一种基于深度学习的核酸结合蛋白多标签预测模型

核酸结合蛋白(nucleic acid-binding protein,NABP)包括DNA结合蛋白(DNA-binding protein,DBP)和RNA结合蛋白(RNA-binding protein,RBP),准确识别NABP有助于了解蛋白质的作用机制.为了解决NABP预测中的交叉预测问题,提出一种新的同时预测DBP和RBP的深度学习模型DeepDPRP,并采用多标签学习方法训练模型.利用双向长短期记忆网络从位置特异性得分矩阵中提取全局蛋白质序列特征,再用卷积神经网络从中捕捉更复杂的特征,同时结合基于结构模式的卷积模块以有效利用已发现的蛋白质结构特征.独立测试实验表明,DeepD‐PRP明显优于现有的核酸结合蛋白预测器,具有更高的性能和更低的交叉预测率.广泛的消融实验证明了该模型的有效性.

基于加权PSSM直方图和随机森林集成的蛋白质交互作用位点预测

为了提高蛋白质相互作用位点预测的精度,该文基于蛋白质位置特异性得分矩阵(Position specific scoring matrix,PSSM),提出了一种新的加权得分矩阵直方图特征表示方法;针对训练数据的极端不平衡,结合下采样和分类器集成方法,训练随机森林集成分类器。相对于传统的特征,该文所提新特征具有更低的维数,同时拥有更好的鉴别性。分类器集成则缓解了下采样带来的信息丢失,并提高了分类精度。实验结果验证了所述方法是有效的,在标准数据集上的结果优于其他最新的蛋白质相互作用位点预测方法。

基于改进的卷积神经网络与支持向量机集成实现DNA结合蛋白预测CNN-SVM

DNA结合蛋白与很多疾病和症状的产生有着密切的联系,准确识别有助于促进医疗科技的发展。本文提出了一种基于序列特征的DNA结合蛋白预测模型。该模型采用蛋白质的位置特异性打分矩阵特征和预测溶剂可极性概率矩阵特征的变体,训练了一个卷积神经网络和支持向量机集成的分类器。实验结果证明,该方法在相同基准数据集上,其性能也远远高于其他方法,F1分数为87.8%。

基于LightGBM的蛋白质类泛素化修饰位点预测

蛋白质类泛素化修饰位点的准确识别对基础研究和药物开发都具有重要意义。该文提出了一种基于蛋白质序列特征的类泛素化修饰位点预测模型。该模型结合氨基酸的物理化学属性统计特征和氨基酸序列二元语法模式特征,训练一种轻量型梯度提升机(Light gradient boosting machine,LightGBM)分类器预测某个蛋白质序列的类泛素化修饰位点。该文对比了不同特征的鉴别性,以及不同分类模型的预测性能。在基准数据集上的试验结果证明了该文所提方法的有效性,相比于现有方法在性能上取得了明显的提升,马修斯相关系数为91.64%。

“四位一体”的计算机网络课程教学改革与实践

计算机网络是计算机学科基础及必修课程,持续提升教学质量有着重要的意义。以教学质量国家标准为框架,面向工程教育专业认证,结合学校应用型人才办学定位,分析闽南师范大学计算机网络课程教学的现状与问题。以问题为导向,设计“四位一体”综合改革模型,从教学方法、教师发展、资源保障及持续改进四个方面综合进行教学改革与实践。教学质量评估数据显示,反馈的问题大部分解决或缓解,改进效果比较明显。其中,学生评教对创客教育和开放实验室评价最高,同行评教对创客教育和教师发展评价最高。