基于GSVM的蛋白質(zhì)磷酸化功能聚類.pdf

1、蛋白質(zhì)磷酸化在細胞生長、分化、凋亡整個過程中扮演至關重要的角色。磷酸化蛋白質(zhì)的特定位點能起到開關該蛋白質(zhì)某種功能的目的，從而實現(xiàn)在不同生物過程中該蛋白發(fā)揮不同作用的目的。這一過程是通過磷酸激酶催化來實現(xiàn)的。同時，磷酸激酶的催化作用也可以被抑制劑終止，以阻止磷酸激酶對蛋白質(zhì)的磷酸化。研究表明，磷酸化異常是導致人類疾病的重要原因之一，通過抑制劑終止磷酸激酶的催化作用，將異常磷酸化功能阻斷，可以實現(xiàn)疾病治療。因此，磷酸激酶及其抑制劑的交互作用

2、是當今病理學和生物信息學研究的熱門問題之一。
　　現(xiàn)有與磷酸激酶研究相關的算法主要集中于磷酸位點的預測，然而大多已預測的磷酸肽的磷酸激酶信息未知。而且現(xiàn)有算法在閾值選取及窗口長度劃分問題上多采用定值，導致算法只能處理部分數(shù)據(jù)，而對另外部分數(shù)據(jù)失效。除此之外，磷酸激酶信息的缺失，對抑制劑的篩選影響很大。鑒于此，本文旨在設計有效算法確定催化蛋白質(zhì)的磷酸激酶，以及能與磷酸激酶相互作用從而終止磷酸化過程的抑制劑。本文研究主要工作如下:

3、r>　　(1)針對磷酸激酶信息缺失的問題，設計了基于貝葉斯的磷酸激酶預測算法。該算法結(jié)合信息熵及大津法篩選磷酸肽有效位點，在最佳窗口長度下，通過計算磷酸激酶信息缺失的磷酸肽序列貝葉斯條件概率，預測其最可能的磷酸激酶。
　　(2)針對磷酸激酶抑制劑維度很高的問題，設計了基于GSVM的磷酸激酶抑制劑篩選算法。該算法通過粒度劃分，準確篩選磷酸激酶-抑制劑特征，從而提高分類性能。同時，利用Platt Scaling計算樣本權重，構造帶權分

4、類算法進一步提高分類性能。
　　(3)針對磷酸激酶-抑制劑正樣本較少，未標記樣本很多的情況，本文對磷酸激酶抑制劑篩選算法采用了半監(jiān)督學習算法(PU learning)建模。PU learning算法設計初衷就是處理正樣本較少、未知樣本很多的問題，因此能很好的預測磷酸激酶-抑制劑結(jié)合問題。同時，該研究把PU learning算法與GSVM相結(jié)合，構造多級分類器，提高了對未標記磷酸激酶-抑制劑交互作用分類的性能。
　　實驗結(jié)果表