蛋白质二级结构预测方法的评价

目前评价蛋白质二级结构预测方法主要考虑预测准确率,并没有充分考虑方法自身参数对方法的影响。本文提出一种新型评价方法,将内在评价与外在评价相结合评价预测方法的优劣。以基于混合并行遗传算法的蛋白质二级结构预测方法为例,通过内在评价,合理选取内在参数——切片长度和组内类别数,有效提高预测准确率,同时,通过外在评价,与其他基于随机算法的蛋白质二级结构预测算法比较和与CASP所提供的结论比较,说明了方法的有效性与正确性,以此验证内在评价和外在评价的客观性、公正性和全面性。

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。

蛋白质二级结构预测方法研究

为提高蛋白质二级结构预测精度,提出一种新的网络模型和编码方法。首先利用基因表达式编程(GEP)的全局搜索能力同时进化设计神经网络的结构和连接权;其次,对神经网络输入层编码进行了改进,添加了氨基酸残基所处的疏水环境。用PDB-Select25中的36条蛋白质共6122个残基进行测试,结果表明提出的网络模型和编码方法能有效提高蛋白质二级结构预测的精度。

基于SVM的蛋白质二级结构预测方法的研究

应用计算智能方法分析,有效地处理现实世界中的大规模数据,是当今人工智能、机器学习等领域所追求的目标之一.简单综述了SVM用于处理大规模数据方法的发展现状,并针对蛋白质结构预测中数据量庞大、数据维数过高等问题,提出了SVM基于分解算法的蛋白质二级结构预测的实现方法,并应用固定长度的字符串核对多类分类SVM算法进行了改进.实验表明,该方法是行之有效的.

基于长度信息和深度卷积神经网络分类建模的蛋白质二级结构预测方法

提出基于蛋白质长度信息和深度卷积神经网络分类建模的方法(Length Information and Deep Convolutional Neural Networks, LIM-DCNN),实现对于蛋白质二级结构的预测。实验得到的6分段模型,预测CASP9、CASP10、CASP11、CASP12和CB513的Q3准确率分别为83.67%、78.99%、78.53%、71.52%和85.94%,说明了基于蛋白质长度分类建模的有效性,并且实验得到的CB513结果明显优于其他许多经典的预测算法。

蛋白质二级结构预测方法的评价

蛋白质结构预测是后基因组时代的一项重要任务,蛋白质二级结构预测是蛋白质结构预测的关键步骤。现在一般认为,如果蛋白质二级结构的预测准确率达到80％的话,就可以基本准确地预测一个蛋白质分子的三维空间结构。目前蛋白质二级结构预测的方法不断涌现,提供二级结构预测的网站也逐渐增多。为给广大研究工作者在选择使用这些预测方法时提供一种参考,文章采用统一的标准对10种比较重要而且有效的方法进行测试,并在此基础上做出评价和分析,这10种方法是:GOR Ⅰ、PROF、GORⅣ、NNPREDICT、PHDsec、SSpro v 2.0、PSIPRED、PREDATOR、SOPMA和APSSP2。比较结果显示:APSSP2、SSpro v 2.0和PSIPRED方法的预测效果较好,可以作为使用时的首选方案,其中尤其以APSSP2方法的预测效果最佳。

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。

简单的一致性方法预测蛋白质二级结构

蛋白质二级结构预测对于我们了解蛋白质空间结构是至关重要的一步。文章提出了一种简单的二级结构预测方法,该方法采用多数投票法将现有的3种较好的二级结构预测方法的预测结果汇集形成一致性预测结果。从PDB数据库中随机选取近两年新测定结构的57条相似性小于30%的蛋白质,对该方法的预测结果进行测试,其Q3准确率比3种独立的方法提高了1.12—2.29%,相关系数及SOV准确率也有相应的提高。并且各项准确率均比同样采用一致性方法的Jpred二级结构预测程序准确率要高。这种预测方法虽然原理简单,但无须使用额外的参数,计算量小,易于实现,最重要的前提就是必须选用目前准确性比较出色的蛋白质二级结构预测方法。

蛋白质结构类预测的新方法──基于蛋白质二级结构序列的预测方法

提出了由蛋白质二级结构序列预测蛋白质结构类的新方法，并给出了预测蛋白质结构类的简明预测规则．与传统的由二级结构含量预测蛋白质结构类的预测结果进行了比较．

用人工神经网络方法预测蛋白质超二级结构

蛋白质超二级结构，即由α－螺旋和β－折叠等二级结构单元和连接短肽组成的超二级结构，是蛋白质结构研究中的一个重要层次。目前蛋白质超二级结构的预测工作尚属摸索阶段，还没有成熟的方法。人工神经网络预测方法是近年来在二级结构预测中发展起来的新方法。本文成功的将人工神经网络引入蛋白质超二级结构的预测工作中，结果表明蛋白质的超二级结构的发生与其局域的氨基酸的序列模式有重要联系，可以由蛋白质的一级结构序列预测该蛋白质是否包含某一结构形式的超一级结构（ＳｕｐｅｒｓｅｃｏｎｄａｒｙＳｔｒｕｃｔｕｒｅ），并且具有比二级结构高的结构预测精度。本文对神经网络的反向传播算法进行了修正，在计算中引入了动力因子，取得了良好的预测结果。

