裂解位點預(yù)測。首先，使用AAindex的531個氨基酸殘基指數(shù)對8肽進行編碼，然后使用mRMR特征篩選方法得到了500個特征。在此基礎(chǔ)上，使用改進的Wrapper搜索方法得到了含有364個特征的子集。最后用最近鄰方法(KNN)建模預(yù)測HIV-1蛋白酶裂解位點，其留一法測試和對獨立測試集的預(yù)報準確率分別可以達到91.3％和87.3％。通過對500個特征進行生物學(xué)分析，我們發(fā)現(xiàn)：(1)P1位點和P2’位點