本文選題：概率統(tǒng)計 + HMM��； 參考：《河北科技大學(xué)》2017年碩士論文

【摘要】：蛋白質(zhì)結(jié)構(gòu)與蛋白質(zhì)功能密切相關(guān),而蛋白質(zhì)二級結(jié)構(gòu)又是其他更高階空間結(jié)構(gòu)形成的基礎(chǔ),因此,蛋白質(zhì)二級結(jié)構(gòu)預(yù)測成為生物信息學(xué)研究的熱點。蛋白質(zhì)二級結(jié)構(gòu)預(yù)測是根據(jù)已知二級結(jié)構(gòu)的蛋白質(zhì)數(shù)據(jù)建立氨基酸序列和二級結(jié)構(gòu)間的關(guān)系模型,進(jìn)而通過模型來預(yù)測未知氨基酸序列的二級結(jié)構(gòu)。隱馬爾可夫模型(Hidden Markov Model,HMM)是一種概率統(tǒng)計模型,一些國內(nèi)外學(xué)者將其應(yīng)用到蛋白質(zhì)二級結(jié)構(gòu)預(yù)測問題上,收到了一定的效果。該文首先利用3-狀態(tài)HMM和7-狀態(tài)HMM對蛋白質(zhì)二級結(jié)構(gòu)進(jìn)行預(yù)測,通過比較得出7-狀態(tài)HMM的預(yù)測效果要優(yōu)于3-狀態(tài)HMM。對于7-狀態(tài)HMM預(yù)測算法,又從結(jié)構(gòu)狀態(tài)和參數(shù)訓(xùn)練兩方面提出了改進(jìn)方案。一方面,考慮到7-狀態(tài)HMM沒有包含非二級結(jié)構(gòu)的狀態(tài),故引入非二級結(jié)構(gòu)的狀態(tài),進(jìn)而構(gòu)成8-狀態(tài)HMM;另一方面,對于參數(shù)重估過程的第二種下溢情況,我們打破常規(guī),并沒有通過某種手段阻止其下溢,而是用最優(yōu)重估一次參數(shù)的均值作為預(yù)測二級結(jié)構(gòu)的模型參數(shù)。我們通過這兩種改進(jìn)方案在一定程度上提高了預(yù)測準(zhǔn)確率。該文的研究表明,選取合適的蛋白質(zhì)結(jié)構(gòu)狀態(tài)以及合適的訓(xùn)練集對提高蛋白質(zhì)二級結(jié)構(gòu)的預(yù)測準(zhǔn)確率是比較重要的。
[Abstract]:Protein structure is closely related to protein function, and protein secondary structure is the basis for the formation of other higher-order spatial structures. Therefore, protein secondary structure prediction has become a hot topic in bioinformatics. The prediction of protein secondary structure is based on the protein data of known secondary structure to establish a relationship model between amino acid sequence and secondary structure, and then to predict the secondary structure of unknown amino acid sequence through the model. Hidden Markov Model (hmm) is a kind of probabilistic statistical model, which has been applied to protein secondary structure prediction by some scholars at home and abroad. In this paper, 3-state hmm and 7- state hmm are used to predict the secondary structure of protein. It is concluded that the prediction effect of 7-state hmm is better than that of 3-state hmm. For the 7-state hmm prediction algorithm, an improved scheme is proposed in terms of structural state and parameter training. On the one hand, considering that the 7- state hmm does not contain the state of non-secondary structure, so the non-secondary structure state is introduced to form 8-state HMMs, on the other hand, we break the rule for the second underflow of the parameter revaluation process. Instead of stopping the overflow by some means, the mean value of the optimal reestimation of the primary parameter is used as the model parameter to predict the secondary structure. We improve the prediction accuracy to some extent by these two improved schemes. The results show that it is important to select the appropriate protein structure state and the appropriate training set to improve the prediction accuracy of protein secondary structure.
【學(xué)位授予單位】：河北科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：Q51;O211.62

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 陳軍霞;劉紫玉;;基于Baum-Welch算法HMM模型的孤詞算法研究[J];河北科技大學(xué)學(xué)報;2015年01期

2 石鷗燕;楊惠云;楊晶;田心;;應(yīng)用ANN/HMM混合模型預(yù)測蛋白質(zhì)二級結(jié)構(gòu)[J];計算機(jī)應(yīng)用研究;2008年12期

3 石鷗燕;楊惠云;楊晶;田心;;應(yīng)用優(yōu)化的隱馬爾可夫模型預(yù)測蛋白質(zhì)二級結(jié)構(gòu)[J];高技術(shù)通訊;2008年07期

4 董啟文,王曉龍,林磊,關(guān)毅,趙健;蛋白質(zhì)二級結(jié)構(gòu)預(yù)測:基于詞條的最大熵馬爾科夫方法[J];中國科學(xué)C輯:生命科學(xué);2005年01期

5 梁剛鋒,謝濤;使用HSMMs模型的蛋白質(zhì)二級結(jié)構(gòu)預(yù)測[J];電腦知識與技術(shù);2005年03期

6 石峰,莫忠息,張楚瑜;隱馬爾可夫模型—改進(jìn)的預(yù)測蛋白質(zhì)二級結(jié)構(gòu)方法[J];生物數(shù)學(xué)學(xué)報;2004年02期

7 王鵬良,江壽平,來魯華,徐小杰,羅宇;蛋白質(zhì)二級結(jié)構(gòu)預(yù)測的綜合分析[J];物理化學(xué)學(xué)報;1990年06期

相關(guān)博士學(xué)位論文 前2條

1 羅亮;蛋白質(zhì)結(jié)構(gòu)預(yù)測模型研究[D];華中科技大學(xué);2010年

2 石鷗燕;蛋白質(zhì)結(jié)構(gòu)預(yù)測模型的研究[D];天津醫(yī)科大學(xué);2008年

相關(guān)碩士學(xué)位論文 前4條

1 劉倩倩;基于詞頻統(tǒng)計編碼和流形學(xué)習(xí)的蛋白質(zhì)二級結(jié)構(gòu)預(yù)測方法研究[D];河北工業(yè)大學(xué);2014年

2 林錦華;基于隱馬爾可夫模型的蛋白質(zhì)二級結(jié)構(gòu)預(yù)測[D];福建農(nóng)林大學(xué);2012年

3 孫文恒;基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)二級結(jié)構(gòu)預(yù)測研究[D];蘭州大學(xué);2008年

4 張海霞;蛋白質(zhì)二級結(jié)構(gòu)預(yù)測方法研究[D];大連理工大學(xué);2004年

，

本文編號：2106080