基于Hadoop环境下蛋白质与配体分子对接模拟实验研究

蛋白质种类和小分子的数量过多,对于药物的模拟开发运算量巨大。而分子对接是研究新药的重要手段,因此提高分子对接实验系统的工作效率十分重要。分子对接主要目的是研究蛋白质受体和配体小分子之间的作用与联系。本文通过模拟实验,搭建了一个Hadoop平台,并利用Hadoop强大的并行计算能力对蛋白质(1ppe与1uy6)与多组数量不同的配体小分子进行对接,最后对工作过程进行了相应的比较与优化。实验结果表明,该系统可以有效提高对接效率,并且具有较好的稳定性和便利性。     

基于融合神经网络模型的药物分子性质预测

在生物信息学领域,人工智能方法在预测药物分子的物理化学性质和生物活性中获得了重大成功,特别是神经网络已被广泛应用到药物研发中.但是浅层神经网络的预测精度低,深度神经网络又容易出现过拟合的问题,而模型融合策略有望提升机器学习中弱学习器的预测能力.据此,文中将模型融合方法首次应用到药物分子性质的预测中,通过对药物分子的化学结构进行信息化编码,采用平均法、堆叠法融合浅层神经网络,提高对药物分子pKa预测的能力.与深度学习方法相比,堆叠法(Stacking)融合的模型具有更高的预测准确性,其预测结果的相关系数达到0.86.通过将多个弱学习器的神经网络有机组合可使其达到深度神经网络的预测精度,同时保留更好的模型泛化能力.研究结果表明,模型融合方法可提高神经网络对药物分子pKa预测结果的准确性和可靠性.     

CAPRI第32～37轮竞赛中蛋白质复合物结构的预测和评估

为了探究蛋白质复合物的结构与相互作用,建立了蛋白质的分子对接方法,从2014年起参加蛋白质复合物结构预测竞赛的预测和打分竞赛.该方法首先采用结构模建方法预测单体蛋白质分子的结构,通过快速傅里叶变换进行全空间构象搜索.然后,优化蛋白质复合物构象,并采用全原子统计势函数进行评价.总结第32~37轮CAPRI竞赛结果发现,该方法在T104、T105、T111和T118比赛中挑选出了L_(RMSD)小于2.0×10~(-10)m的近天然结构.通过对比其他国际优秀课题组的方法,分析预测和打分比赛中取得的成绩和不足之处,并为后续的研究提出了改进方案与建议.     

基于CPU和GPU异构的蛋白质分子半柔性对接算法优化

分子对接是预测蛋白质复合物的有效手段。对于分子对接算法的优化旨在加速分子对接效率,降低计算成本,以及充分发挥计算资源的利用率。本文主要采用3个方案对半柔性对接算法进行优化：（1）方案一在CPU端进行优化;（2）方案二在方案一的基础上,利用CUFFT的移植工具CUFFTW为方案一提供部分GPU并行接口;（3）方案三利用GPU并行架构,通过CPU和GPU的协同处理,利用纯并行计算接口进行优化。3种方案对PDB code分别为1PEE,1B6C,4HX3和2SNI的测试蛋白进行结合态和自由态的对接,求得的最小均方根偏差L_RMSD小于5 Å,满足了复合物结构预测竞赛要求的中等精度结构标准,验证了对接结果的正确性。最后在保证结果正确性的前提下,测试了不同蛋白在不同方案下的运行速率;在保证不同蛋白对接效率相同的前提下,以1PPE为例,比较了不同方案下的对接速率。实验结果表明在同等旋转步长并保证程序运行结果正确性的前提下,最终的优化效果可提速近10倍,有效改进了半柔性对接算法的运行速率。     

“数字图像处理”课程实验教学研究与探索

本文针对应用型本科“数字图像处理”课程的实验教学,设计了一套以创新应用型人才培养为目标的实践教学体系。提出了以“验证理解-模仿设计-改进创新”为主导的实践教学模式,采用偏重实验过程考核的成绩评定体系。结果表明,该实践教学模式有利于激发学生的学习兴趣、调动自主学习的积极性,提高了实践教学质量。     

