基于数据挖掘算法的蛋白质相互作用及其活性位点研究

论文摘要

随着高通量测序技术的不断发展,蛋白质序列的数目在呈指数形式增加,但是他们的功能和相互作用关系仍然是未知的。如何更快速有效地分析蛋白质特性及其相互作用,并对这些蛋白质的活性位点及其功能进行标注,已经成为迫在眉睫的问题。而另一方面,计算机技术的不断发展,为分子生物学研究提供了新的强大手段。既然蛋白质相互作用及其活性位点分析面临海量数据,有效地运用数据挖掘的方法来分析这些海量数据并揭示数据背后隐藏的自然规律,已经成为国际上蛋白组学及计算生物学研究的一个前沿课题。在过去几十年,提出了很多研究和分析蛋白质的数据挖掘及机器学习方法,而且这方面的研究一直受到持续的关注。本文从蛋白序列出发,通过开发更有效的数据挖掘方法来实现蛋白质相互作用及其活性位点的准确而快速的预测,并且开发出相应的独立算法包和在线网站。本文创新性主要体现在以下方面:提出了一种基于压缩采样算法的蛋白相互作用预测方法。该法首先从蛋白质序列中提取了有较强区分性的特征,然后考虑到获取的高维稀疏特征空间可能产生的负面影响如维数灾难,特征冗余等,使用压缩采样方法将高维特征空间转换为低维紧致特征空间,而且与通常采用的降维方法进行了对比,论证了压缩采样方法的高效性,并且可以保留尽可能多的有效信息。然后通过使用支持向量机、旋转森林等方法在压缩后的特征空间构造分类器模型,进一步地论证了在压缩后特征空间中构造的分类器模型可以有效地避免过拟合现象（overfitting）,同时也讨论了正负样本数据集不平衡情况下分类器模型的鲁棒性及不同的负样本集构造策略对结果的影响。提出了一种基于bi-profile采样的蛋白活性位点预测方法。该方法首先抽取了蛋白的序列保守性特征,并且针对序列保守性特征在训练模型中出现的过拟合现象,对特征进行了预处理。然后采用bi-profile采样方法有效抽取了序列氨基酸组成特征、蛋白质二级结构特征、序列氨基酸disorder特征和序列氨基酸亲水性特征。最后,研究了不同的特征组合、不同的分类器模型、集成方法在活性位点预测方面的性能,同时也研究了样本集不平衡情况下模型的鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.2 研究现状
• 1.2.1 蛋白相互作用研究
• 1.2.2 蛋白质活性位点研究
• 1.3 研究内容与创新点
• 1.4 本文组织结构
• 第二章 背景知识介绍
• 2.1 蛋白质相互作用
• 2.1.1 基于生物实验检测蛋白质相互作用
• 2.1.2 蛋白质相互作用数据库
• 2.2 蛋白质活性位点
• 2.3 数据挖掘及机器学习
• 2.3.1 随机森林
• 2.3.2 支持向量机
• 2.4 模型评测方法
• 2.4.1 交叉验证
• 2.4.2 接受者操作特性曲线
• 第三章 基于压缩采样算法的蛋白质相互作用预测
• 3.1 背景及动机
• 3.2 基准数据集及其预处理
• 3.2.1 数据集准备
• 3.2.2 序列特征抽取
• 3.3 压缩采样方法
• 3.4 结果分析及讨论
• 3.5 本章小结
• 第四章 基于Bi‐profile 采样的蛋白活性位点严格评测
• 4.1 背景及动机
• 4.2 基准数据集及其预处理
• 4.2.1 序列特征抽取
• 4.2.2 获取推导特征
• 4.3 Bi‐profile 采样方法
• 4.4 结果分析与讨论
• 4.4.1 分析活性位点特异性的决定因素
• 4.4.2 通过进化信息来预测活性位点
• 4.4.3 通过融合推导特征来提高预测性能
• 4.4.4 与其他方法的比较
• 4.4.5 讨论
• 4.5 本章小结
• 第五章 独立算法包及数据集的提供
• 5.1 动机及目的
• 5.2 独立算法包及在线网站
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 附录A 缩写对照表
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文