面向信號肽預測的若干數(shù)據(jù)挖掘算法研究.pdf

1、信號肽因其在指導蛋白質路徑方面的重要作用，近年來成為生物信息學的研究熱點。單純的實驗方法預測信號肽及其剪切點耗時耗力，80年代以來研究者提出了很多不同的模式識別方法，大大提高了工作效率。這里重點討論了數(shù)據(jù)挖掘的各種技術在生物信息學的信號肽預測領域的幾方面應用，即全局比對算法用于計算信號肽序列間的相似性，和解決由滑動窗口產生的信號肽樣本不平衡問題。 本文主要工作包括： 1．全局比對算法用于計算信號肽序列間的相似性

2、信號肽預測的工作主要分為兩個方面：一是判斷是否為信號肽，二是預測信號肽的剪切點。判斷信號肽方面，目前的模式識別算法正確率已達92％~98％，而同樣的算法推廣至信號肽斷點的預測時，正確率則明顯下降。針對信號肽預測中的這一問題，我們首次提出了將全局比對算法用于計算信號肽序列間的相似性，用于信號肽剪切點預測當中。其中全局比對算法我們選擇了經典的Needleman-Wunsch算法，在探討了該算法的替換矩陣和空位罰分各參數(shù)意義之后，對空位罰分的

3、各參數(shù)選擇進行了詳細的研究，總結出規(guī)則。這一方法在新調整的參數(shù)下，預測準確率有了大幅提高。 2．信號肽預測中的樣本不平衡問題 在信號肽分類及其剪切點預測的研究中，對于目前為處理信號肽長度不一致的問題而普遍應用的滑動窗口方法，本文詳細論述了由其引發(fā)的嚴重的不平衡數(shù)據(jù)問題。為了解決這個問題，本文提出了一種新的雙重采樣方法：即同時對大樣本采樣和對小樣本重采樣，處理后的數(shù)據(jù)用SVM分類器分類。比較實驗證明，雙重采樣方法結合現(xiàn)有的

4、兩種單純采樣方法的優(yōu)點，使得分類器相較先前的方法有了大幅提高，取得了理想的實驗結果，我們最關心的小樣本(即信號肽正樣本)的正確率有了顯著的提高。該方法還能推廣到出現(xiàn)樣本不平衡問題的眾多其他領域。另外，針對SVM核函數(shù)的選擇，也進行了討論。實驗了最常用的三個SVM核函數(shù)：線性核，多項式核和RBF核在信號肽預測中的表現(xiàn)。 3．建立在線信號肽預測平臺 為了推廣我們的信號肽預測算法，更為了方便生物信息學家的研究需要，我們在互聯(lián)網(wǎng)