基于PCA和SVM的线性B细胞表位预测研究

发布时间：2017-07-03 22:24

  本文关键词：基于PCA和SVM的线性B细胞表位预测研究

  更多相关文章： B细胞 特征提取 主成分分析 支持向量机

【摘要】：抗原表面被B细胞表面受体所识别的是B细胞表位,并与之抗体特异性结合的区域。B细胞表位具备自己的特征并在抗原表面分布着,其分为线性排列、构象性排列,其依附于抗体和抗原中,从而引起了免疫中的应答反应,其疫苗的研发和治疗疾病方面作为一种有效的防治手段体现出了很大作用。近年来,研究者们开始于通过计算机进行表位预测,进行验证后续相应的数据相关信息,这种计算机技术与科学实验相互结合的方法,不仅可以节约大量稀缺资源,降低成本,还能够获得比较完善的实验结果,从而大大提高了工作的速度。本文主要的研究工作是构建了线性B细胞表位的标准数据集,首先文章基于抗原表面氨基酸的五大类特征,同时AAindex数据库提供的527个氨基酸理化性质,进行特征提取,应用了一种主成分分析(PCA)降维的线性B细胞表位预测方法,其次对总体抗原氨基酸进行分类应用支持向量机的方法,利用PCA降维方法的线性B细胞表位预测算法的核心思想主要是针对不同氨基酸的理化性质进行亲和肽的预测,我们重点考虑了氨基酸的特异性,因为太过于单一的预测方案会降低整体预测器的性能,不能发挥它的作用。我们先使用PCA降维,再应用支持向量机的算法可以较好地避免这个问题,有效地提高了B细胞表位预测算法的性能,进而预测所有可能的表位,并使用准确率、敏感性、特异性和马氏相关系数4个评价参数建立了一个全面的评价体系。
【关键词】：B细胞 特征提取 主成分分析 支持向量机
【学位授予单位】：东北师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R392;TP18
【目录】：

• 中文摘要3-4
• 英文摘要4-7
• 引言7-8
• 第一章 绪论8-12
• 1.1 B细胞表位预测研究背景8-9
• 1.1.1 线性B细胞表位预测简介8-9
• 1.1.2 构象性B细胞表位预测简介9
• 1.2 研究目的与意义9
• 1.3 国内外研究现状9-10
• 1.4 本文主要研究内容10-12
• 第二章 相关背景知识介绍12-18
• 2.1 线性B细胞表位预测相关数据库简介12-13
• 2.1.1 BciPep数据库12
• 2.1.2 AAindex数据库12-13
• 2.2 线性B细胞表位预测方法简介13-15
• 2.2.1 ABCPred14
• 2.2.2 BCPred14
• 2.2.3 COBEpro14
• 2.2.4 BayesB14
• 2.2.5 CBTOPE14-15
• 2.3 机器学习相关知识简介15-18
• 2.3.1 主成分分析15
• 2.3.2 支持向量机15-16
• 2.3.3 核函数16-18
• 第三章 基于PCA和SVM的线性B细胞表位预测研究18-26
• 3.1 数据集的构建18-19
• 3.1.1 原始训练数据集18
• 3.1.2 精简测试数据集18-19
• 3.1.3 测试和训练数据集图表19
• 3.2 特征提取19-23
• 3.2.1 氨基酸特征20
• 3.2.2 序列特征20-21
• 3.2.3 结构特征21-22
• 3.2.4 其它特征22-23
• 3.3 基于PCA的线性B细胞表位预测方法23-24
• 3.4 基于SVM的线性B细胞表位预测方法24-25
• 3.5 小结25-26
• 第四章 测试结果和分析26-33
• 4.1 评价参数26-27
• 4.2 基于PCA和SVM的线性B细胞表位预测结果27-29
• 4.2.1 基于PCA和SVM的线性B细胞表位预测测试数据集分析27-28
• 4.2.2 基于PCA和SVM的线性B细胞表位预测结果分析28-29
• 4.3 算法结果分析29-31
• 4.3.1 本文参数分析29
• 4.3.2 与其它结果比较分析29-31
• 4.4 小结31-33
• 第五章 结论与展望33-35
• 5.1 全文总结33
• 5.2 研究展望33-35
• 参考文献35-38
• 英文缩略表38-39
• 致谢39-40
• 在学期间公开发表论文及著作情况40

【参考文献】

中国期刊全文数据库 前2条

1 董娇娇;刘子钰;刘春宇;张友;;线性B细胞表位预测应用研究[J];计算机光盘软件与应用;2013年24期

2 黄艳新;鲍永利;李玉新;;抗原表位预测的免疫信息学方法研究进展[J];中国免疫学杂志;2008年09期

，

本文编号：515397