应用优化的隐马尔可夫模型预测蛋白质二级结构

针对3-状态隐马尔可夫模型(HMM)预测蛋白质二级结构准确率不高的问题,提出了7-状态和15-状态HMM.研究对象为CB513数据集合中筛选出的492条蛋白质序列,将其随机均分7组.分别应用7-状态和15-状态HMM对以上数据集进行二级结构预测,对预测准确率进行了7-交叉验证,并将预测结果与应用3-状态HMM的预测结果进行了比较.结果表明,应用7-状态HMM,Q3准确率提高3.11%,SOV提高6.15%,QE提高6.49%;应用15.状态HMM,QE比7-状态HMM又提高5.74%.在15-状态:HMM预测中加入序列的同源信息后,Q3准确率比单序列15-状态HMM增加8.76%.结果表明,7-状态HMM预测能力优于3-状态HMM,15-状态HMM总体预测能力和7-状态HMM相当,但β折叠预测能力强于7-状态HMM.     

基于MATLAB的隐马尔可夫模型识别CpG岛

随着多数生物基因组测序工作的完成,基因识别就显得尤为重要.CpG岛在基因组中有着重要的生物学意义,而识别CpG岛将有助于基因的识别.因此构建了识别DNA序列中CpG岛的隐马尔可夫模型HMM(Hidden Markov Model),并利用网上人类基因CpG岛数据库中随机选取的94条基因序列数据对该模型进行训练与检测,得到了很高的预测准确率,结果表明HMM用于CpG岛的识别是快速有效的.     

结合蛋白质二级结构信息预测蛋白质空间结构中的二硫键*

在蛋白质空间结构预测中,二硫键的确定可以大大减少蛋白质构象的搜索空间。为提高二硫键预测的准确率,对形成二硫键的半胱氨酸及其周围的氨基酸残基在蛋白质二级结构形成上的偏性进行了分析,并提出将蛋白质二级结构信息加入到BP神经网络预测模型的输入编码信息中。研究对象为从SWISS-PROT数据库中选取的252条蛋白质序列,随机均分4组,对预测准确率进行4-交叉验证。各项准确率均比未加入蛋白质二级结构信息前,有明显提高。结果表明,结合蛋白质二级结构信息的编码方式是可行且有效的。     

应用ANN/HMM混合模型预测蛋白质二级结构*

针对3状态隐马尔可夫模型（hidden Markov model,HMM）预测蛋白质二级结构准确率不高的问题,提出15状态HMM,通过改进的算法与BP神经网络相结合进行二级结构预测。研究对象为CB513数据集中筛选出的492条蛋白质序列,将其随机均分7组。应用混合模型进行预测,对准确率进行7交叉验证,Q3准确率达7721%,SOV值为7252%。结果表明,混合模型既能充分考虑相邻氨基酸残基间的相互影响,也能在一定程度上照顾二级结构的远程相关性,因此带来了较好的预测准确率。