大數(shù)據(jù)的到來(lái),使得生物數(shù)據(jù)庫(kù)中的序列數(shù)量呈指數(shù)型增加。從序列出發(fā),分析蘊(yùn)含在數(shù)據(jù)中的規(guī)律,已成為生物信息學(xué)的研究熱點(diǎn)。蛋白質(zhì)、RNA修飾與許多生命過(guò)程密切相關(guān),并且在病理學(xué)方面發(fā)揮十分重要的作用。傳統(tǒng)識(shí)別修飾位點(diǎn)的實(shí)驗(yàn)方法具有成本高、耗時(shí)耗力等缺點(diǎn),機(jī)器學(xué)習(xí)方法能夠準(zhǔn)確高效的預(yù)測(cè)蛋白質(zhì)、RNA修飾位點(diǎn),推動(dòng)蛋白質(zhì)組學(xué)和基因組學(xué)的發(fā)展,促進(jìn)對(duì)疾病發(fā)生機(jī)理的了解。本文對(duì)蛋白質(zhì)及RNA修飾位點(diǎn)使用機(jī)器學(xué)習(xí)方法進(jìn)行相關(guān)研究,主要內(nèi)容如下:1.提出DNNAce的蛋白質(zhì)乙�；稽c(diǎn)預(yù)測(cè)新方法。首先,融合二元編碼、偽氨基酸組成、AAindex、NMBroto、分組重量編碼、多元互信息、BLOSUM62、KNN對(duì)應(yīng)的特征向量,得到初始特征搜索空間。其次,首次運(yùn)用Group Lasso去除對(duì)乙�；稽c(diǎn)分類無(wú)關(guān)的特征,篩選出有效特征構(gòu)成最優(yōu)子集,降低特征空間維度。最后,利用深度神經(jīng)網(wǎng)絡(luò)對(duì)9個(gè)原核生物的乙�；稽c(diǎn)進(jìn)行預(yù)測(cè),運(yùn)用10折交叉驗(yàn)證得到評(píng)價(jià)指標(biāo)并和其它預(yù)測(cè)方法進(jìn)行比較。結(jié)果表明,本文提出的DNNAce方法能進(jìn)一步提高現(xiàn)有研究成果的預(yù)測(cè)精度,可為其它的蛋白質(zhì)翻譯后修飾位點(diǎn)預(yù)測(cè)提供一種新方法。2.提出St...

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3-29個(gè)數(shù)據(jù)集乙�；稽c(diǎn)和非乙酰化位點(diǎn)附近的氨基酸對(duì)比圖

青島科技大學(xué)研究生學(xué)位論文35圖3-29個(gè)數(shù)據(jù)集乙�；稽c(diǎn)和非乙�；稽c(diǎn)附近的氨基酸對(duì)比圖Fig.3-2Comparisonofaminoacidsneartheacetylationsitesandnon-acetylationsitesof9datasets3.3.2特征提取....

圖3-79個(gè)數(shù)據(jù)集特征的t-SNE可視化

蛋白質(zhì)、RNA修飾位點(diǎn)預(yù)測(cè)的機(jī)器學(xué)習(xí)方法及應(yīng)用研究46正負(fù)樣本兩個(gè)類別能夠清楚地分開(kāi)。特征可視化表明DNNAce可以提取用于預(yù)測(cè)的有用特征，分離多層網(wǎng)絡(luò)結(jié)構(gòu)處理后的正樣本和負(fù)樣本，展示深層結(jié)構(gòu)的合理性和有效性。以上分析均表明，深度神經(jīng)網(wǎng)絡(luò)具有優(yōu)越的特征學(xué)習(xí)能力。圖3-79個(gè)數(shù)據(jù)集....

圖4-2S.cerevisiae中m6A位點(diǎn)和非m6A位點(diǎn)之間核苷酸分布的差異Fig.4-2Nucleotidecompositionpreferenceofsequencesbetween

蛋白質(zhì)、RNA修飾位點(diǎn)預(yù)測(cè)的機(jī)器學(xué)習(xí)方法及應(yīng)用研究56圖4-2S.cerevisiae中m6A位點(diǎn)和非m6A位點(diǎn)之間核苷酸分布的差異Fig.4-2Nucleotidecompositionpreferenceofsequencesbetweenm6Aandnon-m6Asites....

本文編號(hào)：3970320