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。     

一种基于子序列分布的蛋白质结构类预测方法

蛋白质结构类预测方法的预测能力主要取决于两个方面：一方面，方法采用的序列描述中包含多少有效的蛋白质结构类信息；另一方面，方法采用的判别函数对序列描述中包含的有效信息的利用程度。子序列分布是蛋白质结构类预测中的一种新的序列描述，广义平方距离是组分耦联方法中的判别函数，它包含序列描述中不同组分之间的耦合效应。本文改进了组分耦联方法中的判别函数，解决了当协方差矩阵不可逆时组分耦联方法不能解决的问题，从而把子序列分布与包含耦合效应的判别函数结合起来，对Chou等选取的含有359个蛋白质(结构域)的训练集做了预测，自检测和jackknife检测结果分别为100％和96．7％，这一结果比组分耦联方法提高了5．6和12．6个百分点，比基于自相关函数方法提高了3．3和6．2个百分点。     

基于贝叶斯方法的蛋白质界面残基预测

蛋白质界面残基预测是蛋白质相互作用研究中的一项基本工作,在生物制药及蛋白质功能研究方面有着重要的应用.以蛋白质中的氨基酸残基为研究对象,使用残基的溶剂可及表面积及残基的序列谱为特征集,构建了基于贝叶斯方法的蛋白质界面残基预测器.方法有效地结合了蛋白质残基特征集的条件独立性假设及贝叶斯方法在处理不确定性数据方面的优点,通过对含77个蛋白质的数据集进行实验,结果比其它方法获得了6%的准确率的提高,三维可视化的结果也表明分类器预测的有效性.     

基于深度学习的蛋白质二级结构预测

后基因组时代的到来,蛋白质的数据量急剧增长.为对蛋白质结构进行准确预测,提出了一种深度学习的方法,来预测蛋白质的二级结构分类问题.采用由近似熵、疏水模式以及图像特征组成的伪氨基酸组分方法,来提取蛋白质序列的特征;预测模型采用了5层的深度玻尔兹曼机(DBM)+分类层,5层的DBM组成了4个RBM,分类层采用softmax分类器;同时采用了非监督学习和监督学习作为预测模型的训练策略.与现有预测方法相比,提出的预测方法,比目前较好的支持向量机(SVM),人工神经网络(ANN)精度均要高.实验结果表明,提出的改进方法具有很好的可行性和有效性.     

蛋白质结构预测方法的研究进展

目前,在蛋白质结构预测方面,人们努力发展新的方法,该文主要介绍了蛋白质结构预测的方法和进展。详细地综述了几种方法,并简单地介绍了蛋白质结构预测的几个不同阶段,并提出了在蛋白质结构预测方面存在的一些困难。     

基于扩展的Markov逻辑网的蛋白质beta结构关联预测方法研究*

传统机器学习方法在蛋白质关联图预测中要求满足独立一致性的条件,为了克服传统机器学习独立一致性假设,并且利用关联残基之间的规则约束,提出一种基于扩展的Markov逻辑网的蛋白质beta关联预测方法,该方法能够利用Markov统计关系学习框架来实现蛋白质beta结构关联预测。实验结果表明,利用该方法能够获得较好的beta关联预测效果,实验预测精度能够达到45.91%,较BetaPro能提高8%,是随机预测精度的14倍。     

基于贝叶斯网的蛋白质相互作用位点预测

蛋白质相互作用位点研究在蛋白质功能分析及药物设计等方面有着重要的应用。文章以蛋白质中的氨基酸残基为研究对象,使用残基的溶剂可及表面积、进化保守性打分及残基的序列信息熵三个特征为特征集,构建了基于贝叶斯方法的蛋白质相互作用位点预测的贝叶斯分类预测器。方法有效的结合了蛋白质残基特征数据集经常性数据缺失的特点及贝叶斯网在处理不确定性数据方面的优点,通过对基准的71个蛋白质数据集进行实验,结果表明我们的分类器预测的有效性。     

