蛋白質(zhì)的生物功能由蛋白質(zhì)的三維結(jié)構(gòu)決定,而三維結(jié)構(gòu)是由蛋白質(zhì)序列決定的。在三維結(jié)構(gòu)未知的情況下,分析預(yù)測(cè)蛋白質(zhì)分子結(jié)構(gòu),可幫助人們快速認(rèn)識(shí)蛋白質(zhì)功能、研究生物病理原因、減少生物實(shí)驗(yàn)量等。深度學(xué)習(xí)方法已在多個(gè)領(lǐng)域成功應(yīng)用,本課題用深度學(xué)習(xí)方法,從蛋白質(zhì)一級(jí)序列出發(fā),建立深度學(xué)習(xí)模型,對(duì)蛋白質(zhì)結(jié)構(gòu)相關(guān)的典型屬性:溶劑可及性、二級(jí)結(jié)構(gòu)、骨架二面角和相互作用位點(diǎn)開展預(yù)測(cè)研究。本文主要工作如下:1.蛋白質(zhì)溶劑可及性預(yù)測(cè)。提出一個(gè)兩階段的單模型策略:先訓(xùn)練回歸模型,預(yù)測(cè)相對(duì)可及表面積;再根據(jù)指定閾值,對(duì)預(yù)測(cè)結(jié)果再進(jìn)行分類劃分。在雙向遞歸神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)信息融合時(shí),提出了雙向節(jié)點(diǎn)的融合算子,提升了信息融合能力。實(shí)驗(yàn)表明使用三個(gè)不同融合算子的SDBRNN模型提高了溶劑可及性預(yù)測(cè)性能。2.蛋白質(zhì)二級(jí)結(jié)構(gòu)識(shí)別。結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)長范圍特征提取優(yōu)勢(shì)和卷積神經(jīng)網(wǎng)絡(luò)局部特征提取特點(diǎn),面向多分類問題,設(shè)計(jì)深度學(xué)習(xí)模型CRRNN,捕獲序列隱含的局部特性和長程特性。為了解決殘差網(wǎng)絡(luò)跨層合并輸入帶來模型參數(shù)激增的問題,用一維一卷積步的卷積神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換降維。本文中還訓(xùn)練了 10個(gè)獨(dú)立訓(xùn)練的單模型,組合成多模型集成學(xué)習(xí)。3.蛋白... 

【文章頁數(shù)】：111 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 蛋白質(zhì)結(jié)構(gòu)屬性
        1.2.1 蛋白質(zhì)
        1.2.2 蛋白質(zhì)結(jié)構(gòu)
        1.2.3 蛋白質(zhì)骨架二面角
        1.2.4 殘基溶劑可及性
        1.2.5 相互作用位點(diǎn)
    1.3 研究現(xiàn)狀分析
        1.3.1 計(jì)算問題描述和輸入輸出
        1.3.2 殘基溶劑可及性研究現(xiàn)狀
        1.3.3 蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)研究現(xiàn)狀
        1.3.4 蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)研究現(xiàn)狀
        1.3.5 蛋白質(zhì)多結(jié)構(gòu)屬性預(yù)測(cè)研究現(xiàn)狀
        1.3.6 深度學(xué)習(xí)在蛋白質(zhì)組學(xué)中的應(yīng)用
    1.4 研究內(nèi)容
    1.5 本文結(jié)構(gòu)
第二章 基于蛋白質(zhì)序列的溶劑可及性預(yù)測(cè)
    2.1 引言
    2.2 SDBRNN模型結(jié)構(gòu)
        2.2.1 融合算子
        2.2.2 模型設(shè)計(jì)
        2.2.3 超參數(shù)設(shè)置
    2.3 實(shí)驗(yàn)數(shù)據(jù)
        2.3.1 實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建
        2.3.2 輸入特征屬性和輸出標(biāo)簽
    2.4 實(shí)驗(yàn)結(jié)果與分析
        2.4.1 評(píng)價(jià)標(biāo)準(zhǔn)
        2.4.2 不同輸入特征對(duì)模型性能分析
        2.4.3 不同融合算子對(duì)結(jié)果的影響
        2.4.4 rASA預(yù)測(cè)結(jié)果對(duì)比
        2.4.5 二分類預(yù)測(cè)結(jié)果對(duì)比
    2.5 本章小結(jié)
第三章 基于蛋白質(zhì)序列的二級(jí)結(jié)構(gòu)預(yù)測(cè)
    3.1 引言
    3.2 CRRNN模型結(jié)構(gòu)
        3.2.1 局部塊
        3.2.2 BRNN模塊
    3.3 實(shí)驗(yàn)數(shù)據(jù)
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建
        3.3.2 輸入輸出
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 評(píng)價(jià)指標(biāo)
        3.4.2 訓(xùn)練數(shù)據(jù)集對(duì)泛化性能的影響
        3.4.3 模型結(jié)構(gòu)分析
        3.4.4 八狀態(tài)預(yù)測(cè)結(jié)果
        3.4.5 三狀態(tài)預(yù)測(cè)結(jié)果
        3.4.6 集成學(xué)習(xí)
        3.4.7 個(gè)案分析
    3.5 本章小結(jié)
第四章 基于蛋白質(zhì)序列的相互作用位點(diǎn)預(yù)測(cè)
    4.1 引言
    4.2 輕量級(jí)LSTM網(wǎng)絡(luò)
        4.2.1 長短期記憶網(wǎng)絡(luò)
        4.2.2 LSTM改進(jìn)模型
        4.2.3 SLSTM
    4.3 DLPred模型結(jié)構(gòu)
        4.3.1 DLPred模型
        4.3.2 算法層面的不平衡分類處理策略
    4.4 實(shí)驗(yàn)數(shù)據(jù)
        4.4.1 面向訓(xùn)練集的不平衡處理
        4.4.2 測(cè)試集
        4.4.3 輸入屬性和輸出標(biāo)簽
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 模型結(jié)構(gòu)分析
        4.5.2 不平衡分類處理策略對(duì)泛化性能的影響
        4.5.3 獨(dú)立測(cè)試集上性能對(duì)比
        4.5.4 集成學(xué)習(xí)模型性能
        4.5.5 在線服務(wù)
    4.6 本章小結(jié)
第五章 基于蛋白質(zhì)序列的多結(jié)構(gòu)屬性聯(lián)合學(xué)習(xí)
    5.1 引言
    5.2 雙通道深度模型的多任務(wù)學(xué)習(xí)
    5.3 實(shí)驗(yàn)數(shù)據(jù)
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建
        5.3.2 輸入和輸出
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 不同RNN結(jié)構(gòu)性能分析
        5.4.2 不同屬性特征對(duì)性能的影響
        5.4.3 不同損失函數(shù)對(duì)RSA預(yù)測(cè)影響
        5.4.4 和現(xiàn)有方法對(duì)比
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
發(fā)表文章目錄及科研項(xiàng)目
致謝



本文編號(hào)：3701672