基于改进BP神经网络预测蛋白质二级结构

蛋白质结构预测在生物信息学研究中占有重要地位,而蛋白质二级结构预测是蛋白质结构预测的关键步骤。针对标准BP算法存在的缺点,讨论采用几种不同的改进BP神经网络来实现蛋白质二级结构的预测,运用MATLAB语言实现各种改进算法的初始化和训练。并分析比较了它们对蛋白质二级结构预测精度的影响。实验表明,遗传算法结合动量法与学习率自适应调整策略的BP算法可获得较高的预测精度。     

粗糙集算法在预测RNA保守功能二级结构中的应用

提出了一种预测RNA保守功能二级结构的粗糙集算法.使用粗糙集工具Rosetta软件,在保守结构预测过程的数据挖掘模块中,应用经过整理和离散化的RNA备择碱基对数据生成规则确定出将要出现在同源RNA序列的保守二级结构中的碱基对.将此算法应用在对爱滋病病原体HIV病毒RNA中REV应答元件单元的保守二级结构预测的结果表明,与传统的非数据挖掘算法相比,使用了这种机器学习算法的粗糙集预测方法,使得保守功能结构与野生型结构更加相似,重要的功能结构分支更加清晰明确.     

改进的离散增量算法预测27类折叠子的结构类型

蛋白质二级结构预测是三级结构预测的一个非常重要的中间步骤,而折叠子识别和结构类型的准确预测则可以提高二级结构和三级结构预测的准确度.本文从蛋白质的一级序列出发,提出了一种改进的预测算法:以二肽组分、预测的二级结构信息、伪氨基酸组分和位置权重矩阵打分值等特征分别作为参数,输入离散增量算法的单分类器中,通过加权融合单分类器的计算结果,对27类折叠子的结构类型进行了预测,取得了较好的预测结果.     

基于ELM的蛋白质二级结构预测及其后处理

将ELM应用到蛋白质二级结构模型的训练中,在此基础上提出了基于概率的合并算法(probability-based combining,PBC),用该算法预测结果的合并.根据生物学中关于蛋白质二级结构的特征提出了预测结果的Helix-后处理(Helix-post-processing,HPP)算法,对合并后的预测结果进行有效的后处理,从而进一步提高预测结果的准确率.分别在CB513和RS126两个数据集上进行了实验,实验结果表明,预测结果的准确率是令人满意的,尤其是实现了训练时间上的显著缩短.     

极区鱼的抗冷冻机理

鱼抗冷冻蛋白和抗冷冻糖蛋白有抗冻功能，本文阐述并讨论了各种抗冻机理学说。本文在预测了ＡＦＰⅠ、ＡＦＰⅡ和ＡＦＰⅢ的二级结构并分析了ＡＦＰ三级结构的特点基础上，计算了抗冷冻蛋白的热滞，得出了与实验相符结论．     

计算最大堆迭的RNA二级结构预测算法

RNA二级结构预测用于蛋白质功能分析，在生物信息学研究中具有重要意义．提出了一个时间复杂度为O（n^2）的基于Greedy算法思想的算法．基于“堆迭结构相对稳定”的RNA分子结构特征，算法思想为计算具有最多堆迭的RNA二级结构．用VC＋＋编程实现了该算法，采用PseudoBase的RNA分子片段进行了计算实验，结果表明该算法具有良好的准确度．该算法可预测RNA分子的嵌套二级结构和伪结点一级结构．     

一个预测RNA二级结构的回溯算法

本文讨论了一个预测RNA二级结构的回溯算法。该算法根据极大基配对的原则按字典顺序产生所有可能的二级结构。它的时间复杂性是O(n~2),空间复杂性是O(n)。     

质心法:受类别驱动的RNA二级结构预测方法

RNA二级结构预测问题是计算分子生物学中的一个重要问题.目前的RNA二级结构预测模型和算法都是把待测结构RNA的一级序列作为输入,仅根据输入的序列预测其二级结构.这样做丢失了待测RNA的类别信息,进而无法利用同类别RNA二级结构的保守性.在实际的生物学研究中,对于关心二级结构的RNA,其类别往往是已知的.本文提出一种新的RNA二级结构预测思路:结合类别信息、根据已知的近似形状细化RNA的二级结构.这种方法尤其适用于长度较短、保守性好的非编码RNA.该方法的一个关键问题是如何将一个序列按照近似的形状进行折叠.为此本文首次提出了茎区的"质心"和"质心距"的概念,并且给出了一个结合了Hopfield网络和类别信息的RNA二级结构预测算法.实验表明本文提出的方法在所测试ncRNA分子上效果好于目前的方法.     

广义预测自校正控制器的内模结构及全局收敛性

给出了基于ＣＡＲＩＭＡ模型的广义预测控制器的内模结构，分析了其闭环特性和鲁棒性，并证明了显式自交正算法的全局收敛性。     

对PLA二级分解技术中输入变量划分的最小切割法的研究

把一个给定ＰＬＡ分解成二级串级的ＰＬＡ电路，使该ＰＬＡ电路的总面积较原给定的ＰＬＡ的面积为小，这就是所谓ＰＬＡ二级分解技术，在这个技术中首先要解决输入变量的划分问题，本文对以图论为基础的为量划分的最小切割法进行分析，并用Ｃ语言对该算法进行程序实现，然后通过实验对算法中的两个关键系数α、β的值作了估计。     

