基于機器學習的蛋白質(zhì)結構類預測與質(zhì)量評估.pdf

1、蛋白質(zhì)是構成單個細胞的基本有機物，是生命活動的執(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構決定，因此研究蛋白質(zhì)的結構對于認識其功能具有很大的意義。但由于在生物體內(nèi)蛋白質(zhì)的組成復雜多樣，直接使用分子動力學技術模擬蛋白質(zhì)折疊過程，不僅需要大量的計算資源，還需要對蛋白質(zhì)折疊過程有深刻的認識，很難快速準確的實現(xiàn)結構預測和模型質(zhì)量評估。隨著計算機信息技術的發(fā)展，研究基于機器學習（Machine Learning，ML）的蛋白質(zhì)結構類

2、預測和質(zhì)量評估是目前生物信息領域的一個研究熱點。
　　本研究主要內(nèi)容包括：⑴構筑基于屬性約減的蛋白質(zhì)結構類多分類模型。在蛋白質(zhì)結構類分類預測中，首先對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，然后針對蛋白質(zhì)序列特征表達存在信息冗余，考慮到結構類分類是個多分類問題，提出利用ReliefF算法對蛋白質(zhì)結構特征進行約減，接著采用多個二分類的SVM模型來構造SVM多分類器模型，最后對蛋白質(zhì)結構類進行分類，盡管實驗結果和

3、未進行特征約簡的方法相比，耗費的時間減少近一半，但存在模型參數(shù)不好確定的問題。⑵設計SAPSO算法，優(yōu)化蛋白質(zhì)結構類分類模型參數(shù)。針對上述蛋白質(zhì)結構類多分類模型參數(shù)不好確定的問題，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，設計出一種適合蛋白質(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、后通過具體的蛋白質(zhì)分類實驗，證明設計方法的有效性。⑶針對傳統(tǒng)蛋白質(zhì)模型質(zhì)量評估沒有考慮同源信息問題的缺陷，建立了一種基于ML的蛋白質(zhì)模型質(zhì)量評估模型。將蛋白質(zhì)序列輸入到SWISS-MODEL中，自動構造出它的三維結構。將蛋白質(zhì)序列和Model1序列輸入到BLAST系統(tǒng)中，提取序列比對的四個主要特征。在考慮同源信息的情況下，將提取的特征值作為LS-SVM的輸入數(shù)據(jù)用來訓練LS-SVM，并同時利用SAPSO算法對LS-SVM的參數(shù)尋優(yōu)。由最