由蛋白质二级结构序列预测拓扑结构

提出由蛋白质二级结构序列预测拓扑结构的方案，对全ａ全β和α／β型蛋白质制定了预测规则，预测成功率为８５％～９０％。     

模式识别方法预测蛋白质二级结构的研究

提出一种预测蛋白质二级结构的模式识别方法。该法首先对大量已知结构的蛋白质实验数据进行分析，找出鉴别蛋白质不同结构成分的有效信息，即设计分类器，然后实现对未知蛋白质二级结构的预测。用此方法对６４０个实验样本进行了研究，得到较高的预测精度，表明方法是有效的。还对实验结果进行了分析；讨论了有限样本对分类器性能的影响。     

基于蛋白质二级结构序列的结构型预测

以蛋白质二级结构含量为基础利用Mahalanobis距离和以蛋白质二级结构序列建立数学模型相结合的方法来预测α型、β型、α＋β型和α/β型四种蛋白质结构型。     

基于蛋白质二级结构序列的结构型预测

以蛋白质二级结构含量为基础利用Mahalanobis距离和以蛋白质二级结构序列建立数学模型相结合的方法来预测α型、β型、α+β型和α/β型四种蛋白质结构型。     

一种预测蛋白质二级结构的简便方法

以“广义摆动假说”为理论基础,从基因密码子的第二位碱基入手,把氨基酸——“词”简并成核苷酸——“语言”,可直接预测蛋白质的二级结构,从对一些蛋白质的预测结果可见,准确度与Chou-Fasman法相近。     

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。     

蛋白质二级结构由氨基酸和mRNA序列编码

据氨基酸序列,密码子序列和蛋白质二级结构序列的比较,指出约18％的两肽的密切子具有反常的蛋白质结构偏好性,并且这种以常不能用随机涨落解释,因而关于蛋白质折迭的Anfinsen原理可能需要作适当修正。     

由氨基酸序列预测蛋白质二级结构的进一步研究

本文在工作[1][2]的基础上进一步研究了蛋白质二级结构的经验预测,着重讨论了如何制定预测规则的问题,并将预测工作计算机化.在蛋白质资料库中随机选取了21个蛋白质(3296残基)进行预测,正确率对α螺旋和β折迭分别为84.4%和81.9%.     

基于网络服务的蛋白质二级结构预测软件

借助位于互联网的蛋白质结构预测服务，开发了一个蛋白质二级结构预测软件，它能全面快速地搜索到不同网站的各种预测结果，对其进行综合分析可获取更准确的预测，用户不必分别访问每个网络服务界面并填写数据，程序能自动提交预测请求，并收集，分析各个网站的预测结果，因而该软件能够大大提高结构预测效率和准确率。     

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。     

蛋白质二级结构的统计力学研究

本文将Zimm-Bragg模型推广到实际多肽链，建立了蛋白质二级结构的统计力学形式，着重讨论了如何依据统计力学预测蛋白质二级结构的问题。     

蛋白质二级结构预测的结构表达方法研究

蛋白质二级结构预测时,描述窗口内氨基酸残基序列的各种物理化学和分子结构参数的数量非常大,而且不能很好地直接体现氨基酸的连接顺序,这样就造成二级结构预测工作既费时效果又低下,因此,对这些数据预处理是非常必要的.研究发现,这些初始数据对应的变换矩阵的本征值谱与氨基酸残基序列情况无关,只与氨基酸的类别、数量性质有关,而其本征函数数据能够直接反映氨基酸残基的序列情况,利用有显著大小的本征值对应的本征函数作为描述参数,在进行蛋白质二级结构预测时,不但能够显著减少描述参数的个数,而且它体现了氨基酸顺序的变化,这将有效提高蛋白质二级结构预测研究效果.     

用信息聚类方法研究蛋白质的氨基酸组成和二级结构含量…

从蛋白质的氨基酸组成出发，用信息聚类方法给出了蛋白质的聚类树状图，发现树状图的分支与蛋白质二级结构的含量有较强的相关性。     

蛋白质的二级结构和mRNA的二级结构的相关性研究

利用置信度为95的特征字研究了蛋白质二级结构以及其对应mRNA二级结构，发现蛋白质二级结构和mRNA二级结构有明显的相关性。规则二级结构α—螺旋，β—折叠以及包含有Turn的边界明显倾向于mRNA二级结构的茎区，而避免出现在环区。     

蛋白质二级结构的红外光谱

蛋白质的多肽锭组成了各种特定的三维空间构象，氢键在维系这种构造中起着十分重要的作用。本文通过红外光谱法研究了蛋白质的二级结构和氢键在维系这种构造中的作用，发现具有螺旋和折叠构象的多肽链主要以反式构象为特征排布。     

基于神经网络的蛋白质二级结构预测

提出一种蛋白质二级结构预测的新方法.该方法首先对数据集中的氨基酸序列利用PSI-BLAST程序进行同源序列搜索,得到相应的PSSM矩阵,然后利用滑动窗口方法对矩阵进行编码,得到分类器的输入.采用分类器集成,将所有的样本划分成9个互斥训练集对单个子分类器进行训练.然后,9个单独的0-1子分类器通过最大投票法进行集成,形成识别一种特定的蛋白质二级结构的0-1分类器.这样3个0-1分类器模型通过串行集成,可以对蛋白质的三种二级结构(H/E/C)进行识别.通过对标准数据集RS126,CB396,CB513进行测试发现,对于同一分类器,利用PSSM矩阵作为分类器输入的预测准确率要高于直接将蛋白质序列作为输入的预测率.     

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.     

连续小波变换在蛋白质结构预测中的应用

将代码为3pgal蛋白质的氨基酸序列映射为疏水值序列，在合适的尺度下，通过连续小波变换方法可对其非规则二级结构进行预测，淮确率为83．3％。从PDBsum数据库中随机抽取100个蛋白质作为测试对象，经本法处理后，1853个非规则二级结构中有1424个能被淮确预测到，平均预测淮确率为76．8％。结果表明：该法可较好地预测蛋白质的非规则二级结构，具有极大的发展前景。     

蛋白质二级结构预测中的简化编码技术

神经网络用于蛋白质二级结构预测时，通常氨基酸序列采用正交二进制编码。基于不同残基间的物理化学性质，提出了简化的编码技术，并与其他蛋白质二级结构预测的方法进行了比较。实施结果表明：这种方法更充分地利用了蛋白质一级结构的信息，有较好的效果。