細(xì)胞凋亡、免疫應(yīng)答和代謝途徑等一系列重要生命活動(dòng),均是通過蛋白質(zhì)之間的相互作用來實(shí)現(xiàn)的。蛋白質(zhì)相互作用有利于闡明生命活動(dòng)的分子機(jī)制,對疾病治療和新藥開發(fā)也具有一定的指導(dǎo)意義。隨著后蛋白質(zhì)組時(shí)代的到來,積累了海量蛋白質(zhì)序列數(shù)據(jù),如何處理這些海量的數(shù)據(jù),如何從大量的蛋白質(zhì)序列數(shù)據(jù)中挖掘出蛋白質(zhì)之間內(nèi)在的關(guān)系,以及如何構(gòu)建蛋白質(zhì)之間的相互作用網(wǎng)絡(luò),成為當(dāng)前蛋白質(zhì)組學(xué)研究中亟待解決的問題。因此,本文以蛋白質(zhì)相互作用為研究目標(biāo),圍繞蛋白質(zhì)序列的編碼方法和基于氨基酸序列的蛋白質(zhì)相互作用預(yù)測模型構(gòu)建及模型優(yōu)化等問題開展研究工作。論文主要研究內(nèi)容及結(jié)果如下:（1）為了改進(jìn)蛋白質(zhì)相互作用的預(yù)測性能,基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network,DNN）結(jié)合聯(lián)合三元組（Conjoint Triads,CT）、自協(xié)方差（Auto-Covariance,AC）、局部描述符（Local Descriptor,LD）三種蛋白質(zhì)編碼方法,構(gòu)建了 DNN-CT、DNN-AC和DNN-LD三種蛋白質(zhì)相互作用預(yù)測模型,并采用dropout對三種模型的預(yù)測性能進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn):dropout將DNN-CT... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：127 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 實(shí)驗(yàn)檢測方法
        1.2.2 計(jì)算預(yù)測方法
        1.2.3 存在的問題
    1.3 研究內(nèi)容與創(chuàng)新點(diǎn)
        1.3.1 主要研究內(nèi)容
        1.3.2 技術(shù)路線
        1.3.3 主要?jiǎng)?chuàng)新點(diǎn)
    1.4 論文結(jié)構(gòu)安排
第2章 蛋白質(zhì)相互作用預(yù)測相關(guān)技術(shù)
    2.1 蛋白質(zhì)相互作用的分子生物學(xué)基礎(chǔ)
        2.1.1 蛋白質(zhì)相互作用類型
        2.1.2 蛋白質(zhì)相互作用原理
    2.2 蛋白質(zhì)相互作用的計(jì)算預(yù)測方法
        2.2.1 基于基因組信息的方法
        2.2.2 基于進(jìn)化信息的方法
        2.2.3 基于蛋白質(zhì)結(jié)構(gòu)信息的方法
        2.2.4 基于氨基酸序列的方法
    2.3 機(jī)器學(xué)習(xí)算法
        2.3.1 深度神經(jīng)網(wǎng)絡(luò)
        2.3.2 支持向量機(jī)
        2.3.3 K近鄰
        2.3.4 隨機(jī)森林
        2.3.5 決策樹
        2.3.6 自適應(yīng)提升算法
    2.4 本章小結(jié)
第3章 基于深度神經(jīng)網(wǎng)絡(luò)聯(lián)合多種編碼方法的蛋白質(zhì)相互作用預(yù)測模型
    3.1 引言
    3.2 數(shù)據(jù)集
        3.2.1 Benchmark數(shù)據(jù)集
        3.2.2 外部數(shù)據(jù)集
    3.3 評價(jià)指標(biāo)
    3.4 蛋白質(zhì)編碼方法
        3.4.1 聯(lián)合三元組
        3.4.2 自協(xié)方差
        3.4.3 局部描述符
    3.5 分類器
        3.5.1 深度神經(jīng)網(wǎng)絡(luò)
        3.5.2 深度神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)
    3.6 實(shí)驗(yàn)設(shè)計(jì)
    3.7 實(shí)驗(yàn)結(jié)果
        3.7.1 超參數(shù)的選擇
        3.7.2 在Benchmark數(shù)據(jù)集上的預(yù)測性能
        3.7.3 在外部數(shù)據(jù)集預(yù)測性能
        3.7.4 和現(xiàn)有方法的比較
        3.7.5 討論
    3.8 本章小結(jié)
第4章 基于聯(lián)合三元組自協(xié)方差的蛋白質(zhì)編碼方法
    4.1 引言
    4.2 數(shù)據(jù)集
    4.3 評價(jià)指標(biāo)
    4.4 CTAC蛋白質(zhì)編碼方法
    4.5 分類器
    4.6 實(shí)驗(yàn)設(shè)計(jì)
    4.7 實(shí)驗(yàn)結(jié)果
        4.7.1 超參數(shù)的調(diào)整
        4.7.2 CTAC的預(yù)測性能
        4.7.3 CTAC在不同分類器上的預(yù)測性能
        4.7.4 CTAC在外部數(shù)據(jù)集預(yù)測性能
        4.7.5 CTAC在水稻數(shù)據(jù)集預(yù)測性能
        4.7.6 和現(xiàn)有方法的比較
    4.8 本章小結(jié)
第5章 基于序列矩陣的蛋白質(zhì)編碼方法
    5.1 引言
    5.2 數(shù)據(jù)集
        5.2.1 Benchmark數(shù)據(jù)集
        5.2.2 非冗余數(shù)據(jù)集
    5.3 評價(jià)指標(biāo)
    5.4 序列矩陣蛋白質(zhì)編碼方法
    5.5 分類器
    5.6 實(shí)驗(yàn)設(shè)計(jì)
    5.7 實(shí)驗(yàn)結(jié)果
        5.7.1 超參數(shù)的選擇
        5.7.2 MOS在Benchmark數(shù)據(jù)集上的預(yù)測性能
        5.7.3 MOS在非冗余數(shù)據(jù)集上的預(yù)測性能
        5.7.4 MOS在不同分類器上的預(yù)測性能
        5.7.5 和現(xiàn)有方法的比較
    5.8 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果



本文編號：3204722