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。

结合支持向量机和贝叶斯方法进行蛋白质二级结构预测

组建一个分两个阶段的分类器来进行蛋白质二级结构预测。第一阶段由支持向量机分类器组成,在第二阶段中使用第一阶段已预测的结果来进行贝叶斯判别。预测性能的改进表明了结合支持向量机和贝叶斯方法预测性能优越于单独使用支持向量机的预测性能。同时也证明残基在形成二级结构时是相互影响的。

蛋白质二级结构预测的结构表达方法研究

蛋白质二级结构预测时,描述窗口内氨基酸残基序列的各种物理化学和分子结构参数的数量非常大,而且不能很好地直接体现氨基酸的连接顺序,这样就造成二级结构预测工作既费时效果又低下,因此,对这些数据预处理是非常必要的.研究发现,这些初始数据对应的变换矩阵的本征值谱与氨基酸残基序列情况无关,只与氨基酸的类别、数量性质有关,而其本征函数数据能够直接反映氨基酸残基的序列情况,利用有显著大小的本征值对应的本征函数作为描述参数,在进行蛋白质二级结构预测时,不但能够显著减少描述参数的个数,而且它体现了氨基酸顺序的变化,这将有效提高蛋白质二级结构预测研究效果.

蛋白质二级结构预测的多核学习方法

核方法应用于蛋白质二级结构预测已经有数年的历史。不过,基于单核的分类器只能将所有的特征一并处理,而非区别对待以利用其特性。为了将不同的特征融合,提出一种多核学习的方法,以实验方法对比单核和多核学习在蛋白质二级结构预测效果上的差别,并提出了多核学习方法可改进现有的核分类器。

自动编码器方法的蛋白质二级结构预测

蛋白质二级结构预测是进行蛋白质三级结构研究的重要基础,氨基酸的编码方式对二级结构预测有一定的影响。本文应用了一种新的组合编码方式,即将基团编码与位置特异性打分矩阵(PSSM)进行组合的编码方式。本文中提出的基团编码是针对氨基酸的一种新的编码方式,基团编码是根据氨基酸内部组成来进行编码的,由42位属性组成。本文选取位置特异性打分矩阵(PSSM)中的Blosum62进化矩阵和新的基团编码进行组合,形成新的编码方式。然后对CB513和25pdb两组数据分别进行实验。本文中将采用贝叶斯分类器与自动编码器两种方法来对这种新的编码方式进行实验,然后比较这两种方法得到的两组数据的结果。可以很明显的发现采用自动编码器的实验结果要比使用贝叶斯分类器的结果要高出1.65%。在本文的实验中,可以提取特征的自动编码器的预测准确率更好。

蛋白质二级结构预测方法初探

蛋白质二级结构的预测是生物信息学中一个重要的研究课题,在对蛋白质组的研究中也是最具难度的一个问题。进行二级结构预测对于理解蛋白质结构与功能的关系,以及分子设计、生物制药等领域都有重要的现实意义。同时也是一级结构与三级结构所联系的媒介,也为三级结构的研究打下基础。虽然目前预测的方法有几十种,但准确率最高的也只有70%多,本文对于目前方法进行分析,希望从中得到更加准确的方法。

应用连续小波变换预测蛋白质的二级结构

将代码为 1gca蛋白质的氨基酸序列映射为疏水值序列 ,在合适的尺度下 ,通过连续小波变换法分别对其α螺旋 ,α螺旋和 β折叠之间的连接多肽 (即部分规则和无规则二级结构 )进行预测 ,准确率分别为 76.5 %和 85 .7% .从PDBsum数据库中随机抽取 10 0个蛋白质作为测试对象 ,其中全α螺旋、全 β折叠、α/β以及α +β蛋白质各 2 5个 .在 10 0个蛋白质中共有 1618个连接多肽和 747个α螺旋 .本法预测到的连接多肽共有 15 3 6个 ,其中 13 0 8个与实际结构一致 ,平均预测准确率为 85 .2 % ;预测到的α螺旋有 770个 ,其中 5 81个与实际结构一致 ,平均预测准确率为 75 .5 % .结果表明 :该法可较好地预测蛋白质的α螺旋、连接多肽 。

用于真实蛋白质结构预测的一种新的优化方法

用“相对熵”作为优化函数 ,提出了一个有效快速的折叠预测优化算法 .使用了非格点模型 ,预测只关心蛋白质主链的走向 .其中只用到了蛋白质主链上的两两连续的Cα 原子间的距离信息以及 2 0种氨基酸的接触势的一个扩展形式 .对几个真实蛋白质做了算法测试 ,预测的初始结构都为比较大的去折叠态 ,预测构象相对于它们天然结构的均方根偏差 (RMSD)为 5～ 7 .从原理上讲 ,该方法是对能量优化的改进 .

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%。

神经网络在蛋白质二级结构预测中的应用

本文简要介绍了蛋白质二级结构预测的研究意义 ,简要地叙述了BP网络的原理 ,并且对于近年来用神经网络方法在蛋白质二级结构预测中的主要工作进展做了较为详细的评述 .最后 ,介绍了人工神经网络在生物信息学中的应用前景 .