检索结果-南通市图书馆

生物物理学报 2008年第3期24卷 239-244页

作者：张同亮丁永生顾全孙登宽东华大学信息科学与技术学院上海201620

了解真核细胞中细胞核内蛋白质的定位情况对于新发现蛋白质的功能注释具有重要意义。随着蛋白质数据库中蛋白质序列数量的急速增加,采用计算方法来预测蛋白质亚核定位已经成为蛋白质科学领域研究的热点。根据Chou提出的伪氨基酸组成离... 详细信息

了解真核细胞中细胞核内蛋白质的定位情况对于新发现蛋白质的功能注释具有重要意义。随着蛋白质数据库中蛋白质序列数量的急速增加,采用计算方法来预测蛋白质亚核定位已经成为蛋白质科学领域研究的热点。根据Chou提出的伪氨基酸组成离散模型,提出了一种新的蛋白质亚核定位预测方法。计算蛋白质序列的近似熵作为附加特征构建伪氨基酸组成,表示蛋白质序列特征,AdaBoost分类算法作为预测工具。与已报道的亚核定位预测方法的性能相比,这种方法具有更高的准确率。

关键词：蛋白质亚核定位伪氨基酸组成近似熵 AdaBoost分类器

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于ACC变换和RFE算法的蛋白质亚核定位预测

引用

计算机工程与应用 2016年第15期52卷 83-87页

作者：李小苇刘太岗陶珮莹王春华上海海洋大学食品学院上海201306 上海海洋大学信息学院上海201306

获取真核细胞中细胞核内蛋白质定位的信息对注解蛋白质功能具有非常重要的意义。针对于利用计算方法预测蛋白质在亚核水平上的定位更具挑战性的问题,提出了基于自互协方差变换与递归特征消除预测蛋白质亚核定位的方法。该方法基于位置... 详细信息

获取真核细胞中细胞核内蛋白质定位的信息对注解蛋白质功能具有非常重要的意义。针对于利用计算方法预测蛋白质在亚核水平上的定位更具挑战性的问题,提出了基于自互协方差变换与递归特征消除预测蛋白质亚核定位的方法。该方法基于位置特异性得分矩阵利用自互协方差变换构建蛋白质序列的特征向量,采用递归特征消除法进行特征选择,选用支持向量机作为预测工具,并在两个经典数据集SC714和LD504上进行了夹克刀测试。实验结果表明,该方法比大多数已报道的预测方法具有更高的预测准确率。

关键词：蛋白质亚核定位位置特异性得分矩阵自互协方差变换递归特征消除

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

利用进化模糊K近邻及其集成预测蛋白质亚核定位

引用

济南大学学报（自然科学版） 2010年第4期24卷 376-379页

作者：刘立元陈月辉马炳先曹毅济南大学信息科学与工程学院山东济南250022

针对从蛋白质原始序列中预测蛋白质定位及功能信息这个生物信息学中研究的热点问题,提出进化模糊K近邻算法(Evolutionary Fuzzy K-Nearest Neighbor,EFKNN)直接处理多分类问题的预测模型,用EFKNN及其集成直接从蛋白质序列中预测蛋白质... 详细信息

针对从蛋白质原始序列中预测蛋白质定位及功能信息这个生物信息学中研究的热点问题,提出进化模糊K近邻算法(Evolutionary Fuzzy K-Nearest Neighbor,EFKNN)直接处理多分类问题的预测模型,用EFKNN及其集成直接从蛋白质序列中预测蛋白质亚核定位。采用5种特征提取算法从蛋白质序列中提取特征,训练了5个基于EFKNN的基分类器,并根据得票量大小原则集成每个基分类器的分类结果作为待测样本的输出。将蛋白质亚核定位预测中常用的数据集SNL9作为训练集,利用jackknife测试方法预测了数据集中每条单定位亚核蛋白,正确率为70.0%,表明该模型可以作为蛋白质亚核定位预测的工具或对现有预测模型和方法的补充。

关键词：蛋白质亚核定位集成学习进化模糊K近邻粒子群优化算法 Jackknife验证

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于特征融合和降维算法的蛋白质亚核定位研究

基于特征融合和降维算法的蛋白质亚核定位研究

引用

作者：刘树慧云南大学

学位级别：硕士

随着人类基因组测序的完成,高通量测序技术逐步流行,使得蛋白质序列大量产生。对新测得序列的蛋白质功能的掌握则成为生物信息学研究的热点之一。众所周知,蛋白质需要在生物体细胞内执行其生物活动,进而得知蛋白质的亚细胞、亚核定位信... 详细信息

