基于加权自相关函数特征提取法的多类蛋白质同源寡聚体分类研究

我们提出一种新的特征提取方法,即用蛋白质序列的氨基酸组成成分和一系列的氨基酸残基指数加权自相关函数构成特征向量,表示蛋白质序列,与支持向量机算法组合对蛋白质同源二聚体、同源三聚体、同源四聚体、同源六聚体进行分类研究,得到较好的分类结果。在Jackknife检验下,采用支持向量机算法,基于此新特征提取法所构成的参数集QIANA、QIANB、MEEJ、ROBB和SNEP的总分类精度分别为77.63%、77.16%、76.46%、76.70%、75.06%,分别比传统氨基酸组成成分特征提取法(参数集为COMP)提高6.39、5.92、5.22、5.46、3.82个百分点。对于参数集QIANA,支持向量机的总分类精度为77.63%,比协方差算法提高16.29个百分点。这些结果表明:(1新特征提取法是有效和可行的,基于此特征提取法构成的特征向量包含蛋白质四级结构信息,且可能捕获了埋藏在缔合亚基作用部位接触表面的基本信息;(2)对于蛋白质同源寡聚体分类研究,支持向量机是非常有效的。

加权短时自相关函数的基音周期估计算法

语音基音频率的准确检测是语音信号处理的难点之一。提出一种加权短时自相关函数(Autocorrelation Function,ACF)算法提取基音频率。在传统的ACF方法基础上,利用短时平均幅度差函数(Average Magnitude Difference Function,AMDF)的平方对ACF函数进行加权,由此加强短时自相关函数在基音周期倍数处的峰值特性。对提取出的基频曲线做平滑处理。实验结果表明,该方法提高了基音周期检测的准确率。

一种自适应时移与阈值的DCT语音增强算法

针对现有语音增强方法在低信噪比下性能降低的问题,提出了一种自适应时移与阈值的离散余弦变换语音增强算法.首先,对软阈值函数进行改进,既能消除噪声主导帧中的噪声,也能消除语音主导帧中的噪声,并依据信噪比自适应地选择阈值,较大程度地保留了语音的原始特征.其次,依据基音周期自适应地选择分析窗时移,降低了固定分析窗时移产生的白噪声,并且引入短时自相关函数和短时平均幅度差函数相结合的加权自相关函数,来进行基音周期的检测,提高了基音周期检测的准确性和对噪声的鲁棒性.理论分析与仿真结果表明,该算法在信噪比低至-5dB噪声环境下,相比现有的经验模态分解算法和子空间算法,输出信噪比有较大提高,鲁棒性更好.

基于整合蛋白质进化保守性的伪氨基酸组成成分预测蛋白质亚细胞定位(英文)

蛋白质亚细胞定位信息对于确定蛋白质功能非常重要,它可以提供蛋白质在什么细胞环境下相互作用或与其它分子作用的信息,另外,如果知道蛋白质在细胞中的定位将有助于在细胞水平上理解复杂的蛋白质调控路径。面对后基因时代产生的海量蛋白质序列数据,迫切需要-些自动、快速、准确地确定蛋白质亚细胞定位的方法。为此,通过整合蛋白质进化保守信息,文章提出一种新的方法预测亚细胞定位。该方法基于Chou的伪氨基酸组成成分概念,应用改进的进化保守性算法计算蛋白质序列中每一个残基的保守值,从而使每一蛋白质序列可用基于小波多尺度能量而构建的特征向量来表示。另外,蛋白质序列还可用其它特征提取方法提取的特征向量来表示,如氨基酸组成成分、加权自相关函数和矩描述子。将这些特征向量输入到多类支持向量机分类器,通过积规则系统融合这四类特征分类器的分类结果。与他人结果相比,在Jackkife交叉验证下和独立样本测试下,该方法获得了较高的预测精度,说明提出的整合蛋白质进化保守性和多特征分类器融合思想,对于蛋白质亚细胞定位预测是有效的,可与现有方法互补。

基于一种新的特征提取法和支持向量机的膜蛋白分类研究

引入加权思想,以一种新的特征提取法,即加权自相关函数,表示蛋白质序列,与支持向量机组合,并采用“一对多”、“一对一”分类策略对膜蛋白进行分类研究,结果有明显改善。在采用支持向量机算法及“一对多”分类策略下,加权自相关函数特征提取法的每一类别分类精度、Matthews相关系数和总分类精度都要高于氨基酸组成成分特征提取法相应的分类结果, 其总分类精度和脂链锚锭蛋白的分类精度分别为87．98％、65．85％,比氨基酸组成成分特征提取法分别提高3．38、9．75个百分点;“一对一”策略的总分类精度可达到94．88％,比“一对多”策略提高6．9个百分点;支持向量机机器学习算法的分类能力优于贝叶斯协方差统计算法,其总分类精度比贝叶斯协方差算法最大可提高15．6个百分点。