自然界中影響生命現(xiàn)象發(fā)生的因素多種多樣,也必然離不開蛋白質(zhì)的參與。多種蛋白質(zhì)相互作用交織成網(wǎng)絡(luò),調(diào)節(jié)重要的生命活動(dòng)。在承擔(dān)生命活動(dòng)時(shí),蛋白質(zhì)的表現(xiàn)是多樣的、動(dòng)態(tài)的,這就需要對蛋白質(zhì)之間的關(guān)系進(jìn)行研究。蛋白質(zhì)相互作用（PPI）分析研究可以幫助研究癌癥的發(fā)生機(jī)制,設(shè)計(jì)新的藥物標(biāo)靶,并支持新藥物的發(fā)展。隨著蛋白質(zhì)組學(xué)研究進(jìn)入大數(shù)據(jù)時(shí)代,生物分子學(xué)及相關(guān)領(lǐng)域研究人員迅速獲得了許多實(shí)驗(yàn)數(shù)據(jù)。然而,使用生物實(shí)驗(yàn)方法對這些數(shù)據(jù)進(jìn)行研究耗時(shí)長,成本高。鑒于此,本文采用計(jì)算方法進(jìn)行蛋白質(zhì)相互作用預(yù)測,設(shè)計(jì)了一個(gè)基于多變量互信息的蛋白質(zhì)相互作用預(yù)測模型FTCP-WSRC,主要研究工作如下:一、設(shè)計(jì)新的蛋白質(zhì)序列的表示方法FCTP模型,該模型通過F向量,C描述符和T描述符的結(jié)合,將每個(gè)蛋白質(zhì)序列映射到數(shù)字特征向量上,提取了蛋白質(zhì)序列所包含的有效信息。二、采用有效的特征提取方法主成分分析（PCA）來提取最具辨別力的新特征子集。利用PCA處理后的數(shù)據(jù)極大地降低了時(shí)間復(fù)雜度,提高了計(jì)算機(jī)對數(shù)據(jù)的處理能力。三、基于加權(quán)稀疏表示分類器（WSRC）進(jìn)行預(yù)測,得到了很好的預(yù)測結(jié)果。為了驗(yàn)證FCTP-WSRC模型的有效性,... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２描述符Ｃ和描述符Ｔ的建立過程??對于子序列‘ＡＡＴＷＴＦＡＡＡＣＡＴＡＰＤＡＡＤＡＧ’，利用公式（５）二進(jìn)制編碼為??‘１１００００１１１０１０１００１１０１０’

?山東大學(xué)碩士學(xué)位論文???Ａ?Ｂ??４?４??－?ｓ??Ｆ向量＋?Ｃ福或符＋Ｔ指連符｜??Ｉ￣￣￣Ｔ￣??ｆ４４０堆向量ｊ?ｆ４４０維■向量ｊ??ＰＣＡ?ＰＣＡ??Ｖ?ｖ??門〇維向量Ｊ?「３０維向量Ｊ??＇?ｒ?１??「６０維？向量ｊ??圖２－３?ＦＣＴＰ方法中特征向量的重構(gòu)過程??２．?５本章小結(jié)??本章主要介紹了蛋白質(zhì)相互作用數(shù)據(jù)集的獲取與預(yù)處理方法，給出了一個(gè)新??的蛋白質(zhì)表示方法ＦＴＣＰ，構(gòu)建了蛋白質(zhì)序列的數(shù)字特征向量。Ｆ向量、Ｃ描述??符和Ｔ描述相結(jié)合的方法包含了蛋白質(zhì)序列中的有效信息。為了提高模型的運(yùn)??算效率，對蛋白質(zhì)特征向量采用了有效的特征提取方法ＰＣＡ，構(gòu)建了最具辨別??力的新特征子集。??１５??

?山東大學(xué)碩士學(xué)位論文???第三章預(yù)測模型和評價(jià)方法??３．１支持向置機(jī)??目前，機(jī)器學(xué)習(xí)方法已經(jīng)被廣泛應(yīng)用于人像識別、文本分類和生物信息等需??要模式識別的各個(gè)領(lǐng)域。支持向量機(jī)（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）進(jìn)行有監(jiān)??督的學(xué)習(xí)［３５１，最早在１９９５年由Ｃｏｒｔｅｓ?Ｃ．等人首次提出。這種方法本質(zhì)上基于統(tǒng)計(jì)??學(xué)中的ＶＣ維理論以及機(jī)構(gòu)風(fēng)險(xiǎn)最小化原則。支持向量機(jī)最早是一種二分類模型，??經(jīng)過演進(jìn)，引入了核函數(shù)，現(xiàn)在既能處理多元線性問題，也能處理非線性和回歸??問題。其優(yōu)勢表現(xiàn)在小樣本、非線性、高維數(shù)模式識別和局部極小點(diǎn)等課題。它??的思想是尋找一個(gè)最優(yōu)的超平面對樣本進(jìn)行分割，使得樣本間隔最大化，最終轉(zhuǎn)??化為一個(gè)凸二次規(guī)劃問題來求解。在線性可分情況下最優(yōu)分類面的構(gòu)造如下圖：??ｔ??圖３－１?ＳＶＭ最優(yōu)分類面的構(gòu)造??設(shè)訓(xùn)練樣本集包括Ｎ個(gè)線性可分的樣本：ｘ?＝?且為ｅ??｛＋１，－１｝是類別變量，±１是標(biāo)簽。支持向量機(jī)的目標(biāo)是通過找到唯一的最大化間??隔面使得分類更加精確。在線性可分的情況下，這個(gè)超平面用函數(shù)ｆ（ｘ）?＝?ｏ／ｘ?＋?ｂ??表不，其中是法向重，ｂ為位移重。＋?ｂ?２?＋１時(shí)，）／ｊ?＝＝?＋１；?＋?ｂ?Ｓ?－１時(shí)，??％?－１，距離超平面最近的這幾個(gè)樣本點(diǎn)滿足％（〇／；＾?＋?ｂ）?＝?１，它們被稱為“支??持向量”。訓(xùn)練集中存在一些異常點(diǎn)是不可避免的，這會(huì)導(dǎo)致訓(xùn)練集線性不可分。??１６??


本文編號：3103062