用主链局域结构关联特征识别疟原虫分泌蛋白

应用生物信息学方法识别疟原虫分泌蛋白和非分泌蛋白,为了提供快速的抗疟疾药物和疫苗的设计药物靶标筛选手段,采用径向核函数支持向量机进行疟原虫分泌蛋白和非分泌蛋白的分类识别.Jackknife检验结果表明,敏感性为85%,特异性为90%,总精度为88%.与现有的其它模型相比,在保证较高识别精度的前提下,大幅降低了模型所使用的特征数,增强了识别模型的鲁棒性.构建精度高且鲁棒性好的药物靶标蛋白质生物信息学识别模型,一方面可以为理解蛋白质功能机制提供有价值的线索,另一方面可作为针对病源蛋白进行药物和疫苗设计的快速筛查手段.

基于ACO-SVM的质谱数据分析

生物信息学应用领域存在高维小样本和内部空间疏散的特性,因而数据分析面临着巨大的挑战。基于此,在蚁群算法的搜索过程中将特征的信噪比作为先验信息,结合支撑向量用于筛选血清蛋白相关生物标记物,实验结果表明,该方法建立的癌症诊断模型取得了较好的分类性能测试仿真结果,敏感度和特异度分别达到94%和92.4%。

基于QPSO-SVM算法的SELDI-TOF质谱数据分析

生物信息学领域的微阵列分析、质谱数据分析等大规模机器学习问题的不断涌现,对已有的特征选择算法提出了严峻的挑战,迫切需要研究适应于高维小样本特征的、准确性和运行效率等综合性能较好的、新的特征选择算法。将基于量子粒子群算法(QPSO)与SVM结合,并将建立的诊断模型用于生物标记物的选择。实验结果表明,新的基于量子粒子群算法建立的模型不仅具有良好的预测精度,而且在速度上有大幅的提高。

酵母基因组核小体定位序列预测

核小体是染色质结构的基本单位,其在整条DNA序列上的定位分布情况,对于真核生物的基因表达调控起关键作用。用机器学习方法预测核小体定位成为近年来的研究热点。以DNA序列6-mer组分为参数,采用我们提出的多样性增量特征选择技术,筛选出8个6-mer作为分类特征。进一步,采用支持向量机算法,10折交叉检验的总精度达到98.2%。结果表明,核小体定位序列和连接序列核苷k-mer组分的特异化分布,是影响酵母核小体定位的主要因素。