基于随机森林算法的关键蛋白识别方法研究

论文摘要

识别出生物体内有用的蛋白质对生物体进化以及医学领域都要极其重要的作用。当前辨别蛋白质重要性的方式有两种。一是基于生物化学方法,但利用生物实验的方法来识别具有一定的缺陷,具体表现为:时间较长、费用较高、以及不能处理数据量较大的问题等等。二是利用计算机为工具对生物进行分析并以生物学的相关知识进行解释的一种方式。利用计算机识别蛋白重要性的方法大多是利用蛋白质交互网络(Protein Interaction Network)提取拓扑中心性度量特征来识别。可是由于一些相关生物实验数据的残缺和蛋白质网络自身的复杂性,一直没有发现可以准确区别关键蛋白质和非关键蛋白质的单一中心性度量特征,并且从目前的相关研究来看,关键蛋白质和非关键蛋白质间的区别不能由单一特征决定,应该是由多种因素共同决定的。单一中心性度量往往不能有效识别关键蛋白质,需要融合多个拓扑中心性度量方法,突破传统的利用排序进行精细选择的方式,建立机器学习模型进行蛋白的分类和识别。随机森林算法属于集成类型的算法,可以集成多个单分类器即集成多棵决策树的分类效果从而组成一个整体意义上的分类器。鉴于之前研究均是利用单一特征进行分类识别,且由于随机森林具有集合多分类器的优点,分类效果具有明显的优势,因此本文选择随机森林机器学习方法来识别蛋白质的重要性。本文将从分析蛋白质网络结构出发,融合多个拓扑中心性度量方法,利用随机森林算法构建模型,对关键蛋白质的识别进行研究与分析。本文选用芽殖酵母蛋白质作为研究对象,具体的研究内容包括将收集到的数据进行清洗,构造蛋白质网络(PPI),选用六种中心性度量方法进行特征的提取,构建识别关键蛋白质的模型,选择随机森林算法,以及将实验结果用统计学指标进行评估分析。结果表明该算法可以准确快速的识别出关键蛋白质,排除假阳性、冗余性等干扰因素,相比较其他算法具有更高的识别能力。综上所述本文提出的融合多个中心性度量方法,利用随机森林算法建立蛋白重要度预测模型能够更有效的识别关键蛋白。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究的背景与意义
•   1.2 国内外的研究现状
•   1.3 本文的主要工作
•   1.4 本文的章节安排
• 第二章 随机森林的基础理论框架
•   2.1 决策树
•   2.2 分类器组合方法（集成方法）概述
•   2.3 随机森林及其理论背景
•   2.4 本章小结
• 第三章 基于随机森林的关键蛋白识别方法研究
•   3.1 概述
•   3.2 关键蛋白特征提取
•   3.3 随机森林预测模型构建
•   3.4 随机森林构建步骤
•   3.5 本章小结
• 第四章 相关实验结果分析
•   4.1 实验数据
•   4.2 数据集
•   4.3 实验评价指标
•   4.4 随机森林实验结果及分析
•   4.5 本章小结
• 第五章 总结与展望
•   5.1 工作总结
•   5.2 下一步工作展望
• 参考文献
• 作者简介
• 致谢

文章来源

类型: 硕士论文

作者: 张敬垚

导师: 于合龙

关键词: 蛋白质相互作用网络,关键蛋白质,机器学习,随机森林

来源: 吉林农业大学

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: 吉林农业大学

分类号: Q51;TP181

DOI: 10.27163/d.cnki.gjlnu.2019.000169

总页数: 36

文件大小: 1052K

下载量: 63