基于Wasserstein生成对抗网络和残差网络的8类蛋白质二级结构预测

蛋白质二级结构包含充分的蛋白质信息,而且蛋白质二级结构是研究蛋白质三级结构和药物设计的基础,因此,本文提出了一种基于Wasserstein生成对抗网络(WGAN)和残差网络(ResNet)的蛋白质8态二级结构预测的方法。该方法首先通过Wasserstein生成对抗网络(WGAN)提取蛋白质特征,将其与PSSM结合成新的特征集合,然后将新的特征集合输入到残差网络(ResNet)预测并得到最终结果。经过实验,该方法在测试集CASP10-14和CB513中的Q8预测准确率分别为73.21%,72.43%,71.67%,69.83%,70.17%和73.89%。通过实验表明,Wasserstein生成对抗网络(WGAN)具有出色的特征提取能力,ResNet能够有效地训练深层网络结构,从而提高蛋白质二级结构的预测精度。

基于自注意力机制和GAN的蛋白质二级结构预测

蛋白质二级结构预测是蛋白质组计划中的一个重要组成部分,为提高蛋白质二级结构的预测准确率,同时减小训练规模,提出了一种基于自注意力生成对抗网络(Self-Attention generative adversarial network,SA-GAN)的深度学习模型。该模型利用生成对抗网络(generative adversarial network,GAN)提取隐式特征,其次将提取的特征结果与蛋白质序列的位置特异性矩阵(position specific scoring matrix,PSSM)结合作为网络的输入,其中,自注意力模块与卷积增强的GAN共同作用,得到预测结果。在测试数据集CASP10,CASP11,CASP12,CASP13,CASP14和CB513上分别获得了83.93%,83.61%,84.13%,84.86%,84.02%和83.37%的Q3准确率。实验结果表明,SA-GAN模型对于提取生物序列特征、获取长程依赖全局信息和提高蛋白质二级结构预测准确率的作用十分显著,具有较强的表达能力和竞争力。

基于关联度分析的工作面动力灾害二级预测

为了提高矿井动力灾害预测的实用性和有效性,在相关煤层动力灾害一级预测的基础上,充分考虑抽采效应和采动工程效应,基于关联度理论预测参数关联度分析与计算,查明特定工作面矿井动力灾害的发生的模式,建立工作面动力灾害二级预测模型,实现了工作面动力灾害进行动态预测。以平顶山十二矿己15-17200工作面为例,分别预测了该工作面在自然状态下、采取瓦斯抽采措施后和工作面推进到停采线时3种情况下发生动力灾害的危险性,并且与实际开采情况进行对比。结果表明,该方法预测矿井动力灾害准确性较高,提高了煤矿生产的安全性与稳定性。

RNA二级结构预测方法综述

RNA二级结构预测是计算分子生物学中的一个重要领域.本文介绍了RNA二级结构的预测方法,包括该问题的数学模型、主要算法思想以及每种算法对应的软件.在tRNA和RNase P RNA数据库中随机选取了几组样例对目前主要的7种软件进行测试,同时对每种软件的优缺点进行了详细比较.实验证明,当存在同源序列时,Pfold的效果优于其它软件.最后,在总结分析现有算法的基础上探讨了该领域进一步的研究方向.

基于级联神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出一种由两层网络构成的级联神经网络模型。第1层网络采用具有差异度的5个子网构成的网络模型,对第2层网络的输入编码进行改进。对PDBSelect25中的36条蛋白质共6122个残基进行测试,结果表明,该模型能有效预测蛋白质二级结构,其预测精度分别比SNN,DSC,PREDSATOR方法提高5.31%,1.21%和0.92%,平均预测精度提高到69.61%。

面向FPGA的RNA二级结构预测并行算法研究

动态规划是RNA二级结构预测最主要的算法,文中提出一种对动态规划矩阵采用分块技术的细粒度并行算法,通过对数据依赖关系的分析,引入了流水的策略,提高了算法的效率.在时钟模拟器上验证了算法的正确性,获得了一系列关于并行加速比、空泡率、存储访问带宽等问题的模拟结果,确定了FPGA PE阵列设计中的基本参数,为FPGA成功实现奠定了基础.

基于CPU-GPU混合计算平台的RNA二级结构预测算法并行化研究

RNA二级结构预测是生物信息学领域重要的研究方向,基于最小自由能模型的Zuker算法是目前该领域最典型使用最广泛的算法之一。本文基于CPU+GPU的混合计算平台实现了对Zuker算法的并行和加速。根据CPU和GPU计算性能的差异,通过合理的任务分配策略,实现二者之间的并行协作计算和处理单元间的负载平衡;针对CPU和GPU的不同硬件特性,对Zuker算法在CPU和GPU上的实现分别采取了不同的并行优化方法,提高了混合加速系统的计算性能。实验结果表明,CPU处理单元在混合系统中承担了14%以上的计算任务,与传统的多核CPU并行方案相比,采用混合并行加速方法可获得15.93的全局加速比;与最优的单纯GPU加速方案相比,可获得16%的性能提升,并且该混合计算方案可用于对其它生物信息学序列分析应用的并行和加速。

隐马尔可夫模型—改进的预测蛋白质二级结构方法

引入蛋白质二级结构预测的新方法:隐马尔可夫模型.其中将蛋白质的二级结构分成三类:H(指α-螺旋),E(β-折叠)及O(包括转角,卷曲及其他结构).该方法属于统计方法,但考虑了相邻氨基酸之间的相互作用(体现在状态传输概率).通过模型的改进及参数的确定后,我们编制了程序HMMPS.用它来预测蛋白质二级结构,具有很高的准确度.其中关于H1E和O的准确率分别达到80.1％,72.0％和63.2％.这表明,我们的方法是较为可靠的.

