發(fā)布時(shí)間：2021-04-16 10:51

　　蛋白質(zhì)翻譯后修飾是細(xì)胞內(nèi)一種非常重要的調(diào)控,而膜蛋白類型與它執(zhí)行的功能密切相關(guān)。因此,準(zhǔn)確地識(shí)別蛋白質(zhì)翻譯后修飾位點(diǎn)和膜蛋白類型對(duì)疾病預(yù)防與治療具有重要意義。藥物重定位是近來(lái)興起的一種重要的藥物研發(fā)思路,現(xiàn)已成為計(jì)算生物學(xué)中的研究熱點(diǎn)。本文探索蛋白質(zhì)亞硝基化、氨甲�；揎椢稽c(diǎn),膜蛋白類型以及藥物適應(yīng)癥的計(jì)算預(yù)測(cè)方法,主要工作如下:1、蛋白質(zhì)亞硝基化修飾位點(diǎn)預(yù)測(cè)方法研究基于稀疏表示理論、核函數(shù)理論以及特征選取技術(shù),提出了一種計(jì)算預(yù)測(cè)蛋白質(zhì)亞硝基化修飾位點(diǎn)的方法。首先,從氨基酸理化屬性、頻率、二級(jí)結(jié)構(gòu)等6方面信息將蛋白質(zhì)序列編碼為666個(gè)特征;然后利用最大相關(guān)最小冗余算法及核稀疏表示分類算法選擇優(yōu)化特征,再以核稀疏表示分類算法建立預(yù)測(cè)模型。10折交叉測(cè)試和獨(dú)立測(cè)試結(jié)果的馬修相關(guān)系數(shù)分別為0.1634和0.2919。在由113條序列構(gòu)成的另一個(gè)獨(dú)立集上進(jìn)行測(cè)試,馬修相關(guān)系數(shù)為0.2239,優(yōu)于當(dāng)前的預(yù)測(cè)算法iSNO-AAPair和iSNO-PseAAC（馬修相關(guān)系數(shù)分別為0.1125和0.1190）。此外,開(kāi)發(fā)了預(yù)測(cè)蛋白質(zhì)亞硝基化修飾位點(diǎn)的在線工具:http://www.zhni.net/s... 

【文章來(lái)源】：上海大學(xué)上海市 211工程院校

【文章頁(yè)數(shù)】：150 頁(yè)

【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)翻譯后修飾預(yù)測(cè)研究現(xiàn)狀
    1.3 藥物重定位的計(jì)算方法研究現(xiàn)狀
    1.4 交叉驗(yàn)證與評(píng)價(jià)指標(biāo)
        1.4.1 交叉驗(yàn)證
        1.4.2 實(shí)驗(yàn)結(jié)果評(píng)價(jià)
    1.5 生物信息學(xué)數(shù)據(jù)庫(kù)介紹
        1.5.1 核苷酸數(shù)據(jù)庫(kù)
        1.5.2 蛋白質(zhì)數(shù)據(jù)庫(kù)
        1.5.3 分子相互作用數(shù)據(jù)庫(kù)
        1.5.4 PTM數(shù)據(jù)庫(kù)
    1.6 論文的主要研究?jī)?nèi)容
第二章 基于核稀疏表示分類和mRMR算法的蛋白質(zhì)亞硝基化修飾位點(diǎn)預(yù)測(cè)
    2.1 引言
    2.2 數(shù)據(jù)
    2.3 方法
        2.3.1 特征提取
        2.3.2 mRMR算法
        2.3.3 IFS算法
        2.3.4 KSRC算法
    2.4 實(shí)驗(yàn)結(jié)果與討論
        2.4.1 優(yōu)化特征集
        2.4.2 與其它方法比較
        2.4.3 在獨(dú)立測(cè)試集上比較
    2.5 預(yù)測(cè)軟件SNOPred
        2.5.1 Window用戶
        2.5.2 Linux用戶
    2.6 本章小結(jié)
第三章 基于一類k-最近鄰算法的賴氨酸氨甲�；揎椢稽c(diǎn)預(yù)測(cè)
    3.1 前言
    3.2 數(shù)據(jù)
    3.3 方法
        3.3.1 特征提取及特征標(biāo)識(shí)說(shuō)明
        3.3.2 二階段特征選擇
        3.3.3 一類k-最近鄰算法
    3.4 實(shí)驗(yàn)結(jié)果
        3.4.1 參數(shù)優(yōu)化
        3.4.2 特征優(yōu)化
        3.4.3 與其它二分類算法比較
    3.5 討論
        3.5.1 PSSM conservation scores特征分析
        3.5.2 Amino acid factors和secondary structures特征分析
        3.5.3 其它特征分析
        3.5.4 與乙�；�、泛素化、SUMO化修飾比較
    3.6 本章小結(jié)
第四章 人類膜蛋白多標(biāo)簽類型的預(yù)測(cè)
    4.1 引言
    4.2 數(shù)據(jù)與方法
        4.2.1 數(shù)據(jù)
        4.2.2 預(yù)測(cè)方法
        4.2.3 預(yù)測(cè)結(jié)果評(píng)價(jià)
    4.3 結(jié)果及討論
        4.3.1 BLAST/PSI-BLAST方法的E-value選擇
        4.3.2 單個(gè)方法和組合方法預(yù)測(cè)性能
        4.3.3 與其它方法比較
        4.3.4 討論
    4.4 本章小結(jié)
第五章 基于化合物相互作用及結(jié)構(gòu)相似性預(yù)測(cè)藥物適應(yīng)癥
    5.1 前言
    5.2 數(shù)據(jù)
        5.2.1 訓(xùn)練集
        5.2.2 獨(dú)立測(cè)試集
    5.3 方法
        5.3.1 基于化合物相互作用的預(yù)測(cè)
        5.3.2 基于結(jié)構(gòu)相似性的預(yù)測(cè)
        5.3.3 基于化合物相互作用和結(jié)構(gòu)相似性的預(yù)測(cè)
    5.4 預(yù)測(cè)結(jié)果評(píng)價(jià)
    5.5 實(shí)驗(yàn)結(jié)果及討論
        5.5.1 參數(shù)優(yōu)化
        5.5.2 在數(shù)據(jù)集2DS上5折交叉驗(yàn)證
        5.5.3 方法比較
        5.5.4 獨(dú)立數(shù)據(jù)集上測(cè)試
        5.5.5 案例分析
    5.6 本章小結(jié)
第六章 基于化合物-化合物相互作用預(yù)測(cè)癌癥藥物
    6.1 前言
    6.2 數(shù)據(jù)與方法
        6.2.1 數(shù)據(jù)
        6.2.2 預(yù)測(cè)方法
        6.2.3 實(shí)驗(yàn)結(jié)果評(píng)價(jià)
    6.3 實(shí)驗(yàn)結(jié)果與討論
        6.3.1 與其它方法比較
        6.3.2 討論
    6.4 本章小結(jié)
第七章 結(jié)論與展望
    7.1 結(jié)論
    7.2 展望
參考文獻(xiàn)
在攻讀博士學(xué)位期間公開(kāi)發(fā)表的論文
作者在攻讀博士學(xué)位期間所參與的項(xiàng)目
致謝
附錄mRMR算法的特征輸出順序



本文編號(hào)：3141287