蛋白质二级结构预测概率图模型的改进

蛋白质二级结构与蛋白质三级结构及蛋白质功能密切相关,是生物信息学研究的热点,其中概率图模型隐马尔可夫算法(HMM)是该领域研究的重要工具。但是在实际应用中,存在着HMM训练下溢、不同训练集的效果差异较大及参数优化困难等问题。对预测蛋白质二级结构时HMM遇到的训练下溢问题提出了改进方案;首次提出8-状态HMM来预测蛋白质二级结构,并且将参数B改进成为包含状态转移信息的三维参数;为了改进最优HMM模型的确定方法,用每个样本分别对初始HMM模型进行训练,得到一系列新的模型,然后对这些新模型的参数求均值,将求得的均值作为最优模型的参数。这些改进方法提高了HMM预测蛋白质二级结构的准确率,为HMM的进一步优化打下良好的基础。     

基于小波分析法的蛋白质结构研究

用小波的方法预测了一个已知结构蛋白质的二级结构，并把它同互连网蛋白质结构预测服务及其他结构预测软件得到的二级结构进行比较。结果表明：该方法可以较好地确定蛋白质的二级结构且不必进行同源蛋白质序列的联配。在预测未知结构的蛋白质序列方面，该方法与其他方法相比，预测结果并无显著差异，这说明小波分析法可以用于蛋白质结构研究，若与其他方法结合用于结构预测,将会起到更好的作用。     

基于多模集成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,提出了一个由5个子网络集成的多模神经网络模型,预测结果由5个子网络综合得到。对于每个子网络采用神经网络分级思想分为二级网络,一级网络采用含进化信息的profile编码蛋白质序列作为输入,二级结构作为输出。二级网络编码一级网络输出结果作为输入,并将蛋白质序列用改进正交编码方式作为另一输入来提高二级网络的预测精度,输出仍为二级结构。采用子网络差异方式进行单独训练,结果表明该方法最终的预测精度达到71.3%,较大提高了蛋白质二级结构的预测精度。     

SARS病毒RNA二级结构及RNAi作用靶位的计算机预测

该研究使用两个基于不同算法的RNA二级结构预测软件RNAstructure 3．71和RNAdraw V1．1b2，通过对SARS冠状病毒BJ01和TOR02株的基因组序列的二级结构进行计算机初步模拟，得到可能用于RNAi作用药物设计的6个结构．     

基于改进适应度函数的RNA结构预测

RNA二级结构预测是生物信息学的重要研究内容。本文提出了一个新的启发式算法进行带假节的RNA结构预测。本文首先通过对RNA序列的若干特征和RNA二级结构进行相关性分析,从中选择跟RNA结构有较大相关性的特征,然后依据遗传算法、综合自由能、被选择茎区的条数以及被选择茎区的平均长度等特征来构造打分函数预测RNA的结构。本文对该方法进行了测试,结果表明本文所采用的从特征分析中得出的打分函数以及通过启发式算法来叠加茎的方法是有效的,在对tRNA以及5SrRNA等序列的预测上相比单纯的自由能最小方法有更高的准确性。并且该方法进一步推广到预测含假结的RNA的二级结构时也有较好的结果。     

水稻蛋白质二级结构预测

针对水稻蛋白质二级结构预测研究,查阅了国家水稻数据中心文献资源,基于国际蛋白质数据库(protein data bank, PDB),选择具有代表性的蛋白质(5XQI)作为样本,应用BP神经网络建模技术,对水稻蛋白质二级结构进行预测研究。结果表明：先用氨基酸描述子量化一级结构,再用主成分分析综合描述子,能简化模型结构,提高模拟预测准确度和运行速度;构建标量型的人工神经网络模型和仿真函数预测式,简捷直观,应用方便;适宜的模型结构为21∶20∶3,即21个输入层节点、20个隐含层神经元、3个输出层神元的BP神经网络模型结构;模型的整体拟合准确度为0.85,H、E、C三种二级结构的拟合准确度分别为0.92、0.79、0.81;整体预测准确度为0.72,三种二级结构的预测准确度分别为0.79、0.65、0.71。基于BP神经网络的水稻蛋白质二级结构预测模型的拟合、预测准确度比以往同类研究高,为水稻蛋白质二级结构预测提供了一种新的研究方法。     

蛋白质结构类预测的新方法：基于蛋白质二级结构序列的预测方法

提出了由蛋白质二级结构序列预测蛋白质结构类的新方法，并给出了预测蛋白质结构类的简明预测规则。     

基于残基位置特异性改进二级结构预测精度

利用二级结构端点附近残基的特异性分布特征,应用支持向量机(SVM)预测二级结构端点并得出蛋白质上各位置为端点的可能性分值.根据预测出的端点可能性分值对目前的二级结构预测工具进行端点校正.对psiSVM和PSIPRED这两种工具进行了校正和测试,结果表明校正后端点预测精度相对于psiSVM提高约10%,相对于PSIPRED提高近5%,同时整体预测精度也有一定程度的提高.     

一种改进的Bayesian网络模型用于蛋白质二级结构预测

分析了蛋白质二级结构预测问题的Bayesian模型,给出了基于这种模型的神经网络,并提出了一种改进的网络模型,通过实验表明这一新模型能较好地处理蛋白质二级结构预测问题.     

不同折叠类型蛋白中基于密码子的二级结构偏向性分析

在传统的Chou-Fasman蛋白质二级结构预测方法的基础上引入同义密码子使用的信息,计算了200个蛋白(49种全α结构蛋白,69种全β结构蛋白,38种仅α β结构蛋白,44种α/β结构蛋白)中不同密码子对应的氨基酸形成不同二级结构(α：螺旋,β：折叠,C：卷曲)的偏向性参数．通过对这些密码子对应氨基酸二级结构偏向性的分析,得到了氨基酸二级结构偏向性分析中所忽略的同义密码子的蛋白结构信息．这些新的信息量对于指导蛋白质设计以及提高蛋白质二级结构预测的准确率有着一定的作用．