基于机器学习的蛋白质热点残基预测方法的研究-计算机软件与理论专业论文.docxVIP

万方数据 万方数据 摘 要 随着人类基因组和许多其它物种基因组序列测序计划的成功完成，不断增长的 基因组序列数据提供了数百万条蛋白质的编码信息。实验证明蛋白质相互作用主要 依赖相互作用界面上的少部分关键残基，并且这些关键残基对蛋白质相互作用的结 合自由能的贡献更加显著，这些关键残基也被称为热点。这些热点残基对蛋白质相 互作用的界面显得十分重要。因此，预测蛋白质相互作用界面上的热点残基对更好 理解蛋白质相互作用的本质以及帮助缩小药物设计的空间搜索上越来越重要。 近年来，研究人员从各种角度出发，提出了很多的计算方法来预测蛋白质相互 作用热点。本文从蛋白质序列和结构出发，使用蛋白质各种特征属性，并在此基础 上提出了两步特征选择算法和基于贝叶斯推断的最小二乘支持向量机的学习方法来 预测蛋白质相互作用热点残基。在应用计算方法来研究蛋白质相互作用界面热点残 基时，如何选择有效的生物特征是需要解决的关键问题。我们首先从蛋白质序列和 结构出发，提取了 65 种与热点残基可能相关的生物特征。然后设计了一个两步特征 选择算法，从这些特征中选取了 12 种特征，构建了一个的基于最小支持向量机的分 类模型。在建立模型的过程中，运用贝叶斯推断方法对最小二乘支持向量机的正规 化参数、核函数参数进行优化选择，获取基于参数后验概率最大化的最优参数组合， 进而构建可准确预测蛋白质相互作用热点预测的优化模型。为了证明我们方法的有 效性，我们在一个独立的测试集上验证我们的方法。实验结果证实了我们的方法能 有效地对热点残基进行分类，与其它的方法对比在预测精度上有了相应的提高。 关键词：蛋白质相互作用；热点残基预测；两步特征选择；最小二乘支持向量机； 贝叶斯推断 I Abstract With the accomplishment of genome sequencing projects of human and other species, the increasing availability of genome sequencing data provides sufficient encoding information for hundreds of thousands of proteins. The experiments have shown that protein-protein interactions are critically dependent on just a few residues, and only the these crucial residues termed hot spots contribute significantly to the binding free energy of protein-protein interactions. Hot spots play the crucial roles in various protein-protein interaction interfaces. Therefore, hot spot prediction becomes increasingly important for well understanding the essence of protein-protein interactions and helping narrow down the search space for drug design. A number of computational methods have been explored for the hot spot prediction at protein-protein interfaces. In this thesis, we present a two-step feature selection and prediction method using LS-SVM based on Bayesian inference by obtaining various features from protein sequence and structure, in which how to choose effective biometric should be well addressed. We first extract 65 features from a combination of proteins sequence and structure information. Then we design a two-step feature selection method to acquire featu