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。     

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。     

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％。     

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。     

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。     

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。     

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。     

神经网络预测蛋白质二级结构的编码技术

考虑不同残基的物理化学性质,将其融入蛋白质二级结构的神经网络预测中,提出了一种新的归一化二进制编码技术,将各种残基不同的疏水值与体积大小归一化结果作为神经网络的二进制输入序列．与其他蛋白质二级结构预测的方法进行了比较,结果表明,该方法能充分利用蛋白质的一级结构信息,获得了很好的预测效果。     

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。     

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.     

用4肽结构字预测蛋白质二级结构

介绍一种新的方法来预测蛋白质二级结构.该方法是基于4肽结构字的基础上,利用4肽结构字建立多样性源同时结合二次判别法来预测一个序列片段中心残基的二级结构,最后对预测后的结果进行修正.对1645个蛋白进行检验,其21残基片段中心残基,10折交叉检验的结果Q**3(Q3score)达到79.68%.当考虑长程序列信息时,预测将会更精确.与其它预测软件相比较,显示了一定的优势.     

Prediction of Topological Structure of Protein from Its Secondary Structure Sequence

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

SARS冠状病毒N蛋白的表达及二级结构预测分析

通过RT-PCR获得SARS冠状病毒N蛋白基因，分别克隆到原核表达载体pET21a，pET32a和pGEX-4T-1中，将3种重组质粒pET2la-N，pET32a-N和pGEX-4T-1-N分别转化大肠杆菌BL21(DE3)，经IPTG诱导，细菌中分别表达出约46kD的重组N蛋白、约60kD的6xHis-N融合蛋白和约70kD的GST-N融合蛋白，表达量分别达总蛋白的45％、40％和30％．进一步的分析表明：6xHis-N融合蛋白在大肠杆菌中为可溶性表达，该可溶性组分占细菌裂解液的70％左右，且能被6xHis抗体所识别．用蛋白分析软件对N蛋白进行了序列分析和二级结构预测．SARS冠状病毒N蛋白在大肠杆菌中的高效可溶性表达，有助于进一步结晶后进行X射线晶体衍射分析其结构与功能．     

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.     

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。