基于InceptionV3_SVM模型的蛋白质-ATP绑定位点预测

蛋白质-ATP绑定位点预测作为近年来生物医学领域的热点研究之一,对于医药学的发展极其重要。为了提高蛋白质-ATP绑定位点预测的准确率,提出了一种基于深度卷积神经网络和支持向量机融合(InceptionV3_SVM)的预测方法。首先对蛋白质序列进行特征提取,再采用InceptionV3模型扩大输入数据感受野,对卷积神经网络提取到的深度特征应用SVM分类器进行训练,得到最终预测结果。实验结果表明,该预测方法能够更精确的识别蛋白质-ATP绑定位点。

基于随机下采样和SVR的蛋白质-ATP绑定位点预测

将蛋白质序列的ATP绑定位点与非绑定位点进行分类是个不平衡的二分类问题,其中绑定位点是样本数目稀少的正类样本,非绑定位点是样本数目众多的负类样本。根据机器学习关于可以将分类问题作为回归问题的特例的观点出发,并根据所研究问题本身的特点,在此提出一种基于随机下采样和支持向量回归的蛋白质-ATP绑定位点预测方法。首先,使用滑动窗口抽取蛋白质序列中每个残基的特征,得到一批不平衡的两类样本;其次,应用随机下采样策略,消除正负样本存在的显著不平衡;最后,使用支持向量回归建立预测模型,并选取合适的阈值进行蛋白质-ATP绑定位点的预测。在标准数据集上的实验结果以及与几种最新报道的预测方法的对比结果,验证了本文所述方法的有效性。

基于支持向量机集成的蛋白质与维生素绑定位点预测

在蛋白质与维生素绑定位点预测问题中,小类样本和大类样本之间存在显著的不平衡性,传统的机器学习方法将不再适用。针对此问题,在多重随机下采样的基础上结合支持向量机(SVM)集成来预测蛋白质与维生素的绑定位点,采用了一种改进的Ada Boost集成方法,称为MAda Boost集成。通过实验比较了不同的集成策略,其中MAda Boost集成效果最优。实验结果表明,采用随机下采样结合SVM集成将有效提高蛋白质维生素绑定位点预测的精度。

青鳉与三刺鱼嗅觉受体(OR)基因的鉴定与进化分析

嗅觉是动物至关重要的感官,而嗅觉受体基因则构成了嗅觉的基础.嗅觉受体跟环境气味分子的相互作用被认为是嗅觉过程发生的第一步.气味分子结合被认为发生在由跨膜区形成的一个口袋结构中,而直接结合位点叫做绑定位点.以往的研究显示,绑定位点可能因为功能分化而受到正向选择.本研究对青鳉和三刺鱼的基因组中鉴定了OR基因,并对这些序列进行了进化分析.通过不同跨膜区与整个编码区的选择压力的比较,发现跨膜区4,5,6有较高的平均Ka/Ks值,这可能在某种程度上由正向选择所致.同时发现,许多受正向选择的位点主要分布在跨膜区.通过进一步分析发现,许多PTSs与哺乳类中推测的绑定位点重叠或邻近.有趣的是,正向选择发生在3个物种特异的分支中.对于三刺鱼中的嗅觉受体基因来说,它们的进化模式似乎遵循一种"适应辐射模型",因为正向选择发生在两个新近扩张的分支中.这些结果均支持鱼类嗅觉受体基因在进化中受到正向选择的假说.