基于深度学习的癫痫脑电信号分类

有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维时间序列数据转换为二维图像,使用EfficientNetV2模型来实现癫痫检测的二分类。同时,引入梯度加权类激活映射（Gradient-weighted class activation mapping, Grad-CAM）对二维图像分类进行可视化分析。对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验,EfficientNetV2模型的准确率达到了98.69％,优于BiLSTM模型。结果表明,EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类,而且分类准确率更高。     

基于图像插值的小样本手写数字识别研究

人工智能方法的高性能通常需要有充足的数据来训练模型参数。如何在数据量不足的情况下提升模型的性能,即小样本学习,是人工智能领域的重要研究方向之一。本文提出了基于图像插值的小样本学习策略,并在手写数字图像识别任务中验证了该策略的可行性。系统研究了全连接神经网络和卷积神经网络对MNIST和USPS手写数字图像识别的小样本学习性能。计算结果表明,基于图像插值的数据增强方法可以显著提升神经网络在小样本数据中的特征提取能力和学习效率,且选择合适的图像插值缩放系数可以进一步优化神经网络的小样本学习性能。     

机器学习预测化合物的雌雄激素受体活性

预测一种化合物的雌雄激素受体的活性，对于避免暴露于环境中类似雌雄激素的化学物质是非常重要的。采用包括支持向量机、随机森林等多种机器学习方法，利用Binding Database数据库建立了预测活性的定量结构-活性关系（quantitative structure-activity relationship,QSAR）模型，并对模型进行验证与评估。评估结果发现，随机森林结合扩展连通性分子指纹对数据集预测准确率为0.83，其受试者工作特征曲线（receiver operating characteristic curve, ROC）得到的数据集曲线下面积（area under curve, AUC）为0.892，表明该模型具有广泛且良好的预测能力。该研究建立的活性预测模型可用于化合物的活性预测，为内分泌化合物的活性评估和风险管理提供参考。     

基于双边随机投影算法的光学相干层析成像降噪

为了解决光学相干层析成像（Optical coherence tomography, OCT）系统中的散斑噪声问题,提出了一种基于双边随机投影的光学相干层析成像去噪算法。基于三维OCT图像相邻帧的生物组织结构之间的高度相似性及图像高分辨率的特性,将原始OCT图像信号分解为无噪低秩矩阵、稀疏矩阵以及噪声矩阵;然后采用双边随机投影算法进行求解,提取低秩矩阵,从而去除噪声,恢复无噪图像;在临床数据集上对本文算法进行了测试,并通过信噪比（Signal to noise, SNR）、对比度噪声比（Contrast to noise ratio, CNR）以及等效视数（Equivalent number of looks, ENL）3个指标对降噪效果进行评价。实验结果表明,与稳健性主成分分析算法相比,本文算法在信噪比、对比度信噪比以及等效视数指标上分别提高了1.22 dB、0.84 dB和59.5,能更有效地抑制散斑噪声,且计算复杂度较低。     

蛋白质-配体分子对接中构象搜索方法

分子对接是研究蛋白质-配体分子间相互作用与识别的有效方法。分子间的相互作用过程中形成的近天然构象是结合自由能极低的构象,快速且准确搜索能量极低的构象对于蛋白质-配体分子对接至关重要。本文回顾了蛋白质-配体分子对接中主要的构象搜索算法,包括快速穷举搜索、启发式搜索和其他搜索方法,并列举了采用不同搜索算法的代表性分子对接软件。其次,介绍了蛋白质-配体分子对接的国际评估实验、常用的测试标准库和评价的重要指标。最后,分析并指出了当前蛋白质-配体对接构象搜索方法所存在的主要问题,并对未来的工作进行了展望。