基于多核LSSVM的谷物蛋白质二级结构预测与优化

蛋白质的二级结构对其空间结构和功能有着极其重要的影响,利用机器学习方法进行谷物蛋白质二级结构预测是生物和食品领域的重要研究内容。作者在现有蛋白质数据库中选取玉米、小麦、大豆的谷物蛋白质,使用多特征融合方式对蛋白质序列进行特征提取,提出将多核学习与最小二乘支持向量机(LSSVM)相结合,以多个核函数的线性加权组合代替传统单一核函数,利用核权重调整融合效果,构建多核LSSVM模型预测谷物蛋白质二级结构。使用粒子群优化算法(PSO)对模型超参数进行优化,寻找最佳超参数组合提升模型预测性能。研究结果表明,多核LSSVM模型能够改善单一核函数高维映射的局限性,融合各核函数优势,通过PSO算法获取最佳超参数组合。该模型结合多特征提取方式显著提高了谷物蛋白质二级结构预测的Q_(3)准确率。

菌酶协同对苜蓿营养成分和蛋白质二级结构的影响

饲料占养猪生产饲养成本的70%,为降低猪肉生产成本,需要对现有饲料资源进行二次开发利用。苜蓿具有营养价值高、适口性好、消化率高的特点,其富含的活性物质对动物机体有益,在促进畜禽生长的同时也改善了畜产品品质,是优良的饲料资源。

神经网络在蛋白质二级结构预测中的应用

介绍了蛋白质二级结构预测的研究意义,讨论了用在蛋白质二级结构预测方面的神经网络设计问题,并且较详尽地评述了近些年来用神经网络方法在蛋白质二级结构预测中的主要工作进展情况,展望了蛋白质结构预测的前景。

蜂王浆不同贮存条件下蛋白质二级结构的Fourier变换红外光谱研究

蜂王浆的质量与贮存时间和温度相关。测定了在不同温度下经过不同时间贮存后的蜂王浆Fourier变换红外光谱,应用去卷积和曲线拟合方法对蜂王浆的酰胺Ⅰ带进行分析,以期得到其蛋白质二级结构的组成。结果表明:这些蜂王浆之间存在明显而有规律的光谱差异,蛋白质二级结构的组成之间也存在显著差异。随着贮存时间增加和温度升高,蜂王浆蛋白质二级结构的α-螺旋和β-折叠分别显著减少和增加,β-转角也有增加的趋势,其变化幅度为28℃>16℃>4℃>-18℃。这些结果与蜂王浆应该低温保存的理论相符。FTIR红外光谱结合去卷积、二阶导数和曲线拟合方法是评价蜂王浆品质和新鲜度的一种有效方法。

应用傅里叶红外光谱研究强声波作用下植物壁蛋白质二级结构变化

本论文采用傅里叶红外光研究烟草花粉细胞在不同频率和不同功率的强声波作用下，细胞壁蛋白质二级结构的变化．实验表明，在酰胺Ⅰ和酰胺Ⅱ带都有变化．当频率为４００Ｈｚ，功率分别为１１０ｄＢ、１００ｄＢ时，酰胺Ⅰ带β⊥折叠向Ｂ‖折叠转移，振动态由ν⊥（π，０）→ν‖（０，０）；当功率为９０ｄＢ，频率分别为８００Ｈｚ、８０００Ｈｚ时，酰胺Ⅱ带α螺旋稍有改变．因此，本工作的结果将有助于我们了解强声波对植物细胞的作用效应．

豆浆凝固过程中大豆蛋白质二级结构的研究

用变温ATR-FT-IR测定了豆浆加热、豆浆凝固过程中蛋白质二级结构的变化,结果显示:随着温度的升高,熟豆浆中蛋白质分子间强相互作用氢键(1β)和总相互作用氢键(1β+2β)明显下降,豆浆从20℃升温到80℃时,1β由29.2%下降到16.1%,表明蛋白质分子间的相互作用减弱;豆腐的核心结构(β+α)约38.0%变化不大。随豆腐凝胶强度增加,1β由17.4%上升到43.3%,而维持蛋白质紧密结构的氢键(β+α)由38.8%下降到17.4%。豆浆凝固过程中1β的变化与其凝胶特性G*变化完全一致,说明蛋白质分子间强相互作用氢键与豆腐的硬度有关。

