学位论文-07720172-朱昱倍.doc

中图分类号： 单位代号：10280 密 级： 学 号 硕士学位论文 SHANGHAI UNIVERSITY MASTER DISSERTATION 题 目 蛋白质生物功能的机器学习方法研究 作 者 朱昱倍 学科专业 物理化学 导 师 陆文聪 教授 完成日期 二零壹零年五月 上海大学 本论文经答辩委员会全体委员审查,确认符合上海大学硕士学位论文质量要求。 答辩委员会签名： 主任： 委员： 导 师： 答辩日期： 原 创 性 声 明 本人声明：所呈交的论文是本人在导师指导下进行的研究工作。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已发表或撰写过的研究成果。参与同一工作的其他同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 签 名： 日 期： 本论文使用授权说明 本人完全了解上海大学有关保留、使用学位论文的规定，即：学校有权保留论文及送交论文复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容。 （保密的论文在解密后应遵守此规定） 签 名： 导师签名： 日期： 上海大学理学硕士学位论文 蛋白质生物功能的机器学习方法研究 姓 名：朱昱倍 导 师：陆文聪 教授 学科专业：物理化学 上海大学理学院 二零壹零年五月 A Dissertation Submitted to Shanghai University for the Master’s Degree in Science Using Machine Learning Methods In Invesigation of Protein’s Biological Functions M. D. Candidate：Zhu Yubei Supervisor：Prof. Lu Wencong Major：Physical Chemistry Science College, Shanghai University May, 2010 摘要 近些年来，随着信息技术和生物检测手段的不断发展，生命科学的数据资源急剧膨胀。实验工作者在产生大量数据的同时，也对理论研究者提出了更多的难题。利用机器学习这一方法来分析这些数据，我们可以从中找出隐含的规律和模式，从而进一步加深对事物的认识。本文就是采取这一研究方法，对蛋白质的生物功能进行建模和预报。 在本文的工作中，我们使用了机器学习方法来对蛋白质和小分子的相互作用、蛋白质糖基化位点的识别进行建模和预报。另外我们还探讨了一系蛋白质列生物功能在线预报系统的建设和优化。本文的主体工作分为三个部分： 用集成学习算法对蛋白质和小分子的相互作用进行研究。我们针对代谢途径下的酶和底物之间的相关作用，建立了相互作用预报模型。通过对数据集的变量筛选和降维的评价，我们保留了原有的变量集合。在后续的建模过程中分别用AdaBoost，Bagging, SVM, KNN, 决策树对酶和底物进行建模。10组交叉验证和独力测试集的结构显示，集成学习方法AdaBoost，Bagging的分类能力最好，都达到了71%以上。而我们接着又把不同的分类器组合集成后发现,前2个性能最好的集成学习算法和KNN组合后的体系具有最好的推广能力，其独立测试集中正样本的正确率又在原先最好的结果下提高了近4%，而其总体正确率也达到了84.6%。结果证明，多重集成学习算法可以用来研究蛋白质和小分子相互作用，所得到的模型有很好的预测性能。此外，我们根据所建立的酶和底物相互作用的预测模型，同时开发了相应的在线预报系统。 用CFS-Wrapper筛选变量法结合AdaBoost集成方法对蛋白质O端糖基化位点进行研究。在许多的生化过程中都需要有O-端糖链的参与。然而糖基化是一个复杂的过程，迄今为止还未得出一个固定的模式。我们对收集到的糖基化和非糖基化肽段, 并用肽段中残基的物化参数，以AAIndex库中的数据进行表征。分别尝试了CFS方法以及PCA主成分变换进行变量筛选。在进行初步的变量筛选后，分别用SVM、KNN、C4.5、AdaBoost、Bagging对不同的变量筛选方法进行多组交叉验证和独立测试集的评