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%.     

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.     

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。     

PCA方法在蛋白质亚细胞定位中应用

蛋白质的亚细胞定位与其生物功能密切相关,蛋白质数据库急剧膨胀,迫切需要设计出功能强大的高吞吐量的算法来预测蛋白质的亚细胞位置.许多预测工具都是基于伪氨基酸组成构建而成,应用一种数据分析方法——主成分分析(PCA)法,确定能反映序列次序效应的最优λ值.首先让λ取最大以包含尽可能多的序列次序信息,然后利用主成分分析法提取关键主特征.实验结果表明此方法能解决确定最优λ值困难的问题,且性能优于已有的预测工具.     

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．     

基于概率神经网络的蛋白质亚细胞定位

文章通过对氨基酸词频的分析，应用概率神经网络来自动地进行蛋白质亚细胞定位．对于真核生物蛋白质的预测精度达到了82％。对于原核生物的预测精度则达到了92%．而且对于蛋白质序列N端缺失的情况有很好的鲁棒性．     

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.     

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.     

基于伪氨基酸组成和支持向量机预测人类蛋白质亚细胞定位的研究

蛋白质亚细胞定位是当前生物信息学和蛋白质科学的重要研究领域,本研究从蛋白质一级序列出发,取伪氨基酸组成向量作为输入数据,运用支持向量机作为预测工具,对人类12类蛋白质亚细胞的定位进行预测,得到独立检验的结果为85.2%,Jack knife 检验的结果为80.6%;结果显示,用较简单的预测方法,得到了较好的预测结果.     

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。     

一种面向最近邻分类器和动态Snake模型的血红细胞图像特征提取方法

利用动态可变的Snake活动轮廓模型,并提取相应的特征区域色彩信息,结合改进的最近邻(Nearest Neighbor,NN)分类器核鉴别算法,通过信息融合方法实现对血红细胞图像的特征精确提取,这种方法可应用于临床辅助检测和诊断过程,具有一定的应用价值。     

小麦PGIP的免疫组织细胞化学定位

通过电镜及光镜采用酶免疫组织化学技术，快速组织印迹及dot-immunobinding assay研究了多聚半乳糖醛酸酶抑制蛋白（Polygalacturonase inhibiting protiein，简称PGIP）在小麦组织细胞中的定位分布及含量，结果表明，PGIP主要集中分布于维管系统和表皮，亚细胞水平定位于与细胞壁连接的外侧细胞质膜和细胞质中，同一品种小麦的不同器官PGIP含量不同，其中茎的PGIP含量最高，根次之，叶中最少，对小麦PGIP的分布定位与其功能关系进行了讨论，为PGIP的在单子叶植物中是构成组成型防御机制的一部分提供了依据。     

Fourier-Laplace级数线性平均的局部化

研究了球面上借助于下三角陈Ａ确定的Ｆｏｕｒｉｅｒ－Ｌａｐｌａｃｅ级数性求和法的局部化问题,得到了Ｆｏｕｒｉｅｒ－Ｌａｐｌａｃｅ级数局部线性可和的充分条件。     

支持向量机在视频运动目标分析中的应用

提出一种基于支持向量机的运动目标分类方法. 先将支持向量机引入分析视频运动目标中, 再在视频中筛选出简单有效的组合特征对目标进行分类. 该方法先使用混合Gauss背景模型提取前景运动目标, 获取目标的形状特征和运动特征, 再利用支持向量机对样本数据进行训练, 得到最优决策函数. 实验结果表明, 利用支持向量机和运动目标特征组合的方法进行运动目标分析实用、 有效.     

A集的局部化

本文在 A 集范畴 Ens-A 中引入局部化的概念.证明了如果 A 集 M 是内射(右投射、平坦),则其局部化后得到 S~(-1) A 集 S~(-1) M 也是内射(右投射、平坦),并由此推出如果交换幺半群 A 是完全内射(完全投射,绝对平坦)的.则半群局部化 S~(-1) A 亦分别具有上述性质.同时本文证明了对于 A 集 M 和 N,及 A 的子半群 S(S 满足条件:■_(S1,S2) ∈S,存在■ y ∈A,使得 ys_1=ys_2 ∈S)有 S~(-1) A 同构:S~(-1) (M■ N)≌S~(-1) M■S~(-1) N.     

关于可逆半群的局部化

本文讨论可逆半群S在幂等元半格E上的局部化的存在和唯一,然后讨论其与S的最小群同余之间的关系。     

基于机器学习的论文作者名消歧方法研究

本文提出了一种基于规则匹配和机器学习的论文作者名自动化消歧方法:首先基于人工构建的人名匹配规则确定候选作者,对于存在多个候选人的情况,基于论文的属性信息(例如合作者、标题、摘要、关键词和出版物名称等)提取特征,然后选取合适的机器学习算法进行消歧.实验效果表明K近邻和Softmax分类器较适合于论文作者名消歧任务;此外,将作者信息与论文的其他信息分开提取特征能够有效提高作者名消歧的准确性.     

改进的遗传算法在蛋白质结构预测中的应用

摘要:为了提高蛋白质结构预测效率,针对蛋白质HP模型折叠问题,在标准遗传算法的基础上,本文提出了一系列改进的搜索策略:控制群体中全同体数目保持群体多样性;在交叉阶段实施单点交叉父子竞争提高个体生存竞争力;对最优个体实施系统变异局部优化等. 实验结果表明,与标准遗传算法相比,改进后的遗传算法较大幅度的提高了搜索效率和成功率,遗传算法在蛋白质空间结构预测上是一个有相当潜力的算法.     

基于学习分类器(LCS)的MP3音乐分类方法

面向MP3音乐的分类方法是利用MP3编解码的特点,将MP3音乐文件表示成特征向量,采用常用机器 学习分类方法对音乐文件进行分类。重点对MP3音乐特征片段提取和分类方法进行讨论,提出基于离散余弦变 换（MDCT）系数域3种特征参数的特征片段提取方法和基于LCS(学习分类器)的音乐分类方法。实验表明,特征 片段提取方法能够在最短时间内找到最具有“特征”的特征片段,从而缩小了匹配时间,因此LCS分类方法提高了 分类方法的命中率。