膜蛋白类型预测中降维算法与不平衡问题的研究

论文摘要

膜蛋白的类型对于了解其结构和功能具有重要意义。随着后基因组时代的到来,传统的通过生物实验进行膜蛋白类型预测的方法逐渐不再适用。基于机器学习的方法因其高效率、低成本,成为替代传统生物实验的一种新方法。鉴于机器学习方法在膜蛋白类型预测中存在着多种优势,本文将对其进行深入研究,具体包括以下几个方面:1.氨基酸组成信息、物化信息和进化信息是蛋白质序列的三种基本信息,本文从这些信息出发,构建了丰富有效的特征表达方法。主要有局部氨基酸组成（LAAC）、局部二肽组成（LDC）、三肽组成（TC）、物化指数和（SPPI）、自相关函数（ACF）、削减位置特异性评分矩阵（RPSSM）、进化差异位置特异性评分矩阵（EDP）和伪位置特异性评分矩阵（PsePSSM）。其中,物化指数和（SPPI）是本文基于AA index数据库提出的一种新的特征表达方法。2.经过特征表达过程后会出现两个问题:高维特征问题和特征异质性问题。当处理高维特征问题时,本文提出了基于最大信息系数和遗传算法的两阶段特征选择算法（MIC-GA）。MIC-GA能够同时得到对分类最为有效的特征子集和对应的最优分类器参数。实验结果证实了 MIC-GA算法在去除冗余特征和提高分类器性能方面的有效性。当处理特征异质性问题时,本文将特征异质性问题转化为分类器异质性问题。利用Stacking集成方法能够很好地处理分类器异质性问题的特点,间接地解决了特征异质性问题。3.膜蛋白数据集经常存在着严重的不平衡问题,这会导致少数类别的样本在预测过程中精度偏低。本文通过采用SMOTE过采样与Tomek Link欠采样相结合的重采样技术,在训练前对数据进行预处理。由于SMOTE方法是在数据维度较高时,会产生大量的噪音数据。因此,本文在数据重采样前,通过改进原始的ReleifF算法,基于模糊隶属度提出了FReliefF特征选择算法（Fuzzy-ReleifF）,对数据的特征进行维度约减。实验结果说明了本方法的有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 引言
•   1.2 研究背景及意义
•   1.3 国内外研究现状
•   1.4 本文的研究内容和创新点
•   1.5 本文的组织结构
• 第二章 膜蛋白类型预测中常用的特征表达与分类算法
•   2.1 引言
•   2.2 膜蛋白类型预测中的特征表达方法
•     2.2.1 基于氨基酸组成（AAC）的特征表达方法
•     2.2.2 基于二肽组成（DipC）的特征表达方法
•     2.2.3 基于伪氨基酸组成（PseAAC）的特征表达方法
•     2.2.4 基于蛋白质进化信息的特征表达方法
•   2.3 膜蛋白类型预测的分类算法
•   2.4 膜蛋白类型预测模型的检验方法与性能评估指标
•     2.4.1 分类模型的检验方法
•     2.4.2 分类模型的性能评估方法
•   2.5 本章小结
• 第三章 基于多种信息的特征表达方法与两阶段特征选择的膜蛋白类型预测
•   3.1 引言
•   3.2 基于多种信息的特征表达方法
•     3.2.1 基于氨基酸组成的特征表达方法
•     3.2.2 基于物化性质的特征表达方法
•     3.2.3 基于进化信息的特征表达方法
•   3.3 两阶段的特征选择方法
•     3.3.1 最大信息系数
•     3.3.2 基于遗传算法的特征选择
•     3.3.3 基于最大信息系数和遗传算法的特征选择
•   3.4 实验结果及分析
•     3.4.1 数据集
•     3.4.2 比较特征表达方法的效率
•     3.4.3 MIC-GA特征选择方法的性能分析
•     3.4.4 分析MIC-GA特征选择后的特征
•     3.4.5 MIC-GA与其他特征选择方法的比较
•   3.5 本章小结
• 第四章 基于Stacking集成学习的特征融合
•   4.1 引言
•   4.2 Stacking集成方法
•   4.3 基于Stacking集成方法的特征融合
•     4.3.1 基分类器—随机森林（RF）
•     4.3.2 元分类器—神经网络（NN）
•   4.4 实验结果及分析
•     4.4.1 实验环境
•     4.4.2 数据集
•     4.4.3 Stacking算法的融合效率
•     4.4.4 与前人的比较
•   4.5 本章小结
• 第五章 基于数据重采样的膜蛋白类型预测
•   5.1 引言
•   5.2 特征表达方法
•   5.3 FReliefF算法
•   5.4 SMOTE过采样与Tomek Link欠采样相结合的数据重采样技术
•   5.5 实验结果及分析
•     5.5.1 FReliefF算法与ReliefF算法的性能比较
•     5.5.2 FReliefF算法与其他特征选择算法的比较
• TOMEK方法的有效性'>    5.5.3 SMOTE_TOMEK方法的有效性
•   5.6 本章小结
• 第六章 总结
•   6.1 全文工作总结
•   6.2 未来的工作与展望
• 参考文献
• 攻读硕士学位期间发表的学术论文与参与的科研项目
•   发表的学术论文
•   主持和参与的科研项目
• 致谢

文章来源

类型: 硕士论文

作者: 郭磊

导师: 王顺芳

关键词: 膜蛋白类型预测,特征表达,特征选择算法,集成学习,数据不平衡

来源: 云南大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,自动化技术

单位: 云南大学

分类号: Q51;TP18

总页数: 68

文件大小: 3840K

下载量: 44