随着人类基因组测序的完成,高通量测序技术逐步流行,使得蛋白质序列大量产生。对新测得序列的蛋白质功能的掌握则成为生物信息学研究的热点之一。众所周知,蛋白质需要在生物体细胞内执行其生物活动,进而得知蛋白质的亚细胞、亚核定位信息与蛋白质的功能紧密相关,并且蛋白质亚核定位信息还为遗传和癌症等方面疾病的预防、诊断与治疗提供有效的线索。然而传统的通过生物学实验的方法获取蛋白质亚核定位信息需消耗大量的时间与金钱。近年来,随着计算机科学快速地发展,利用机器学习的方法研究蛋白质亚核定位成为生物信息学研究的一个热点,并且基于机器学习的方法所开发出的定位方法预测速度快且代价较低。本文正是利用机器学习的方法对蛋白质亚核定位问题展开深入研究。首先全面地对蛋白质亚核定位的基本知识、问题的背景与意义以及研究现状进行阐述;同时对蛋白质亚核定位的主要研究内容给出详细地描述;然后不同角度地对蛋白质序列特征表达和分类器的选择进行探讨,并归结了当前蛋白质序列表达方法存有的问题;最后提出了本文研究蛋白质亚核定位的突破点。提出基于特征融合和有监督的局部保持投影的蛋白质亚核定位方法。由于传统的特征表达只局限于单一方面序列信息来提取蛋白质特征,并且基于传统的特征表达,设计分类模型时,没有分析序列表达的数据分布,使得特征表达与分类方法之间比较孤立,于是,该方法首先对具有序列互补性信息的表达进行融合,得到一种具有高效判别信息的特征融合表达;然后利用有监督的局部保持投影学习数据低维流形,对提出的融合表达降维处理,得到类间分割、类内保持的低维判别特征,依据此数据分布,选用K-近邻分类方法预测序列的亚核位置;最后该方法在两种标准数据集上进行多种对比实验均取得较高的预测精度。该方法充分利用传统序列表达包含信息的互补性,并考虑序列表达的数据分布与分类模型的关联性,使得该方法在整体预测精度上有较大的提高。但是该方法忽略了不同亚核位置蛋白质的差异性,为此提出了本文研究的另一创新点。提出基于高效的融合表达和线性判别分析的蛋白质亚核定位方法。该方法依据不同特征表达包含的序列信息不同,进而对亚核定位的贡献程度不同,以及不同亚核位置上的蛋白质的功能不同的性质,通过精细化各亚核位置上蛋白质的这些差异性,提出对不同亚核位置上的特征数据进行不同程度的融合处理,构建出包含高效判别信息的两种高维融合表达;其中,利用遗传算法求取融合表达的各亚核位置上的特征融合系数。由于得到的融合表达的维度高且融合表达包含的信息有冗余,为此,利用线性判别分析降维处理所提出的融合表达,选出亚核定位预测精度最高时的数据维度,同时开发出本章的蛋白质亚核定位分类器。在两种标准数据集上运行大量实验,结果表明提出的方法具有较高的预测精度,且分类器的性能也较高。

关键词：蛋白质亚核定位融合表达降维有监督局部保持投影线性判别分析

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

基于多信息融合与多标签集成分类器预测蛋白质亚核与ncRNA亚细胞定位

基于多信息融合与多标签集成分类器预测蛋白质亚核与ncRNA亚细胞...

引用

作者：彭勇内蒙古大学

学位级别：硕士

蛋白质和非编码RNA在细胞中的分布对于理解生物大分子相互作用和功能以及药物研发等都具有重要作用,而通过实验来确定二者在细胞中的位置费时费力,急需有效的分类系统来进行预测。本文从建立数据集、特征表达、特征筛选、分类算法、检... 详细信息

蛋白质和非编码RNA在细胞中的分布对于理解生物大分子相互作用和功能以及药物研发等都具有重要作用,而通过实验来确定二者在细胞中的位置费时费力,急需有效的分类系统来进行预测。本文从建立数据集、特征表达、特征筛选、分类算法、检验方法、评价指标、实例研究和结果分析等方面详细讨论了蛋白质与非编码RNA亚细胞定位的预测。首先建立了真核生物蛋白质的亚核定位数据集与古核生物蛋白质的亚细胞定位数据集,并提取蛋白质的四类特征信息：序列信息、进化信息、GO注释和蛋白质翻译后修饰。其中序列信息指的是分段氨基酸组分和基于二项分布进行了筛选的三肽组分;进化信息即过滤后的序列谱是根据位置特异性打分矩阵,计算出蛋白质序列的保守位点的序列谱;基因本体论则用一条序列的同源序列的GO注释来表达该条序列,然后基于Shannon信息对GO进行了筛选,最后转化为逻辑向量;而翻译后修饰则是考虑蛋白质序列的磷酸化丝氨酸、磷酸化苏氨酸、磷酸化络氨酸、乙酰化和甲基化位点的数目。然后把四类特征分别输入由KNN和SVM构成的二分类器系统,采用投票法来决定蛋白质在细胞中的一个或多个位置,最后用留一法进行检验,取得了较好的预测结果。对于非编码RNA,本文则是第一次从理论上对其亚细胞定位进行研究,首先构建了一个ncRNA亚细胞定位数据集,然后综合三种k-mer组分信息,利用SVM和KNN构成的集成分类器对ncRNA的亚细胞定位进行预测,得到了86.75%的预测成功率。文章最后总结了以上三个工作,并对蛋白质和非编码RNA亚细胞定位的预测提出了一些进一步的设想。

关键词：蛋白质亚核定位非编码RNA 亚细胞定位多特征融合特征筛选 SVM-KNN多标签集成分类器

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

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

在线全文

在线全文

在线全文

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

在线全文

在线全文

在线全文

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：