用离散量预测原核生物蛋白质的亚细胞位置

基于不同亚细胞位置中蛋白质的氨基酸组成及序列信息不同这一观点，以单个氨基酸含量及两两组合氨基酸含量为信息构成离散源，分别计算了原核生物蛋白质三类亚细胞位置的标准离散量D(Z)，D(Xp)，D(Xc)．利用离散增量的概念预测蛋白质的亚细胞位置，它是由这个蛋白质的离散量D(X)与三个标准离散量D(Xc)，D(Xp)，D(Xc)之间离散增量的最小值所决定的．采用Self—consistency检验和Jack—knife检验方法，给出了选择五组不同信息作为离散源中参数时的预测结果．与现有的方法比较，发现用Jack—knife检验法预测extracellular类蛋白质时，给出的离散量方法能够给出最好的预测性能，结果也表明提取更多有效的序列信息是提高预测精度的关键．     

革兰氏阴性菌中蛋白质亚细胞定位预测

根据革兰氏阴性菌蛋白不同亚细胞位置、其一级结构中氨基酸含量、氨基酸的关联性及亲疏水性的不同，利用最小离散增量的方法，分别以20个氨基酸组份、400个氨基酸二联体组份及氨基酸亲疏水性在蛋白质上的分布为参数构成离散源，对革兰氏阴性菌蛋白的5类亚细胞定位进行预测，分别用self—consistency方法和Jack-knife方法预测，均取得了较高的预测成功率．     

小鼠蛋白质亚细胞定位预测

在构建小鼠蛋白质亚细胞定位和小鼠跨膜蛋白类型数据库的基础上,利用离散增量结合协变判别函数分别对小鼠蛋白质亚细胞定位和小鼠跨膜蛋白类型进行了预测.对小鼠蛋白质亚细胞定位数据库,Self-consistency检验和Jackknife检验预测成功率分别达到99.0%和75.6%;对小鼠跨膜蛋白类型数据库,Self-consistency检验和Jackknife检验预测成功率分别达到85.6%和77.5%.     

用离散量方法预测细胞凋亡蛋白的亚细胞位置

细胞凋亡蛋白的亚细胞位置与它的功能紧密相联．基于一个凋亡蛋白的亚细胞位置主要决定于它的氨基酸序列这一观点，提出了一种新的预测凋亡蛋白亚细胞位置的算法——离散量方法．计算了蛋白质一级序列中紧邻残基对的出现个数，作为离散源中的参数，利用离散增量极小化对四类凋亡蛋白进行定位预测．采用Zhou和Doctor使用的数据库，通过Re-sub-stitution检验和Jack-knife检验方法，离散量方法比他们使用的协变判别式算法总体预测成功率分别高1．0％和12．2％；采用我们自己整理的扩大以后的数据库，通过Re-substitution检验和Jack-knife检验方法，总体预测成功率分别为88．1％和78．1％．     

SOM的聚类算法研究

自组织特征映射神经网络SOM（Self Organizing Feature Maps）作为一种优良的聚类工具,具有无需监督,能自动对输入模式进行聚类的优点,已经得到了广泛的应用．针对SOM可能出现“死结点”现象,文章引进了“良心”算法,实例证明是有效的．     

基于BP和SOM神经网络相结合的地震预测研究

地震预测由于其产生原因的复杂性,一直是世界公认的难题.本文提出一种将多层前馈神经网络(BP网络)和自组织特征映射神经网络(SOM网络)相结合的方法并应用到地震震级的预测中,首先利用自组织特征映射神经网络对地震的原始数据进行聚类预处理,使具有内在规律的样本点集中在一起,之后利用BP神经网络对样本数据进行学习和预测,结果表明,相比直接利用BP神经网络预测结果,增加SOM聚类处理过程能有效的减小预测误差.说明此方法可以有效的汇总出与地震关系密切的因素,也表明SOM对相关震级参数分类的有效性,对利用模糊预测方法来实现震级的预测是一种有效的辅助手段.     

一种新的蛋白质亚细胞定位预测训练集构造方法

设计了一种新的蛋白质亚细胞定位预测训练集构造方法.该方法针对传统预测方法缺乏足够的实验标记数据的问题,基于主动学习策略从非实验标记蛋白质数据中主动选择有效数据,并与原有的实验标记数据共同训练预测模型,以提高基准分类器的预测精度.结合支持向量机分类器,该方法在病毒蛋白质独立测试集上进行了预测实验,测试结果表明,该方法能够有效地提高基准分类器的预测能力,性能优于现有的病毒蛋白质预测系统.     

以位置特异性得分矩阵和基因本体为特征的蛋白质亚细胞定位预测

提出一种蛋白质亚细胞定位预测方法.该方法以位置特异性得分矩阵和基因本体抽取对应特征,结合支持向量机构建多标签分类模型.充分考虑了蛋白质进化信息对其亚细胞定位的影响,并基于文本分类中涉及到的卡方检验的对数变换思想,构建基因本体注释信息的加权系数对其进行加权处理,从而提高预测的准确率.采用支持向量机作为基分类器构建多标签分类模型,进一步提高预测的准确率.通过在目前该领域两个常用的真实数据集上进行的一系列测试结果表明,该方法能有效提高蛋白质亚细胞定位预测的准确率.     