蛋白质二级结构预测方法研究

为提高蛋白质二级结构预测精度,提出一种新的网络模型和编码方法。首先利用基因表达式编程（GEP）的全局搜索能力同时进化设计神经网络的结构和连接权;其次,对神经网络输入层编码进行了改进,添加了氨基酸残基所处的疏水环境。用PDBSelect25中的36条蛋白质共6 122个残基进行测试,结果表明提出的网络模型和编码方法能有效提高蛋白质二级结构预测的精度。     

基于片段组装的蛋白质结构预测方法综述

蛋白质三维结构决定了其特殊的生物功能,蛋白质三维结构对蛋白质功能研究、疾病的诊断与治疗、创新药物研发都有着重要的科学意义。利用计算机技术从氨基酸序列预测蛋白质三维结构是获取蛋白质三维结构的有效方法。片段组装是一种广泛采用的蛋白质结构预测技术,它将连续的构象空间优化问题转换成离散的实验片段组合优化问题,从而有效地减小了构象搜索空间。首先介绍了片段组装技术;其次总结了基于片段组装的蛋白质结构预测的发展历程,并对部分具有代表性的方法进行了简要阐述;然后介绍了蛋白质结构预测研究中常用的数据库和评价指标,并比较了不同预测方法的性能;最后分析并指出了当前基于片段组装的蛋白质结构预测方法所存在的挑战性问题,并对该领域未来的研究方向进行了展望。     

基于接触图残基对距离约束的蛋白质结构预测算法

从头预测是蛋白质结构建模的一种重要方法,该方法的研究有助于人类理解蛋白质功能,从而进行药物设计和疾病治疗。为了提高预测精度,文中提出了基于接触图残基对距离约束的蛋白质结构预测算法(CDPSP)。基于进化算法框架,CDPSP将构象空间采样分为探索和增强两个阶段。在探索阶段,设计基于残基对距离的变异与选择策略,即根据接触图的接触概率选择残基对,并通过片段组装技术对所选择的残基对的邻近区域进行变异;将残基对距离离散化为多个区域并为其分配期望概率,根据期望概率确定是否选择变异的构象,从而增加种群的多样性。在增强阶段,利用基于接触图信息的评分指标,结合能量函数,衡量构象的质量,从而选择较优的构象,达到增强CDPSP近天然态区域采样能力的效果。为了验证所提算法的性能,通过CASP12中的10个FM组目标蛋白质对其进行了测试,并将其与一些先进算法进行比较。实验结果表明,CDPSP可以预测得到精度较高的蛋白质三维结构模型。     

基于Spiking神经网络的蛋白质二级结构学习预测模型

从氨基酸序列来预测蛋白质二级结构，是我们理解蛋白质结构和功能的重要一步。本文探讨了基于Spiking神经网络的蛋白质二级结构学习预测模型，利用单个神经网络进行学习取得的效果不明显，而利用级联神经网络，通过结构到结构的学习，能很好地提高学习准确率。     

基于Spiking神经网络的蛋白质二级结构学习预测模型

从氨基酸序列来预测蛋白质二级结构,是我们理解蛋白质结构和功能的重要一步.本文探讨了基于Spiking神经网络的蛋白质二级结构学习预测模型,利用单个神经网络进行学习取得的效果不明显,而利用级联神经网络,通过结构到结构的学习,能很好地提高学习准确率.     

基于广义回归神经网络的蛋白质二级结构预测

在生化实验中,关于优化蛋白质预测问题,由于采集的信息、参数、选取和设置等优化处理存在随机性,限制了蛋白质二级结构预测精确度。为解决上述问题,针对广义回归神经网络学习速率快、网络稳健的特点,提出基于广义回归神经网络预测蛋白质二级结构的方法。鉴于编码方式对预测精度有重要影响,首先基于5位编码和不同的滑动窗口构建多个广义回归神经网络预测器对蛋白质二级结构进行预测,取得了较好的结果。并采用富含生物进化信息的序列谱(Profile)编码构建输入向量、并针对不同大小的滑动窗口设置多个spread值重新创建广义回归神经网络预测器,大大提高了预测精确度,仿真结果证明了预测模型的有效性和可行性,为预测提供了有效方法。     

