基于深度神经网络和集成方法的蛋白质相互作用预测研究

发布时间：2021-04-20 14:41

　　蛋白质是生命的物质基础之一,其相互作用（protein-protein interaction,PPI）几乎控制所有细胞过程,对生物体内各种生理功能的执行发挥着至关重要的作用,掌握这种作用关系不仅有助于理解生命活动的执行机制,也能够为疾病形成与发展、药物设计等提供重要理论支撑。传统生物实验每次能够测定的蛋白质对数目有限,且时间等花销较大,存在局限性。相比之下,使用计算的方法具有省时省力且灵活性高的特点,因此受到了较多关注,其中,基于机器学习的计算方法已成为了研究热点。在后基因组时代,基因序列数据等资源丰富,为基于机器学习方法预测蛋白质间相互作用关系的广泛应用奠定了基础,众多预测方法应运而生。随着机器学习算法的发展,模型的性能得到了持续的提升,但是一些新的模型在蛋白质互作预测研究中却并未得到充分利用。其次,生物数据类别较多,如何充分利用已有数据进行预测并没有统一标准,且不同的特征提取方法与分类器之间常互相限制,当替换分类器时有时需要同时更换数据和特征提取方法才能够维持好的预测性能。针对这些问题,本文提出了基于深度神经网络和基于集成学习模型的两种PPI预测方法。基于深度神经网络的PPI预测... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 本文的组织结构
第2章 蛋白质相互作用预测概述
    2.1 蛋白质相互作用简介
    2.2 常用数据资源
        2.2.1 蛋白质相互作用数据库
        2.2.2 基因本体论
    2.3 算法性能评估
    2.4 本章小结
第3章 基于深度神经网络的蛋白质间相互作用预测方法
    3.1 深度神经网络
    3.2 算法设计
        3.2.1 算法流程
        3.2.2 数据集
        3.2.3 构建特征向量
        3.2.4 建立神经网络
    3.3 实验结果分析
    3.4 本章小结
第4章 基于集成学习的蛋白质间相互作用预测方法
    4.1 集成学习和随机森林
    4.2 连续小波变换及尺度-小波能量谱
    4.3 算法设计
        4.3.1 算法流程
        4.3.2 数据集
        4.3.3 构建特征向量
        4.3.4 建立学习模型
    4.4 实验结果分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
作者简介及在学期间所取得的科研成果
致谢


【参考文献】：
硕士论文
[1]基于序列与支持向量机预测蛋白质相互作用的数据集构造与精度分析[D]. 王彬.华南理工大学 2013



本文编号：3149871