發(fā)布時間：2018-01-13 08:34

  本文關(guān)鍵詞：基于深度學(xué)習(xí)的蛋白質(zhì)殘基相互作用預(yù)測　出處：《蘇州大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 殘基相互作用 深度學(xué)習(xí) 遞歸神經(jīng)網(wǎng)絡(luò) 訓(xùn)練算法 超參數(shù)優(yōu)化

【摘要】：殘基對的相互作用描述了蛋白質(zhì)三維結(jié)構(gòu)中一對殘基的空間距離關(guān)系,相互作用的殘基對對維護蛋白質(zhì)結(jié)構(gòu)的穩(wěn)定起著重要作用。蛋白質(zhì)中所有殘基對的相互作用關(guān)系確定了蛋白質(zhì)三維結(jié)構(gòu)的二維拓撲,所以得到準確的殘基對相互作用關(guān)系對蛋白質(zhì)三維結(jié)構(gòu)預(yù)測有重要意義。殘基對相互作用預(yù)測,特別是長范圍殘基對相互作用預(yù)測的準確率一直很低。這主要是因為殘基對特征與殘基對相互作用的高度非線性,另外殘基對正負樣本比例的嚴重失調(diào)也降低了模型的泛化能力。本文研究了基于雙向遞歸神經(jīng)網(wǎng)絡(luò)的深度序列模型以及減輕樣本比例失調(diào)影響的訓(xùn)練算法。雙向遞歸神經(jīng)網(wǎng)絡(luò)模型不僅可以接收變長的蛋白質(zhì)序列特征,而且它在處理殘基特征的時候也不需要指定滑動窗口大小,但滑動窗口卻是普通淺學(xué)習(xí)方法所需要的。本文的訓(xùn)練算法在控制正負樣本比例的同時,動態(tài)地選擇輸入給分類模型的樣本。深度神經(jīng)網(wǎng)絡(luò)通過大量非線性變換把原始特征轉(zhuǎn)換為高級特征,這種變換很適合殘基相互作用預(yù)測這樣的應(yīng)用問題,但深度神經(jīng)網(wǎng)絡(luò)由于包含多層神經(jīng)網(wǎng)絡(luò)又會使超參數(shù)的選擇成為難題。本文基于Hyperopt超參數(shù)優(yōu)化框架實現(xiàn)了深度序列模型的并行超參數(shù)優(yōu)化。通過快速的并行搜索,我們找到了一個與人工花費大量時間搜索到的模型不相上下的模型。這個模型在多個測試集上獲得的中范圍殘基相互作用預(yù)測準確率超過其它方法10%以上,在長范圍殘基相互作用上的預(yù)測結(jié)果和當前流行方法不相上下。
[Abstract]:The interaction of residue pairs describes the spatial distance relationship of a pair of residues in a protein three-dimensional structure. The interacting residues play an important role in maintaining the stability of protein structure. Therefore, it is very important to obtain accurate residue pair interaction relationship for protein three-dimensional structure prediction and residue pair interaction prediction. Especially, the prediction accuracy of long-range residue pair interaction is very low, which is mainly due to the highly nonlinear interaction between residue pair characteristics and residue pair. In addition, the serious imbalance of residue to the positive and negative sample ratio also reduces the generalization ability of the model. In this paper, the depth sequence model based on bidirectional recurrent neural network and the training algorithm to reduce the effect of sample misalignment are studied. The recurrent neural network model can not only receive variable length protein sequence features. And it does not need to specify the size of sliding window when dealing with residual feature, but the sliding window is required by ordinary shallow learning methods. The training algorithm in this paper is to control the positive and negative sample ratio at the same time. The deep neural network transforms the original features into high-level features through a large number of nonlinear transformations, which is suitable for the application of prediction of residual interaction. However, the selection of superparameters in depth neural networks will become a difficult problem due to the inclusion of multi-layer neural networks. In this paper, the parallel hyperparametric optimization of depth sequence models is realized based on Hyperopt hyperparametric optimization framework. Fast parallel search. We have found a model which is comparable to the model which takes a lot of time to search. The prediction accuracy of mid-range residue interaction on multiple test sets is more than 10%. Predictions on long range residue interactions are comparable to current popular methods.
【學(xué)位授予單位】：蘇州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：Q51;TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 杜艷可;徐瑞;;具有時滯的遞歸神經(jīng)網(wǎng)絡(luò)動力學(xué)研究進展[J];北華大學(xué)學(xué)報(自然科學(xué)版);2012年01期

2 文敦偉,蔡自興;遞歸神經(jīng)網(wǎng)絡(luò)的模糊隨機學(xué)習(xí)算法[J];高技術(shù)通訊;2002年01期

3 韓敏;史志偉;席劍輝;;應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)周期運動吸引子軌跡[J];控制理論與應(yīng)用;2006年04期

4 李冠軍;徐進;;時滯遞歸神經(jīng)網(wǎng)絡(luò)全局穩(wěn)定性的新判據(jù)[J];華中師范大學(xué)學(xué)報(自然科學(xué)版);2009年03期

5 王魏;柴天佑;趙立杰;;帶有穩(wěn)定學(xué)習(xí)的遞歸神經(jīng)網(wǎng)絡(luò)動態(tài)偏最小二乘建模[J];控制理論與應(yīng)用;2012年03期

6 郭福日;羅芳;王振芳;;一類變時滯遞歸神經(jīng)網(wǎng)絡(luò)概周期解的存在性[J];山西大同大學(xué)學(xué)報(自然科學(xué)版);2012年06期

7 劉桂霞;于哲舟;周春光;;基于帶偏差遞歸神經(jīng)網(wǎng)絡(luò)蛋白質(zhì)關(guān)聯(lián)圖的預(yù)測[J];吉林大學(xué)學(xué)報(理學(xué)版);2008年02期