基于级联神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出一种由两层网络构成的级联神经网络模型。第1层网络采用具有差异度的5个子网构成的网络模型,对第2层网络的输入编码进行改进。对PDBSelect25中的36条蛋白质共6 122个残基进行测试,结果表明,该模型能有效预测蛋白质二级结构,其预测精度分别比SNN, DSC, PREDSATOR方法提高5.31%, 1.21%和0.92%,平均预测精度提高到69.61%。     

暂态混沌神经网络在蛋白质关联图预测中应用研究

蛋白质结构预测是生物信息学的一个主要研究方向,而蛋白质关联图预测是其中的一个重要内容.针对蛋白质关联图预测问题,提出一种暂态混沌神经网络实现方法,所提出的方法具有暂态混沌特性和平稳收敛特性,能有效避免传统Hopfield 神经网络极易陷入局部极值的缺陷.它通过短暂的倒分叉过程,能很快进入稳定收敛状态.仿真结果表明:暂态混沌神经网络解决蛋白质关联图预测问题时,总能收敛到全局最优或几乎接近全局最优,同时具有更高的搜索效率.这种方法预测精度达到0.27,比随机预测器高9倍.     

神经网络方法预测蛋白质二级结构

The explosive accumulation of protein sequences in the wake of large-scale sequencing projects is in shark contrast to the much slower experimental determination of protein structures. Neural Networks have been successfully applied into the prediction of protein structures, and the prediction accuracy continues to rise. This paper introduces the basic methods and technologies of the prediction of protein secondary structures using neural networks, especially expounds the two aspects., the improvement of neural network architecture and the adding of“evolutionary” information, which lead the ascent of prediction accuracy.     

BP神经网络结构参数的计算机自动确定

研究表明,由多层FNN的BP算法误差函数构成的非线性方程组的独立方程个数和FNN的待求未知变量的个数应该相等,该方程组才能有唯一组解。由此导出网络结构方程式,进而导出隐层层数判别式和每层神经元个数判别式。依据Kolmogorov定理,由该判别式得出求解FNN隐层层数和每个隐层神经元个数的具体算法。计算机仿真结果表明该方法简明实用。     

基于人工神经网络预测控制的交通信号调度

在传统的交通信号控制中,信号的变化周期一般是固定的,由于车流量随时间的不确定性,引起了道路负荷的不均衡,容易造成道路拥塞或闲置现象。对基于人工神经网络的预测控制算法进行介绍。根据预测结果对整个路况进行决策判断,实现交通灯信号周期的自适应调节,从而实现交通流量的负荷均衡。根据城市交通系统的特点,设计一个基于神经网络的单个交叉路口的交通灯预测控制系统,得出相关不同时间段内的交通灯控制周期。分析表明,该方法能有效提高车辆通行效率,增强道路的吞吐能力。     

基于人工神经网络的软件失效预测模型研究

在软件开发的早期预测有失效倾向的软件模块,能够极大的提高软件的质量。软件失效预测中的一个普遍的问题是数据中存在噪声,而神经网络具有鲁棒性并对噪声有很强的抑制能力。该文介绍了一种基于人工神经网络的软件失效预测模型,给出了基于反向传播算法的多层前向网络的网络结构。用这种方法对朗讯光网络有限公司开发的SDH通信软件进行了分析,并得到了较高的预测准确率。通过采集通信软件的不同发布版本的测试历史数据,讨论了训练集数据的选择与预测精度之间的关系。     

基于神经网络的某超市水产品运营量预测模型研究

随着人工神经网络技术的不断成熟,人工神经网络和预测预报紧密结合起来。结合＂神经网络＋预测＂的开发模式,引入BP人工神经网络学习算法,构建了某超市水产品运营预测模型,并讨论不同结构的BP网络及随机初始化对预测结果的影响,同时进行了神经网络预测方法和其它预测方法的比较。