基于潛在語義索引及層次聚類特征空間重構(gòu)方法與應(yīng)用研究.pdf

1、蛋白質(zhì)序列之間的遠程同源檢測和蛋白質(zhì)相互作用預(yù)測是計算生物學中一個中心的問題。諸如支持向量機（support vector machine, SVM）一類的分類器方法是目前使用最廣泛、也是最有效的方法之一。許多基于SVM的方法都致力于尋找有用的蛋白質(zhì)序列表示方法，如使用顯式的特征向量表示或者核函數(shù)等。這樣的表示方法面臨著高維度和大量噪音的問題。另外，遠程同源檢測問題中的數(shù)據(jù)集是不平衡數(shù)據(jù)集，即反例樣本遠遠大于正例樣本，目前的方法主要使用

2、ROC(Receiver Operating Characteristic)分數(shù)來評價遠程同源檢測方法的性能。然而，對不平衡樣本集，ROC曲線會過于樂觀的估計算法的性能。
　　基于這些觀察，本文采用了一個新的特征空間重構(gòu)的方法解決高維度和噪音的問題——基于潛在語義索引（Latent Semantic Index，LSI）和層次聚類的特征空間重構(gòu)方法LSI-HC；并在遠程同源檢測問題中采用精確度-召回率（Precision-Reca

3、ll，PR）曲線來代替ROC曲線來評估算法的性能。
　　對蛋白質(zhì)同源檢測問題，本文使用SCOP數(shù)據(jù)庫1.53版本數(shù)據(jù)集作為標準數(shù)據(jù)集，采用具有生物學意義的 N元組以及局部比對核函數(shù)（LAK）作為特征。我們首先分析了原始特征之間的關(guān)聯(lián)，證明了這些特征之間確實存在著很大的相關(guān)性，進而又引入了潛在語義索引來分析所有特征之間隱含的語義關(guān)系，并據(jù)此使用層次聚類重構(gòu)特征空間，達到降低維數(shù)和消除噪音的目的。模型的建立采用的是SVM模型，最終的評

4、價標準采用的是PR分數(shù)，在N元組特征上，我們的結(jié)果和 Dong et al.2006的方法進行比較，提高了14個百分點，在LAK特征上，和Saigo et al.2004的方法比較，提高了7個百分點。
　　對蛋白質(zhì)相互作用預(yù)測問題，本文使用的是HPRD數(shù)據(jù)庫中的標準數(shù)據(jù)集，使用的是3元組特征，實驗結(jié)果和Shen et al.2007的結(jié)果比較，ROC分數(shù)提高了4.5個百分點。另外，我們對Wnt、IL-2、IL-7、Notch這四個