基于深度神经网络的甲型H3N2流感病毒抗原性预测

发布时间：2022-07-13 12:25

　　甲型H3N2病毒是一种呼吸道病毒,其表面的蛋白血凝素（hemagglutinin，HA）负责与细胞受体进行结合,从而导致病毒的入侵,同时它也是诱导宿主产生保护性抗体时最重要的抗原物质,是流感疫苗筛选的主要因素。为了逃避宿主免疫,HA的氨基酸序列变化非常快,而这种持续和累积的变化会产生新的抗原株,从而导致季节性流感疫情,甚至造成全球范围的流感大爆发。因此,流感病毒在全世界范围内严重威胁着人类的公众健康。目前,流感疫苗是预防流感和阻止流感疫情爆发最有效的手段,而疫苗免疫效果主要取决于疫苗株和流行株之间的抗原性。因此,分析抗原性对流感疫情的监测和疫苗的选择是至关重要的。深度神经网络成功应用到包括生物信息学的很多领域,但在流感抗原性预测问题上的有效性还没有得到验证。因此,针对甲型H3N2流感病毒及其抗原性特点,本文提出了一种甲型H3N2病毒的抗原性编码方法,设计了甲型H3N2流感病毒抗原性预测模型,在两个数据集上对所设计模型进行对比分析。实验结果表明本文设计的模型优化了甲型H3N2流感病毒抗原性预测。本文的具体工作包括以下四个方面。第一,本文提出了一种甲型H3N2流感抗原性的编码方法。该编码将... 

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
        1.1.1 甲型流感病毒
        1.1.2 甲型H3N2病毒的抗原性预测
    1.2 研究现状
        1.2.1 基于计算方法的流感抗原性预测
        1.2.2 深度神经网络及其在生物数据分析中的应用
    1.3 本文工作
    1.4 论文结构
第二章 甲型H3N2抗原特征表示
    2.1 蛋白质特征的基本表示方法
    2.2 甲型H3N2流感的抗原特征
    2.3 甲型H3N2流感抗原性特征编码
    2.4 本章小结
第三章 基于BiLSTM的A/H3N2抗原性预测模型
    3.1 LSTM神经元和双向LSTM神经网络
    3.2 基于BiLSTM神经网络的A/H3N2抗原性预测模型
        3.2.1 模型设计
        3.2.2 模型参数和训练
    3.3 实验及分析
        3.3.1 实验环境、数据和评价指标
        3.3.2 实验设计
        3.3.3 实验结果与分析
    3.4 本章小结
第四章 基于CNN的A/H3N2抗原性预测模型
    4.1 卷积神经网络模型
    4.2 基于CNN的A/H3N2抗原性预测模型
        4.2.1 模型设计
        4.2.2 模型参数和训练
    4.3 实验及分析
        4.3.1 实验设计
        4.3.2 实验结果与分析
    4.4 本章小结
第五章 基于注意力机制CNN的A/H3N2抗原性预测模型
    5.1 注意力机制(Attention)
    5.2 基于注意力机制CNN的A/H3N2抗原性预测模型
        5.2.1 模型设计
        5.2.2 模型参数和训练
    5.3 实验及分析
        5.3.1 实验设计
        5.3.2 实验结果与分析
    5.4 本章小结
第六章 总结与展望
参考文献
攻读硕士学位期间完成的科研成果
致谢


【参考文献】：
期刊论文
[1]基于卷积长短时记忆神经网络的蛋白质二级结构预测[J]. 郭延哺,李维华,王兵益,金宸.  模式识别与人工智能. 2018(06)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[3]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)

硕士论文
[1]人工神经网络在生物信息学中的应用研究[D]. 马蒙.中国海洋大学 2015



本文编号：3660038