玉米粉对面条的蛋白质二级结构及微观结构的影响

研究玉米粉及谷朊粉对面条品质的影响,并通过傅立叶变换红外光谱和扫描电镜研究玉米粉及谷朊粉对面条蛋白质二级结构和微观结构的影响。结果表明:随着玉米粉的添加,面条的质构及感官品质明显下降,添加一定量的谷朊粉后,玉米面条质量得到明显的改善;红外光谱结果发现,随着玉米粉的添加,面条的β-折叠片层、β-折叠、α-螺旋及β-转角逐渐降低,且差异性显著,玉米粉添加量大于60%时,无序结构显著增大;添加谷朊粉,β-折叠片层、β-折叠结构增加,且在6%~8%存在显著性差异,α-螺旋、β-转角、分子间非平面弱氢键呈降低趋势,且α-螺旋存在显著性差异;扫描电镜结果发现,添加玉米粉后,面筋网络遭到破坏,颗粒之间缝隙较大,连接不紧密;添加谷朊粉改良后,面筋蛋白含量有所增加,颗粒之间愈发紧密,面筋网络逐渐形成。

低钠盐对皮蛋的钠钾含量、硬度及蛋白质二级结构的影响

以新鲜鸭蛋为原料,采用清料法腌制皮蛋。探讨低钠盐替代食盐对皮蛋的钠钾含量、凝胶的硬度、蛋清蛋白质二级结构、感官品质等的影响,旨在为降低皮蛋中的钠含量提供新的思路,为加工低钠皮蛋提供新的方向。结果表明,100%低钠盐组比食盐组蛋清钠含量降低了21%,蛋黄钠含量降低了30%。不同比例的低钠盐替代组与食盐组对比,皮蛋凝胶的硬度、蛋清蛋白质二级结构的含量均无显著性差异(p>0.05)。70%低钠盐替代食盐制得的皮蛋,感官品质良好。

FT-IR在研究蛋白质二级结构中的应用

目的研究蛋白质的二级结构。方法介绍蛋白质二级结构定量分析方法,综述FT-IR在蛋白质二级结构研究中的应用进展情况,并对其应用前景进行了展望。结果FT-IR分析技术是一种高效、快速研究蛋白质结构的现代分析技术。结论为了获得更精确的信息,须将FT-IR技术与生物样品的处理与实验设计相结合。

乳腺癌组织中蛋白质二级结构的Fourier变换红外光谱研究

根据乳腺大汗腺癌、小管癌、黏液癌、浸润导管癌、单纯癌和髓样癌组织 Fourier变换红外光谱酰胺 I带的去卷积和拟合分析 ,获得组织中蛋白质二级结构的数目及其组成。结果表明 :这些组织中蛋白质二级结构的数目及其组成存在着显著的差异 ,并与组织的类型、分化、坏死等密切相关。其中 ,髓样癌的差异性最大 ;高分化癌中螺旋结构的含量及非典型螺旋和 α-螺旋含量的比值均比低分化癌的相应值高 ;肿瘤边缘坏死的乳腺癌组织也表现出明显的差异。乳腺癌组织蛋白质二级结构的分析对乳腺癌组织的表征和评价具有重要的意义。

蛋白质二级结构的氨基酸紧邻位效应和二肽构象因子

提出了蛋白质二级结构中的氨基酸C端和N端邻位因子以及二肽构象因子.基于对蛋白质数据库PDB105版全库的分析,讨论了N端和C端邻位对氨基酸二级结构倾向性的影响,讨论了二肽序的二级结构倾向性.发现有些氨基酸的邻位因子对和二肽序对的二级结构构象因子差别较大,表明这些氨基酸对其N端和C端邻位的影响不对称.

