基于小波變換和集成學習的蛋白質相互作用預測方法研究.pdf

1、蛋白質在生命體的日?；顒又邪缪葜顬殛P鍵的角色，大多數(shù)細胞正常生理功能最終需要由產生與結合的蛋白質代為實現(xiàn)，蛋白質通過兩兩間、或多蛋白間相互結合實現(xiàn)蛋白之間的功能。一直以來傳統(tǒng)的研究蛋白質結合的實驗方案已經(jīng)積累了相當?shù)母黝惖鞍踪|相關信息與相互作用信息，但是這些方法大多存在局限性，尤其是檢驗速度無法滿足進一步研究的要求。近年來研究人員利用機器學習工具結合蛋白質特征編碼算法對蛋白質相互結合網(wǎng)絡進行預測，不斷提出了提高預測精度的方法，然而經(jīng)過

2、實驗，我們發(fā)現(xiàn)多數(shù)預測方法在更嚴格的數(shù)據(jù)集面前效果并不理想。
　　本研究使用幽門螺桿菌、酵母菌和擬南芥的蛋白質數(shù)據(jù)庫，結合小波變換對蛋白質序列信息提取的編碼算法，研究利用多種機器學習方式預測同物種中的蛋白質相互作用及遷移學習下不同物種中蛋白質相互作用。使用Database of Interact Protein(DIP)蛋白數(shù)據(jù)庫的幽門螺桿菌、酵母菌和擬南芥的蛋白質相互作用正負數(shù)據(jù)集，然后用小波變換的方法轉化了蛋白質一級結構從而對

3、數(shù)據(jù)集中的蛋白質作用對進行編碼，使用stacked generalization結合四種廣泛使用的基分類器以及l(fā)ogistic regression算法綜合輸出了對幽門螺桿菌、酵母菌以及人類的蛋白質相互作用預測，最后對預測結果進行了分析。實驗結果顯示新的集合算法體現(xiàn)出了良好的預測性能，并在不同數(shù)據(jù)集上工作穩(wěn)定，是值得進一步發(fā)展運用的良好算法。將新算法與學界廣泛認可的Tradaboost算法，在自制的蛋白遷移數(shù)據(jù)庫上進行測試。從測試結果上