蛋白質殘基間的相互作用分析與預測.pdf

1、近年來，由于生物信息學的迅猛發(fā)展，大量的生物學數(shù)據(jù)亟待矯正、管理、解釋以及充分的利用，而機器學習正適合這類數(shù)據(jù)量大、含有噪聲的模式。許多機器學習算法也已經(jīng)被成功地用來進行生物數(shù)據(jù)的處理并挖掘未知的生物學知識。本文主要針對支持向量機這個機器學習工具來進行蛋白質結構的分析，著重運用支持向量機和遺傳算法(GA)來進行蛋白質殘基溫度因子的預測，并由此進行殘基間的遠程相互作用的分析和預測。全文的主要工作包括如下： 1、提出了利用多類支持向

2、量機進行蛋白質殘基溫度因子的分析和預測的方法。一般來說，殘基的B-factor代表它的一種熱不穩(wěn)定狀態(tài)或自由活動的程度，較高的殘基B-factor對應著較大的外露表面面積。因此預測殘基的B-factor會有助于理解和預測蛋白質的結構。本文主要介紹了所采取的氨基酸的物理化學特征，例如：蛋白質的序列譜、殘基的進化速率、殘基的疏水值，作為多類支持向量機的輸入來進行蛋白質殘基B-factor的分析和預測。 2、提出了一種基于預測的殘基B

3、-factor以及疏水譜特征的支持向量機方法，來進行殘基間的接觸聚類中心分析和預測。在蛋白質的接觸圖譜中，殘基間的遠程相互作用點往往聚集在一起形成一個個的聚類。分析發(fā)現(xiàn)，這些聚類大部分都對應著較低的殘基B-factor區(qū)域或較強的疏水區(qū)域，基于此特點而進行的有選擇性的樣本抽取就可以降低正負樣本數(shù)據(jù)的不平衡性，從而得到較高的預測性能。最后，我們利用支持向量機來預測殘基間的接觸聚類中心，并由此得到殘基間的相互作用位點。 3、構建了一