特征提取及分類(lèi)算法在膜蛋白分類(lèi)預(yù)測(cè)問(wèn)題中的應(yīng)用.pdf

1、基因是能夠自我復(fù)制,永遠(yuǎn)保存的單位,它的生理功能是以蛋白質(zhì)的形式表達(dá)出來(lái)的。細(xì)胞中有大約30％的蛋白質(zhì)是膜蛋白。膜蛋白作為生物膜的主要組成成分之一,是生物膜功能的主要承擔(dān)者,在生物體中發(fā)揮著極其重要的作用。面對(duì)數(shù)量龐大的膜蛋白序列信息,利用傳統(tǒng)的分子生物學(xué)實(shí)驗(yàn)方法來(lái)預(yù)測(cè)膜蛋白結(jié)構(gòu)類(lèi)型不僅費(fèi)時(shí)費(fèi)力,還會(huì)遇到一些目前無(wú)法解決的困難,已經(jīng)難以滿足現(xiàn)實(shí)的要求。
　　 膜蛋白序列的特征提取和分類(lèi)是膜蛋白分類(lèi)預(yù)測(cè)研究中最基本的問(wèn)題之一,也是

2、決定膜蛋白分類(lèi)質(zhì)量的關(guān)鍵。本文以膜蛋白序列的分類(lèi)預(yù)測(cè)為主題,針對(duì)膜蛋白序列的特征選擇算法、分類(lèi)算法進(jìn)行了相關(guān)的研究,現(xiàn)將主要工作和創(chuàng)新之處概括如下:
　　 (1)本文將線性降維方法應(yīng)用到膜蛋白分類(lèi)預(yù)測(cè)問(wèn)題中?，F(xiàn)今,在膜蛋白特征提取算法中,二肽組成(DC)已逐漸被證明比傳統(tǒng)的氨基酸組成(AAC)更有效。然而通過(guò)此方法雖然可以取得較高的分類(lèi)預(yù)測(cè)精度,但是從膜蛋白序列特征中提取出的屬性特征向量的維數(shù)一般都很高,它在全面描述膜蛋白序列信

3、息的同時(shí),也帶來(lái)了“維數(shù)災(zāi)難”問(wèn)題,使得膜蛋白預(yù)測(cè)系統(tǒng)的計(jì)算復(fù)雜度很高。為了解決這一問(wèn)題,我們將線性降維方法應(yīng)用于膜蛋白分類(lèi)預(yù)測(cè)問(wèn)題中。首先采用二肽組成(DC)方法從膜蛋白序列中提取出高維屬性特征向量,然后采用線性降維方法從高維DC空間數(shù)據(jù)中進(jìn)行二次提取,提取出重要的低維特征向量,接著在降維后的低維特征向量上再進(jìn)行分類(lèi)預(yù)測(cè),最后預(yù)測(cè)結(jié)果表明采用該方法的預(yù)測(cè)準(zhǔn)確率要高于不采用線性降維方法的預(yù)測(cè)方法,證明了將線性降維方法應(yīng)用于膜蛋白類(lèi)型預(yù)測(cè)

4、問(wèn)題中的可行性和有效性,簡(jiǎn)化了膜蛋白預(yù)測(cè)系統(tǒng),提高了預(yù)測(cè)效率。
　　 (2)本文提出五種新的基于降維的組合特征提取算法。本文首先引入線性降維的思想,構(gòu)造了兩種基于線性降維的組合特征提取算法:結(jié)合二肽組成和主成分分析算法,構(gòu)造了新的特征提取算法DC_PCA;結(jié)合二肽組成和線性判別分析算法,構(gòu)造了新的特征提取算法DC_LDA。通過(guò)實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的基于二肽組成(DC)的膜蛋白分類(lèi)模型以及基于氨基酸組成(AAC)的膜蛋白分類(lèi)模型相

5、比較,基于線性降維的組合特征提取算法所構(gòu)造的分類(lèi)模型所達(dá)到的分類(lèi)預(yù)測(cè)精度更高。為了得到具有更好分類(lèi)性能的膜蛋白分類(lèi)模型,更好的預(yù)測(cè)膜蛋白序列中所蘊(yùn)含的結(jié)構(gòu)和功能信息,本文又構(gòu)造了三種基于非線性降維算法的組合特征提取算法:結(jié)合二肽組成和核心主成分分析算法,構(gòu)造了新的特征提取算法DC_KPCA;結(jié)合二肽組成和核心線性判別分析算法,構(gòu)造了新的特征提取算法DC_KLDA;結(jié)合二肽組成和鄰域保護(hù)嵌入算法,構(gòu)造了新的特征提取算法DC_NPE。實(shí)驗(yàn)結(jié)

6、果表明,與傳統(tǒng)的基于二肽組成(DC)的膜蛋白分類(lèi)模型以及基于氨基酸組成(AAC)的膜蛋白分類(lèi)模型相比較,基于非線性降維的組合特征提取算法所構(gòu)造的分類(lèi)模型所達(dá)到的分類(lèi)預(yù)測(cè)精度更高。為了得到分類(lèi)精度最好的分類(lèi)模型,本文對(duì)五種組合降維特征提取算法做了比較,結(jié)果表明,基于DC_KLDA的模型分類(lèi)精度最高,針對(duì)標(biāo)準(zhǔn)數(shù)據(jù)集CE2059,經(jīng)過(guò)Jackknife檢驗(yàn),該模型的總體分類(lèi)精度達(dá)到92.71％,比目前常用的基于氨基酸組成的分類(lèi)模型提高了15.

7、1～30.59個(gè)百分點(diǎn);針對(duì)標(biāo)準(zhǔn)數(shù)據(jù)集CE2625,該模型的獨(dú)立測(cè)試集檢驗(yàn)總體分類(lèi)精度達(dá)到94.12％,比目前常用的基于氨基酸組成的分類(lèi)模型提高了14.69～31.42個(gè)百分點(diǎn)。
　　 (3)基因芯片技術(shù)從基礎(chǔ)上改善了研究生物技術(shù)的方法和效率,對(duì)基因組學(xué)及后基因組研究產(chǎn)生了重要的影響,但海量信息的獲得也對(duì)數(shù)據(jù)的分析及信息特征提取提出了新的挑戰(zhàn)。為了解決當(dāng)基因數(shù)據(jù)維數(shù)急劇升高時(shí)無(wú)法維持較高的分類(lèi)準(zhǔn)確性和效率的問(wèn)題,本文在傳統(tǒng)近似支