基于深度学习的八类蛋白质二级结构预测算法

蛋白质二级结构预测是结构生物学中的一个重要问题。针对八类蛋白质二级结构预测,提出了一种基于递归神经网络和前馈神经网络的深度学习预测算法。该算法通过双向递归神经网络建模氨基酸间的局部和长程相互作用,递归神经网络的隐层输出进一步送入到三层的前馈神经网络以便进行八类蛋白质二级结构预测。实验结果表明,提出的算法在CB513数据集上达到了67.9%的Q_8预测精度,显著地优于SSpro8和SC-GSN。

基于径向基函数蛋白质二级结构预测方法

文章针对蛋白质二级结构预测这一复杂非线性模式分类问题,提出了基于径向基函数的预测方法。在分析了基于神经网络预测方法的基础上,讨论了蛋白质二级结构预测算法研究中的数据选取、网络结构与参数对网络性能的影响,实验结果表明这一方法的可行性和有效性。

基于距离矩阵灰度图的蛋白质二级结构类型预测

蛋白质二级结构预测在蛋白质结构预测中具有很重要的作用。基于伪氨基酸成分表示蛋白质的方法,能提高蛋白质结构和功能预测的成功率,利用蛋白质距离矩阵灰度图,基于几何矩提出了一种伪氨基酸构造方法,结合氨基酸的成分对蛋白质二级结构类型进行预测,通过国际公认的Jackknife检验方法显示预测成功率达到95.10%,比其他方法高出许多,说明此方法具有有效的分类效果。

结合蛋白质二级结构信息预测蛋白质空间结构中的二硫键

在蛋白质空间结构预测中,二硫键的确定可以大大减少蛋白质构象的搜索空间。为提高二硫键预测的准确率,对形成二硫键的半胱氨酸及其周围的氨基酸残基在蛋白质二级结构形成上的偏性进行了分析,并提出将蛋白质二级结构信息加入到BP神经网络预测模型的输入编码信息中。研究对象为从Swiss-Prot数据库中选取的252条蛋白质序列,随机均分四组,对预测准确率进行4交-叉验证,各项准确率均比未加入蛋白质二级结构信息前有明显提高。结果表明,结合蛋白质二级结构信息的编码方式是可行且有效的。

氨基酸分类与蛋白质二级结构相关性

从氨基酸序列和蛋白质二级结构相关性出发 ,定义信息剩余度 ,通过信息剩余度极大化 ,推导出从 2 0组到 2组的氨基酸分类结果 ,同时也得到了信息剩余度极大值 (RMAX)

编码方式对蛋白质二级结构预测精度的影响

为了比较在蛋白质二级结构预测中常用的氨基酸序列编码方式的优缺点,借助前向型BP神经网络对正交编码、5位编码、Codon(2种)编码和Profile编码5种氨基酸编码方式进行了对比分析.实验结果显示,用富含"生物进化信息"的Profile编码方式可以得到较高的预测结果,同时也表明,充分利用生物本身所具有的生物信息对提高蛋白质二级结构预测精度是非常重要的.

基于混合SVM方法的蛋白质二级结构预测算法

预测蛋白质二级结构,是当今生物信息学中一个难以解决的问题。由于预测蛋白质二级结构的精度在蛋白质结构研究中起到非常重要的作用,因此在基于KDTICM理论基础上,提出一种基于混合SVM方法的蛋白质二级结构预测算法。该算法有效地利用蛋白质的物化属性和PSI-SEARCH生成的位置特异性打分矩阵作为双层SVM的输入,从而大大地提高了蛋白质二级结构预测的精度。实验比较分析表明,新算法的预测精度和普适性明显优于目前其他典型的预测方法。

一种新的预测蛋白质二级结构的模型—贝叶斯神经网络

提出了一种新的基于贝叶斯神经网络(BNN)的蛋白质二级结构预测方法。计算结果表明,BNN的性能优于反向神经网络(BPNN),平均Q3精度在四组交叉证实数据集与测试数据集下分别提高了3.65%和4.01%;还提出了一种有效缩短马尔可夫链蒙特卡罗(MCMC)模拟过程中“burn in”阶段的交叉证实初值选取方法。

基于SQL Server的蛋白质二级结构预测样本集数据库的构建

基于SQL Server数据库管理系统，将蛋白质二级结构预测的样本集CB513、CB396和RS126组织起来，建立了数据库DataSet，并配置了一个IIS服务器以方便网络查询。该数据库将蛋白质二级结构预测样本集有效地组织起来，实现了规范化、结构化统一管理，便于存储、检索和分析数据，减少错误的发生。通过该数据库可以提取供蛋白质二级结构预测研究的样本、序列转换、变换编码以及分析评价预测结果等，取代许多传统编程处理文本文件的繁琐工作，大大提高效率，促进工作的开展。