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神经网络在蛋白质二级结构预测中的应用

蛋白质结构预测是生物信息学研究的重要问题,而蛋白质二级结构预测是蛋白质结构预测的关键步骤.文中通过BLAST工具得到Identity小于等于35%的46个蛋白质复合物的单链作为数据集,分别采用5位编码和Profile编码,通过不同大小的滑动窗口,对蛋白质二级结构进行预测.实验结果显示,富含"生物进化信息"的Profile编码有着明显的优势,各种精确度均得到了较好的结果,尤其是精确度QE明显高于5位编码的QE.     

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%。     

基于径向基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确度,提出并构建精确的径向基神经网络、广义回归神经网络,并基于5位编码和Profile编码,采用不同大小的滑动窗口,利用交叉检证法构建多个径向基网络预测器,分别对蛋白质二级结构进行预测,得到了较好的实验结果,其中aveQ3提高到70.96%。结果表明,径向基神经网络模型能有效提高预测精确度,也证明了实验方法的有效性和可行性。     

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。     

基于径向基函数蛋白质二级结构预测方法

文章针对蛋白质二级结构预测这一复杂非线性模式分类问题,提出了基于径向基函数的预测方法。在分析了基于神经网络预测方法的基础上,讨论了蛋白质二级结构预测算法研究中的数据选取、网络结构与参数对网络性能的影响,实验结果表明这一方法的可行性和有效性。     

基于优化的卷积神经网络的蛋白质二级结构预测

蛋白质二级结构预测对确定蛋白质的空间结构和功能有极其重要的意义.融合卷积神经网络和贝叶斯优化模型,优化卷积神经网络的网络框架和超参数.采用优化后的卷积神经网络在测试集CASP9、CASP10、CASP11、CASP12、CB513和25PDB上获得了81.99％、81.36％、80.83％、78.10％、84.29％和...     

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.     

基于卷积长短时记忆神经网络的蛋白质二级结构预测

鉴于不同类型氨基酸的相互作用对蛋白质结构预测的影响不同,文中融合卷积神经网络和长短时记忆神经网络模型,提出卷积长短时记忆神经网络,并应用到蛋白质8类二级结构的预测中.首先基于氨基酸序列的类别信息和氨基酸结构的进化信息表示蛋白质序列,并采用卷积提取氨基酸残基之间的局部相关特征,然后利用双向长短时记忆神经网络提取蛋白质序列内部残基之间的远程相互作用,最后将提取的蛋白质的局部相关特征和远程相互作用用于蛋白质8类二级结构的预测.实验表明,相比基准方法,文中模型提高8类二级结构预测的精度,并具有良好的可扩展性.     

Profile覆盖算法在蛋白质二级结构预测中的应用

介绍了构造性机器学习方法——覆盖算法在蛋白质二级结构预测中的应用。相比普通的神经网络，这种方法直观且运算简单，对训练样本可100％识别。同时，考虑到同源家族的结构应该比单条序列结构预测更准确，采用了基于概率的Profile编码方式，相比以往的预测方法，具有更好的稳定性和精确性。     

基于交叉覆盖算法的蛋白质二级结构预测方法

蛋白质二级结构预测在蛋白质空间结构预测中起着承上启下的重要作用。近年来,大量的方法应用于二级结构预测中,其中,神经网络算法效果较好。但是,由于传统的神经网络存在结构复杂、学习速度慢、运行效率低、处理海量数据困难的缺陷,大大影响了预测的效果,因此,该文将一种基于构造性神经网络算法,也就是交叉覆盖算法应用于蛋白质二级结构预测中,另外,为了引入更多的同源家族结构的信息,采用了基于概率的Profile编码方式。通过实验证明将交叉覆盖算法运用在蛋白质二级结构预测中的可行性．并且比传统的神经网络方法有了更高的准确率。     

Profile覆盖算法在蛋白质二级结构预测中的应用

介绍了构造性机器学习方法——覆盖算法在蛋白质二级结构预测中的应用。相比普通的神经网络,这种方法直观且运算简单,对训练样本可100%识别。同时,考虑到同源家族的结构应该比单条序列结构预测更准确,采用了基于概率的Profile编码方式,相比以往的预测方法,具有更好的稳定性和精确性。     

基于混合SVM方法的蛋白质二级结构预测算法

预测蛋白质二级结构,是当今生物信息学中一个难以解决的问题。由于预测蛋白质二级结构的精度在蛋白 质结构研究中起到非常重要的作用,因此在基于KDTICM理论基础上,提出一种基于混合SVM方法的蛋白质二级 结构预测算法。该算法有效地利用蛋白质的物化属性和PSI-SEARCH生成的位置特异性打分矩阵作为双层SVM的 输入,从而大大地提高了蛋白质二级结构预测的精度。实验比较分析表明,新算法的预测精度和普适性明显优于目前 其他典型的预测方法。     

基于ANN蛋白质结构预测方法研究

为了破译遗传信息传递的全过程,确定蛋白质空间结构与其功能之间的关系从而改造天然蛋白质,首先简要介绍了蛋白质结构预测的研究意义,然后回顾了用ANN预测蛋白质结构的研究,并分析了各算法的特点和效果,最后探讨了用ANN预测蛋白质结构的研究方向。通过把800个预测网络和126个蛋白质序列的标准集合,平均每个残基的二级结构预测精度为80％,每个链的精度范围为55％-100％,整体均值为80.5％     

基于GA的GRNN高光谱遥感反演冬小麦叶片氮含量模型的建立与验证

基于人工神经网络理论,针对高光谱遥感中数据冗余问题,本文建立了基于遗传算法(GA)的广义回归神经网络(GRNN)模型,利用回归分析问题中参数筛选方法,对表征冬小麦叶片全氮的光谱参数进行了筛选,并和线性回归方法对比,线性回归方法的均方根误差(RMSEP):在冬小麦叶片氮含量为34.0g kg-1~62.5g kg-1预测范围内,逐步回归模型为14.4g kg-1,后向选择为11.8g kg-1,而广义回归神经网络为3.40g kg-1。说明神经网络方法所筛选到的光谱参数更能反映小麦叶片全氮含量,且神经网络模型预测精度高。