基于一种新型马尔科夫模型的预测蛋白质亚细胞位点的方法

亚细胞位点是蛋白质很重要的功能特征.找到一种有效的、可信度高的预测蛋白质位点的方法是很必要的.提出了一种基于马尔科夫模型的改进预测方法.首先,对于一条给定的蛋白质序列,通过计算在马尔科夫模型下20个氨基酸残基的状态转移矩阵,建立一个420维的特征向量,然后利用支持向量机进行训练和预测,最后夹克刀检验证实了该方法的预测精度与以前的马尔科夫模型相比得到了一定的提高.     

蛋白质亚细胞定位预测研究进展

蛋白质的功能与其在细胞中的定位有着密切的联系,新合成的蛋白质必须处于适当的亚细胞位置才能正确的行使其功能．预测蛋白质的亚细胞定位,在确定一个未知蛋白质的功能,了解蛋白质相互作用等方面有着重要的意义．机器学习方法在蛋白质亚细胞定位研究中扮演着一个重要的角色．笔者从数据集的构建、蛋白质序列特征提取方法、蛋白质亚细胞定位预测算法以及预测算法的性能评估等四方面总结了过去十几年间机器学习方法在蛋白质亚细胞定位研究中的应用情况,系统阐述了蛋白质亚细胞定位预测研究的进展．     

用离散量方法预测蛋白质亚细胞定位

根据蛋白质的亚细胞定位，将蛋白质分为四类，用离散量的数学理论，提出了预测蛋白质的亚细胞定位理论方法，利用蛋白质中氨基酸组分，通过计算离散增量和离散有限系数预测蛋白质的亚细胞定位，用self—consistency和Jackknife两种方法测试均获得较高的预测成功率。结果表明：蛋白质类中包含的蛋白质数越多，预测成功率越高。     

蛋白质亚细胞定位的序列分析

对SWISSPROT(2002年)数据库中经过筛选得到的12类亚细胞序列的氨基酸单个出现的概率、紧邻出现的概率进行统计和比较,结果表明,除个别类之间氨基酸单个出现的概率、紧邻出现的概率比较接近外,在大多数类之间氨基酸单个出现的概率、紧邻出现的概率是有明显区别的.     

基于自适应密度聚类分析的雷电定位算法

定位精度是评价雷电定位网络的重要指标之一,定位算法直接关系到雷电探测结果的精度。经典定位法抗误差干扰能力差、定位精度低,传统迭代算法易于发散且会陷入局部最优。为了实现更有效的定位,在定位计算中引入改进密度聚类算法(adaptive density-based spatial clustering of applications with noise,ADBSCAN)。通过雷击事故实例和区域仿真分析了定位算法的性能。结果表明,ADBSCAN不需要人工干预,对于雷电定位结果的聚类效果更好;基于ADBSCAN的雷电定位算法克服了传统定位算法的缺点,提高了抗误差干扰的能力,能稳定并精确求解出雷击点。     

一种基于最优局部信息融合的蛋白质-亚细胞定位预测方法

 基于蛋白质的合成及分选机制,提出了一种新的蛋白质亚细胞定位预测方法。先采用遍历搜索技术,找出各种亚细胞蛋白质序列分选信号和成熟蛋白质之间的最佳分割位点,把蛋白质序列分为两条子序列,计算这两条子序列中的氨基酸组份并将它们融合起来作为整条蛋白质序列的特征,然后构造用于识别每类蛋白质的最佳子分类器,再根据最大化原则组建集成分类器。在NNPSL数据集上,采用5重交叉验证方法对本文方法进行测试,原核和真核两个蛋白质序列子集分别取得94.1%和87.5%的总体预测精度。同时,此方法在一些蛋白质序列中找到的分割位点与真实生物现象相吻合,能为预测蛋白质序列的剪切位点提供参考信息。     

基于SOM网络的基因表达数据聚类分析

提出了用自组织映射(SOM)网络对生物信息学中基因表达数据进行聚类分析的方法。用SOM网络对酵母基因表达数据进行聚类。通过对映射结果的分析,表明SOM网络有较高的分类正确率,用于基因表达数据的聚类分析是行之有效的。     

一种基于多算法协同定位的蜂窝无线定位算法模型

基于数据融合的概念和原理,采用到达时间差(TDOA)定位技术,将其应用于多算法协同定位,进一步提高对移动台(MS)定位估计的准确性。最后仿真结果表明利用此多算法协同定位模型,能得到更准确可靠的移动台估计位置,有效地提高了定位精度。     

基于自组织映照网络的聚类

提出并实现了利用自组织特征映照网络来解决模式识别中的聚类问题的算法,对该算法的理论基础进行了必要的阐述,给出了实现的具体算法,同时提供了计算机的仿真结果。