使预测准确度更高的496蛋白质数据训练集.pdfVIP

科技信息 博士·专家论坛 使预测准确度更高昀496蛋白质数据训练集 河北大学生命科学学院刘 明 闫蓬勃刘建国 [摘要]实验对当争主流的3种蛋白质数据训练桌进行了研竞。目的是为了建立一个新的训练集从而能更堆确的把 蛋白质曲每个囊基畦表基归羹为正确砧二量结椅。例如，q螺旋、S折叠或无规则卷鸯。在旁析了传统的蛋白质数据矾 练亲的敷据蛄构以及研览了巳发表的传境的训练集改良方法之后，独创性的实验设计出改盘的t96蛋白质敷据训练 V比tor 摹并且用LmgVM(supportMach土ne，支持向量机)来预测蛋白质二越蛄构，并且获得了i高的sov损测准 确度。LIBsVM是在皖计学中应用于旁奠领域曲一种程序．近年来的实验表明它十分适合应用于蛋白质二衄蛄构分 类预洲领域，并且表现卓越。 [关键词]改良的蛋白质数据训练集LⅡ；SvM蛋白质二氲蛄构预测 1简介 1．1蛋白质二级结构预测方法的发展过程 蛋白质的三级结构决定着蛋白质的生物学功能。虽白质预测的最终目标是通过蛋白质的一级序列预测出该蛋白质的三维结 构。然而，通过目前将近半个世纪的研究情况来看，蛋白质空间结构的形成规律和原理还没有彻底被人类掌握(Rost叽d and O’DonoEhue，1997)。1951年，LinusPauling准确的提}}I了螺旋和折叠的构型(Pauling 白质二级结构预测的准确度仅为5060％左右。基本上讲，我们一般对三种二级结构进行预测：n螺旋，B折叠和无规则卷 曲。二级结构的预测发展史大致经过下面三代： 1．1．1第一代方法第一代预测方法源于上世纪六、七十年代，主要靠统计每种氨基酸属于哪种=级结构的方法来预 测。例如以前的著名实验：chou和Fas眦的工作(1974)。GOR (1994)，P皿(3rd)(1994)等等。平均准确度为50％左右。 1．1|2第二代方法第二代预测方法源于上世纪八、九十年代，这一代的发展主要得益于大量的蛋白质结构信息数据库 Theory(妣tchellef 以及统计学的广泛应用。具有代表性的有：孛}l经网络算法姐i卸andsejn佃ski，1988)，Graph 8‘1992) 8nd 和Noarest—neighbor(Yi 种二级结构的预测准确度低于7096，(z)B折叠的准确度低于50％，(3)对序列的长度有限制，一般为短序列， 1．1．3第三代方法第三代的进步主要得益于信息时代的迅猛发展。众所周知．基刚的突变会对蛋白质的结构稳定性和 功能产生巨大影响，然而，氨基限残基的性质却带有根高的保守性。第三代计算方法主要应用更大规模的蛋白质数据库和更科 and 学的计算方法，准确度也突破了70％(Rostsander，2000)。成绩突出的主要有： and et (Przybylski和Rost．2002)应用的多重神经网络算法，sⅧpsi(Huasun，2001：Kim和Park，2003：Guo8』，2004) dt et 她删psi应用的最大熵Markov模型(Liu8』，2004)，cRFpsi应用的条件性随机测算(Liu et 用的多重线性回归算法伯in a』’2005)。 1．2支持向量机的定义 支持向量机(supportvectorMachine，svM)最早由vlBdiⅢir 法程序。svM与神经网络有一定程度的相似，但sⅧ近来被广泛应用于分类学研究。就是说，当svll经过一个给定的规律不 明的数据集的训练后，当再给出一个新的由这种被不明确规律分类的数据集时，svM就能够应用经过训练学到的方法把数据 归类。 sⅦ可以通过模型识别来学会如何对数据进行分类。机器学习计算技术的目的是