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。

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。

基于常用得分矩阵的神经网络法预测蛋白质的二级结构

本文用常用的得分矩阵代替传统的Qian编码作为神经网络的输入层预测了200个蛋白质二级结构。结果表明:以常用得分矩阵作为输入层的预测结果要优于Qian编码的预测性能。在200个蛋白质中,共有9个蛋白质的预测精度达到目前国际先进水平,即80%。这说明该方法具有一定的可行性。

日新月异的RNA二级结构预测

对RNA结构与功能的研究是当今生物信息学一个非常重要的课题 ,对RNA自身功能的认识在当前已经得到了极大的拓展和深入 ,而研究它更可以作为研究蛋白质结构与功能以及DNA序列中基因信息的突破口 .本文系统介绍了从上世纪 70年代以来发展至今的各类RNA二级结构预测算法 ,从对RNA结构预测方法的追溯和跟踪 ,对当今RNA研究的进展和形势作了一个总结 ,并预测了这一领域未来的研究发展趋势 .

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。

离散蛙跳算法预测RNA二级结构

针对RNA二级结构预测问题,提出了一种离散蛙跳算法,根据RNA分子折叠的特点,重新定义个体的移动距离和位置,并借鉴粒子群优化算法中的惯性权重加以改进,使算法在空间探索和局部求精间取得了很好的平衡.与同领域中著名的预测软件进行了仿真比较,结果表明新的算法具有较高的预测精度.

基于禁忌遗传算法的RNA二级结构预测

生物RNA二级结构预测是生物信息学领域的一个重要研究问题。近来,研究人员提出应用元启发式算法来预测RNA二级结构。该文提出基于禁忌遗传算法的RNA二级结构预测方法(TGARNA),给出茎区相容性检测改进方法,保留最长茎区构造茎区相容个体,以改善种群性能;同时将禁忌搜索融入遗传操作以防止近亲繁殖,保持种群多样性。仿真实验表明TGARNA算法能够有效预测RNA二级结构。

基于遗传算法的蛋白质二级结构预测方法研究进展

蛋白质二级结构预测方法的研究目前已成为生物信息学研究的重要课题之一。为此,从从头预测、比较建模和混合方法3个方面阐述了近几年遗传算法在蛋白质二级结构预测中的应用研究进展,并分析了算法的效果和特点,最后展望了遗传算法在蛋白质二级结构预测中应用的前景与方向。

蛋白质二级结构的协同训练预测方法

针对蛋白质二级结构机器学习预测方法,忽略氨基酸疏水性特征以及氨基酸之间的长程作用和准确率不高的现状,进行了比较实验分析。采用氨基酸对应的疏水能值替换蛋白质中相应的氨基酸,得到疏水能值的序列。实验结果表明,用长的疏水能值序列训练BP网络,对长程作用起主导的E结构的预测效果好。由于Pro-file编码特征和疏水能值特征是独立的冗余视图,基于协同训练思想,提出Co-training算法。该算法的主要步骤是在Profile特征空间训练SVM分类器,在疏水性特征空间训练BP神经网络分类器,协同对氨基酸二级结构进行预测;SVM分类器和BP分类器有分歧的样本,基于主动选择思想,分析分类器以及特征空间的特点,定义质疑样例和可信样例,给予两个分类器不同的优先级进行仲裁。实验表明,Co-training方法有较高的准确性,对短程起主导的E结构和长程起主导的H结构预测准确率都有所提高。

GP-MaxEnt模型的蛋白质二级结构预测

针对单序列蛋白质二级结构预测问题,提出了一种基于高斯先验最大熵(GP-MaxEnt)模型的预测方法.该方法根据氨基酸的构象偏好进行特征构造,利用改进迭代缩放算法(ⅡS)训练高斯先验最大熵模型.使用CB513数据集对GP-MaxEnt模型进行了测试分析.试验表明,该方法简单有效,能够获得较好的预测精度.

应用ANN/HMM混合模型预测蛋白质二级结构

针对3-状态隐马尔可夫模型(hidden Markov model,HMM)预测蛋白质二级结构准确率不高的问题,提出15-状态HMM,通过改进的算法与BP神经网络相结合进行二级结构预测。研究对象为CB513数据集中筛选出的492条蛋白质序列,将其随机均分7组。应用混合模型进行预测,对准确率进行7-交叉验证,Q3准确率达77.21%,SOV值为72.52%。结果表明,混合模型既能充分考虑相邻氨基酸残基间的相互影响,也能在一定程度上照顾二级结构的远程相关性,因此带来了较好的预测准确率。

蛋白质二级结构的条件隐Markov性及其预测问题

蛋白质二级结构预测问题自1957年首次被提出迄今已有40多年了,从知道的文献中可以得出如下信息:在统计意义之下,蛋白质序列中氨基酸之间的相互作用较弱,所以,统计方法中所依赖的独立性假设虽然不是从物理背景中得来的,但的确有其合理性和方便之处;交互信息准则优于均方误差准则;信息和统计的思想和方法在预测二级结构中不可低估;加入蛋白质的一级结构之外的信息可帮助提高二级结构预测的精度;而直接从一级结构出发无附加信息的情况下预测二级结构,现存在的预测方法的预测精度仍然无较大突破;预测精度和所使用的蛋白质样本序列在总体样本中的覆盖率,是评估各种预测方法的有效性的两个重要指标。本文作者建立了一个集蛋白质一、二级结构为一体联合结构模型,并将上述信息囊括在其中。由该模型首先得到蛋白质一、二级结构的信息与统计特性,然后利用这些特性分别对蛋白质一、二级结构中各种变量的信息传递关系及隐Markov性进行定量分析和确切地统计描述。最后给出直接从一级结构出发预测二级结构的几个原则。