面向蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的計(jì)算生物學(xué)技術(shù)研究.pdf

1、隨著生物數(shù)據(jù)量呈指數(shù)級(jí)增長(zhǎng)，產(chǎn)生了新的交叉學(xué)科--計(jì)算生物學(xué)，由此給數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)等領(lǐng)域帶來(lái)了新的挑戰(zhàn)。計(jì)算生物學(xué)中的研究?jī)?nèi)容之一就是從蛋白質(zhì)序列預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)，從計(jì)算機(jī)技術(shù)角度看，這是一個(gè)分類(lèi)預(yù)測(cè)問(wèn)題，而如何為分類(lèi)問(wèn)題建立一個(gè)有效并且高效的預(yù)測(cè)模型一直以來(lái)是數(shù)據(jù)挖掘領(lǐng)域，機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)領(lǐng)域研究的熱點(diǎn)。 本論文的主要工作是從海量數(shù)據(jù)的處理、預(yù)測(cè)的可解釋性和提高預(yù)測(cè)精度等主要方面入手，對(duì)計(jì)算生物學(xué)中面向蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)

2、的模型、方法和關(guān)鍵技術(shù)進(jìn)行系統(tǒng)地研究，在結(jié)合本文提出的基于粒計(jì)算預(yù)測(cè)模型的基礎(chǔ)上，試圖將數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)理論中針對(duì)分類(lèi)預(yù)測(cè)的優(yōu)勢(shì)方法和技術(shù)有機(jī)地融合起來(lái)，以期形成一種新的生物數(shù)據(jù)分類(lèi)預(yù)測(cè)綜合系統(tǒng)框架，基于此框架未來(lái)發(fā)展出一種可適應(yīng)強(qiáng)、可解釋性好以及計(jì)算效率高的新型智能預(yù)測(cè)系統(tǒng)。論文工作的主要成果表現(xiàn)在以下幾個(gè)方面： 1．針對(duì)海量數(shù)據(jù)的復(fù)雜生物數(shù)據(jù)分類(lèi)預(yù)測(cè)，本論文提出了一個(gè)新型的基于粒計(jì)算的支持向量機(jī)預(yù)測(cè)模型(SVM

3、GC)。該模型利用粒計(jì)算理論、聚類(lèi)算法和先進(jìn)的統(tǒng)計(jì)學(xué)習(xí)方法，在由聚類(lèi)算法所智能分割的信息粒上建立各個(gè)SVM-GC模型，使得各個(gè)SVM-GC模型更簡(jiǎn)單與專(zhuān)一，并易于并行化，從而分解海量數(shù)據(jù)的處理，同時(shí)有效地解決了海量數(shù)據(jù)的多分類(lèi)問(wèn)題。 2．在生物計(jì)算的可解釋性方面，本文提出了規(guī)則生成模型SVM-DT，將支持向量機(jī)和決策樹(shù)結(jié)合進(jìn)行規(guī)則抽取，應(yīng)用于蛋白質(zhì)結(jié)構(gòu)的預(yù)測(cè)結(jié)果解釋。這樣，既可發(fā)揮支持向量機(jī)泛化能力強(qiáng)的優(yōu)勢(shì)，又利用了決策樹(shù)可解釋

4、性好的特點(diǎn)。實(shí)驗(yàn)結(jié)果表明，SVM-DT的可理解性高于SVM，其泛化能力優(yōu)于決策樹(shù)。更重要的是這些規(guī)則顯示了重要的生物學(xué)意義，能有效地指導(dǎo)“濕實(shí)驗(yàn)”。 3．面對(duì)產(chǎn)生的數(shù)量巨大的規(guī)則集，研究者難于解釋與分析。為此，本論文提出了規(guī)則聚集與超級(jí)規(guī)則生成算法(C-SuperRule)。利用k-mean聚類(lèi)算法，基于規(guī)則相似度對(duì)大量規(guī)則進(jìn)行聚類(lèi)，然后對(duì)各個(gè)簇的規(guī)則進(jìn)行聚集以產(chǎn)生新的超級(jí)規(guī)則。這些超級(jí)規(guī)則代表了規(guī)則的摘要和潛在的分類(lèi)關(guān)系，并具

5、有較高的預(yù)測(cè)精度。由于這些超級(jí)規(guī)則來(lái)自于聚類(lèi)，研究者易于理解總的趨勢(shì)，而忽略單個(gè)規(guī)則可能引起的噪音。同時(shí)，不僅可以關(guān)注超級(jí)規(guī)則所代表的領(lǐng)域關(guān)鍵方面，而且可以有選擇性地查看對(duì)應(yīng)的原始規(guī)則的細(xì)節(jié)，從而方便了研究者對(duì)規(guī)則的分析與使用。 4．為了降低生物數(shù)據(jù)中的噪音和孤立點(diǎn)對(duì)預(yù)測(cè)的影響，本文提出了基于遺傳算法和驚奇模式的加權(quán)主動(dòng)學(xué)習(xí)模型。根據(jù)樣本數(shù)據(jù)的驚奇模式對(duì)輸入樣本點(diǎn)加權(quán)，從而使不同的數(shù)據(jù)點(diǎn)在訓(xùn)練學(xué)習(xí)時(shí)產(chǎn)生不同的貢獻(xiàn)；利用遺傳算法進(jìn)