8 李翔,陳增強,袁著祉;非最小相位非線性系統(tǒng)的簡單遞歸神經(jīng)網(wǎng)絡(luò)控制(英文)[J];控制理論與應(yīng)用;2001年03期

9 戴楊,李平,陳雪艷;基于對角遞歸神經(jīng)網(wǎng)絡(luò)的非線性逆動態(tài)控制[J];甘肅科學(xué)學(xué)報;2005年02期

10 張偉偉;王林山;;一類變時滯靜態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的全局魯棒穩(wěn)定性[J];河北師范大學(xué)學(xué)報(自然科學(xué)版);2010年03期

相關(guān)會議論文 前10條

1 房毅憲;王寶文;王永茂;;基于偏差遞歸神經(jīng)網(wǎng)絡(luò)的股價預(yù)測(英文)[A];計算機技術(shù)與應(yīng)用進展——全國第17屆計算機科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2006年

2 劉勇;沈毅;胡恒章;;遞歸神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波器[A];1998年中國智能自動化學(xué)術(shù)會議論文集（上冊）[C];1998年

3 趙英凱;蔡寧;;基于對角遞歸神經(jīng)網(wǎng)絡(luò)的肟化投酮量在線預(yù)估[A];1998年中國智能自動化學(xué)術(shù)會議論文集（上冊）[C];1998年

4 李樹榮;李峰;;基于動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)重構(gòu)[A];1998年中國控制會議論文集[C];1998年

5 史志偉;韓敏;;應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)建立非線性結(jié)構(gòu)系統(tǒng)模型[A];第二十三屆中國控制會議論文集（下冊）[C];2004年

6 叢爽;戴誼;;遞歸神經(jīng)網(wǎng)絡(luò)逼近性能的研究[A];'2006系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2006年

7 呂進;郭晨;劉雨;;基于不完全遞歸神經(jīng)網(wǎng)絡(luò)的二階導(dǎo)數(shù)多步預(yù)測模糊控制及應(yīng)用[A];2007年中國智能自動化會議論文集[C];2007年

8 蒲興成;;時變時滯不確定遞歸神經(jīng)網(wǎng)絡(luò)漸近穩(wěn)定的一個充分條件[A];2008’“先進集成技術(shù)”院士論壇暨第二屆儀表、自動化與先進集成技術(shù)大會論文集[C];2008年

9 仉寶玉;吳志敏;;基于對角遞歸神經(jīng)網(wǎng)絡(luò)的智能PID控制[A];'2003系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2003年

10 沈艷;謝美萍;;基于遞歸神經(jīng)網(wǎng)絡(luò)的船舶運動極短期建模預(yù)報[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

相關(guān)博士學(xué)位論文 前10條

1 趙永昌;一類時滯靜態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的動力學(xué)行為研究[D];中國海洋大學(xué);2010年

2 高海賓;擾動作用下遞歸神經(jīng)網(wǎng)絡(luò)穩(wěn)定性研究[D];燕山大學(xué);2006年

3 黃玉嬌;具有廣義分段線性激活函數(shù)的遞歸神經(jīng)網(wǎng)絡(luò)的多穩(wěn)定性分析[D];東北大學(xué);2014年

4 徐東坡;遞歸神經(jīng)網(wǎng)絡(luò)梯度學(xué)習(xí)算法的收斂性[D];大連理工大學(xué);2009年

5 于佳麗;遞歸神經(jīng)網(wǎng)絡(luò)的連續(xù)吸引子與模糊控制[D];電子科技大學(xué);2009年

6 王芬;遞歸神經(jīng)網(wǎng)絡(luò)的動力學(xué)行為分析[D];武漢科技大學(xué);2011年

7 季策;時滯遞歸神經(jīng)網(wǎng)絡(luò)的動態(tài)特性研究[D];東北大學(xué);2005年

8 徐軍;遞歸神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];浙江大學(xué);2007年

9 張銳;幾類遞歸神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性及其應(yīng)用研究[D];東北大學(xué);2010年

10 張益軍;時滯遞歸神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析及網(wǎng)絡(luò)化同步控制[D];東華大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 余仕敏;基于遞歸神經(jīng)網(wǎng)絡(luò)的廣告點擊率預(yù)估[D];浙江理工大學(xué);2016年

2 宛立達;基于振動信號分析的故障診斷理論與應(yīng)用[D];東北石油大學(xué);2010年

3 李克強;基于Spark的大規(guī)模RNNLM系統(tǒng)[D];江蘇大學(xué);2016年

4 謝偉浩;基于多尺度時間遞歸神經(jīng)網(wǎng)絡(luò)的人群異常檢測[D];廣東工業(yè)大學(xué);2016年

5 曹成遠;基于深度學(xué)習(xí)的蛋白質(zhì)殘基相互作用預(yù)測[D];蘇州大學(xué);2016年

6 梁軍;基于深度學(xué)習(xí)的文本特征表示及分類應(yīng)用[D];鄭州大學(xué);2016年

7 王瑞剛;基于遞歸神經(jīng)網(wǎng)絡(luò)的英文手寫輸入法的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2016年

8 葛洋;多時滯遞歸神經(jīng)網(wǎng)絡(luò)的指數(shù)穩(wěn)定性研究[D];曲阜師范大學(xué);2010年

9 張欣;遞歸神經(jīng)網(wǎng)絡(luò)的研究及在非線性動態(tài)系統(tǒng)辨識中的應(yīng)用[D];太原理工大學(xué);2005年

10 曾智;遞歸神經(jīng)網(wǎng)絡(luò)的動力學(xué)行為研究[D];重慶大學(xué);2006年

，

本文編號：1418271