基于深度学习的蛋白质-ATP结合位点预测

为了提高识别蛋白质-ATP结合位点预测精度,提出了基于Inception架构的深度网络模型Inception_base,同时对网络模型和训练策略进行优化和改进,提出了新的网络模型Inception_ evolution.通过两组数据集在该模型上测试,获得AUC分别为0.885和0.918,均优于其他对比机器学习方法.实...     

蛋白质-RNA对接中打分函数设计及RNA结合位点识别研究进展

分子对接是目前研究蛋白质-RNA相互作用与识别的有效方法之一.其中,打分函数的合理设计与分子结合位点的准确识别对成功预测蛋白质-RNA复合物结构至关重要.结合小组的工作,对用分子对接方法预测蛋白质-RNA复合物结构中所涉及2个关键性问题(即分子对接打分函数的设计和RNA结合位点的预测)及研究进展进行了回顾,并对几种常用的方法进行了比较.最后分析了这两方面研究目前所存在的主要问题,并对未来的发展方向进行了展望.     

用氨基酸组分预测含顺式肽键蛋白质

以含有820个蛋白质结构数据的SLCTBASE数据库作为样本库，根据蛋白质序列氨基酸百分含量与顺式肽键的关联信息，构建了基于序列整体氨基酸含量的顺式构象势函数．利用此函数拟合得出的20种氨基酸的顺式构象因子值，进行两类蛋白质序列的分类和预测．训练集和测试集相同时和不相同时的预测准确率分别可达66％和64％。     

蛋白质复合物结构预测的集成分子对接方法

分子对接是目前研究蛋白质-RNA相互作用与识别的有效方法之一.其中,打分函数的合理设计与分子结合位点的准确识别对成功预测蛋白质-RNA复合物结构至关重要.结合小组的工作,对用分子对接方法预测蛋白质-RNA复合物结构中所涉及2个关键性问题（即分子对接打分函数的设计和RNA结合位点的预测）及研究进展进行了回顾,并对几种常用的方法进行了比较.最后分析了这两方面研究目前所存在的主要问题,并对未来的发展方向进行了展望.

     

应用集成神经网络预测蛋白质相互作用位点

蛋白质相互作用位点在现代药物设计与构建蛋白质相互作用网络方面有着重要的意义。基于一个含有35个蛋白质分子的数据集,首先提取蛋白质的序列谱、熵值、可及表面积3种特征,然后运用误差反向传播神经网络以及其集成对蛋白质的相互作用位点进行了预测。采用35次留一法(一倍交叉验证)进行训练与测试,结果显示每当加入一种新特征时,预测结果都有相应的提高,并且把神经网络集成时,结果又有了一定程度的提高。     

基于距离测定的蛋白质复合物识别算法

针对蛋白质相互作用网络聚类算法标识已知蛋白质复合物数量有限的问题,提出了一种新的基于距离测定的蛋白质复合物识别算法IPC-DM。该算法基于对已知复合物内蛋白质之间的最短距离一般不超过2的发现,利用新的种子-扩充模型,大大提高了识别蛋白质复合物的准确性。基于酵母蛋白质相互作用网络的实验表明,算法IPC-DM较其他5种典型的蛋白质复合物识别算法MCODE、RNSC、CFinder、LCMA和DPClus具有更好的蛋白质复合物识别能力。     

基于递归特征消除法的蛋白质能量热点预测

基于蛋白质相互作用能量热点的特性,定义了残基接触数、溶剂可及性面积相对变化量所占比例等18个新特征。分别使用基于支持向量机(support vector machine, SVM)和基于F-Score的递归特征消除法进行特征选择,提出对应的预测模型SVM-RFE和F-Score-RFE用于蛋白质能量热点的预测。实验结果显示,在独立测试中F-Score-RFE模型的F1比当前预测性能最好的方法提高6.25％,表明所定义的新特征对蛋白质能量热点的识别具有较大的贡献。     

蛋白质与RNA 相互作用的预测和研究

确定蛋白质与RNA是否发生作用非常重要,因为它广泛存在于生物学过程中,在生物体细胞活动中起到至关重要的作用。特别是近几年随着蛋白质结构数据的增多,如果仍用传统的物理化学方法去测定会非常困难,找到能自动预测蛋白质与RNA的相互作用的方法迫在眉睫。首先采用Pse PSSM算法表达蛋白质序列,编码后的蛋白质特征向量维数很高;接着采用GPP流形学习方法对其进行维数约简,约简后的特征向量输入SVM分类器训练,训练好的分类器预测未知的蛋白质与RNA是否相互作用;最后,采用Jackknife测试方法检验预测准确率,测试结果表明,上述方法是十分有效的,为蛋白质与RNA是否相互作用的研究提供一条新的思路。     

RBP结合位点预测的深度学习方法进展

预测RNA结合蛋白(RBP)的结合位点对于理解RNA结合蛋白如何在基因调控中发挥作用起至关重要的作用.近年来,随着高通量实验数据的大量积累和深度学习的快速发展,深度学习方法在RBP结合位点预测领域上的应用越来越广泛.通过深度学习模型可以在海量的生物数据中挖掘隐藏的模式,与传统实验方法相比,具有低消耗、高速度、高鲁棒性的...     

融合多数据源的蛋白质功能模块的挖掘算法

针对蛋白质相互作用(protein-protein interaction,PPI)网络的信息不完善和高噪声问题,提出一种融合多生物数据的二分图聚类集成方法以检测网络中的功能模块.该方法结合了基因本体论(gene ontology,GO)、基因表达谱数据以及多种基础聚类算法,用一种新的二分图来组织多种基础聚类算法的中间结果,并结合对称非负矩阵分解(non-negative matrix factorization,NMF)算法挖掘其中功能意义上最一致蛋白质功能模块,同时,该算法能处理蛋白质功能重叠问题.实验结果表明:所提算法整体优于基准比较方法,是一种融合多种生物信息源和不同的聚类方法的有效途径.