检索结果-南通市图书馆

检索条件"主题词=深度学习预训练模型"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于多特征融合的膜蛋白分类研究

基于多特征融合的膜蛋白分类研究

引用

作者：崔庆宇济南大学

学位级别：硕士

蛋白质是构成人体细胞、组织的重要部分,是生命活动的主要承担者。膜蛋白是与细胞质膜或细胞器膜相结合的蛋白质,其在细胞增殖、分化、信号转导等活动中起着非常重要的作用,因此,针对膜蛋白类型进行精确分类成为一项重要课题。随着高通... 详细信息

蛋白质是构成人体细胞、组织的重要部分,是生命活动的主要承担者。膜蛋白是与细胞质膜或细胞器膜相结合的蛋白质,其在细胞增殖、分化、信号转导等活动中起着非常重要的作用,因此,针对膜蛋白类型进行精确分类成为一项重要课题。随着高通量生物实验方法积累了大量膜蛋白序列数据,研究人员利用膜蛋白序列信息训练分类模型,通过序列特征可以快速判断未知蛋白质类别。单一特征并不能全面表示蛋白质生物信息,而特征缺失将直接影响模型的分类准确性。为了更好地利用蛋白质不同特性的特征,采用多特征融合的方式描述序列是一个趋势。多特征融合可以避免单个特征提取方法的片面性,获得更多蛋白质特征信息,提高模型的整体分类性能。本文工作研究多特征融合的膜蛋白分类方法,完成的主要工作和取得的成果如下:（1）提出了基于特征融合、MRMD和支持向量机算法的高尔基体蛋白分类模型DLDW-MRMD-SVM。该方法首先使用二肽组成（DPC）、Local＿DPP、188D、word2vec提取蛋白质序列四种不同的特征集,通过特征组合的方式多角度地获取蛋白质特征信息,然后通过合成少数过采样技术（SMOTE）缓解数据集样本中正负例样本不均衡问题,数据集正负样本不均衡将对导致模型分类效果出现偏差的现象。随后使用MRMD（MaxRelevance-Max-Distance）算法进行特征选择,选择出最佳的特征向量。通过多个分类器的对比选择SVM作为分类算法,并构建出高尔基体蛋白分类模型。通过十折交叉验证和独立测试集验证,构建的高尔基体蛋白分类模型准确率分别达到了96.2%和95.6%,通过与其它预测模型对比,本模型优于其它高尔基体蛋白分类模型。（2）提出了基于深度表示特征与传统特征信息融合、自适应提升算法（Adaptive Boosting,Ada Boost）和SVM的噬菌体蛋白分类模型Unirep ACC＿PSSM-Ada Boost-SVM。首先,采用深度学习预训练模型Unirep对蛋白质进行特征提取,然后用传统的编码方式SAAC、188D、ACC-PSSM进行特征提取,在三种传统的编码方式中,基于氨基酸进化信息的编码方式ACC-PSSM表现最佳,Unirep深度表示特征则优于传统的编码特征。随后,采用Unirep深度表示特征与ACC-PSSM特征融合,采取SMOTE算法缓解正负例样本不均衡问题。Unirep特征向量和ACC-PSSM特征向量维数分别为1900维和800维,过高的特征向量维数会产生过拟合的风险,为了选择出最优特征子集,采取两步特征优化方式对融合特征进行处理:首先对这两种特征集分别使用Ada Boost筛选出特征重要性得分排名前300的特征向量;随后采用特征增量的策略,分别从这300维特征向量中再选出最佳的特征子集,最后将153维Unirep特征和122维ACC-PSSM特征输入到SVM分类器构建噬菌体蛋白分类模型。在十折交叉验证和独立测试集验证下,模型的准确率达到95.1%和89.6%,与其它噬菌体蛋白分类方法相比,本模型的分类性能较优。（3）开发了一种基于特征工程的多分类器集成膜蛋白分类工具。用户只需要加载数据集和训练集文件,根据需要选择合适的特征提取方法,特征选择方法。根据加载数据集正负样本比例情况选择是否需要使用SMOTE,最后将特征值输入选择的分类器中,训练出膜蛋白分类模型。除此之外,模型训练完成后,该工具会自动以CSV格式保存特征值,以PKL格式保存训练完成的分类器模型,方便用户进一步研究。

关键词：膜蛋白分类多特征融合深度学习预训练模型样本不均衡问题特征选择

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：