深度学习算法在蛋白质结构预测中的应用

发布时间：2023-04-25 22:00

　　随着时代的变迁,人类基因组学技术得到了极大的发展,与此同时,蛋白质序列数据和生物基因数据的数量也大大增加了,越来越多的科学研究者通过利用不同的数据分析方法来处理这些庞大的数据。在当下这个人工智能大数据时代下,通过各种算法模型在大量的生物数据上进行信息的挖掘已经成为了一种流行的研究方式。近些年来,机器学习和深度学习算法技术在生物信息学领域得到了广泛的发展应用和研究,并且已经取得了一些令人瞩目的成绩,例如本研究所要进行的蛋白质结构预测相关的问题等。本研究基于深度学习算法在预测蛋白质的结构上开展了一系列的工作,利用深度学习算法所预测得到的蛋白质结构,可以有效的为生物专家进一步研究蛋白质的功能提供技术支持,所以当下的研究重点就是完美的预测蛋白质的多级结构,进而通过所预测的蛋白质结构来助力蛋白质功能的探索。因此,本研究就其中的两个重要子问题:蛋白质的二级结构预测和蛋白质的残基接触预测,对预测方法进行了深度学习算法模型层面上的探索和研究,提出了有效的相应算法预测模型。本研究的主要工作如下:(1)本研究提出一种端到端融合多次多尺度卷积和多层次双向长短期记忆网络的模型,相较于其它主流基于机器学习的网络...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题背景与意义
    1.2 国内外研究现状
        1.2.1 蛋白质二级结构预测方法
        1.2.2 蛋白质残基接触预测方法
    1.3 主要研究内容及组织架构
第二章 理论基础
    2.1 蛋白质简介
        2.1.1 蛋白质的组成与结构
        2.1.2 蛋白质的二级结构
        2.1.3 蛋白质的残基接触
    2.2 深度学习理论
        2.2.1 神经网络
        2.2.2 CNN
        2.2.3 LSTM
        2.2.4 Highway Net
        2.2.5 Attention
    2.3 本章小结
第三章 基于多尺度卷积和循环神经网络的蛋白质二级结构预测
    3.1 引言
    3.2 蛋白质序列编码
    3.3 预测模型整体流程结构及方法
        3.3.1 采用多次多尺度卷积提取序列局部信息
        3.3.2 采用多次双向LSTM提取序列长程信息
        3.3.3 预测分类
    3.4 实验与分析
        3.4.1 实验材料
        3.4.2 实验结果
    3.5 本章小结
第四章 基于highway及 attention的蛋白质残基接触预测
    4.1 引言
    4.2 预测模型整体流程结构及方法
        4.2.1 采用基于highway的残差网络提取序列的特征信息
        4.2.2 采用基于highway的残差网络提取融合信息的特征信息
        4.2.3 采用注意力机制进一步提取特征信息
        4.2.4 残基接触预测
    4.3 实验与分析
        4.3.1 实验材料
        4.3.2 实验结果
    4.4 本章小结
第五章 工作总结与展望
    5.1 工作总结
    5.2 展望
致谢
参考文献
附录:作者在攻读硕士学位期间发表的论文



本文编号：3801146