导读:本文包含了蛋白质功能预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:蛋白质,功能,相互作用,网络,本体,机器,标签。
蛋白质功能预测论文文献综述
赵颖闻,王峻,郭茂祖,张自力,余国先[1]（2019）在《基于0-1矩阵分解的蛋白质功能预测》一文中研究指出准确地标注蛋白质功能是功能基因组学的核心任务之一.蛋白质功能标注信息存在大量缺失且功能标签空间巨大.近期一些标签压缩方法被提出并应用于蛋白质功能预测,但是这些方法获取的压缩标签可解释性差,且面临着多标记学习中的阈值划分难题.为解决这些问题,本文提出一种基于0-1矩阵分解的蛋白质功能预测方法 (zero-one matrix factorization, ZOMF). ZOMF首先将蛋白质–功能标签关联矩阵分解成两个低秩0-1矩阵,挖掘蛋白质和功能标签间的内在关联.其次它利用蛋白质互作网和基因本体结构信息分别针对上述两个低秩矩阵定义了平滑正则项,约束指导低秩矩阵的优化.最后它利用优化获取的低秩矩阵重构关联矩阵,进而实现蛋白质功能预测.通过在酵母菌、拟南芥、老鼠和人类数据集上的实验表明, ZOMF比已有的相关算法能够更准确地预测蛋白质功能,它无需对重构的关联矩阵进行阈值划分,压缩的0-1标签可解释性更直观.(本文来源于《中国科学:信息科学》期刊2019年09期）
刘琳,唐麟,唐明靖,周维[2]（2019）在《基于布尔矩阵分解的蛋白质功能预测框架》一文中研究指出蛋白质是细胞生命活动中最重要和最多样的一种大分子物质.因此,研究蛋白质功能对于破解生命密码具有重要的意义.以往的研究表明蛋白质功能预测问题本质上是一个多标签分类问题,但庞大的功能标签数量使得各种多标签分类器在蛋白质功能预测中的应用面临巨大挑战.针对蛋白质功能标签数量庞大且标签关联性较高的特点,提出了一种基于布尔矩阵分解的蛋白质功能预测框架(protein function prediction based on Boolean matrix decomposition, PFP-BMD).同时,针对目前布尔矩阵分解算法中精确分解和列利用条件难以同时满足的问题,提出一种基于标签簇的精确布尔矩阵分解算法,使其通过标签关联矩阵实现标签的层次扩展聚簇,并通过相关推论证明了该算法可实现最优的精确布尔矩阵分解.实验结果表明:提出的布尔矩阵分解算法在计算复杂度上具有较大优势,且应用了该算法的蛋白质功能预测框架可有效提升蛋白质功能预测的准确率,为各种多标签分类器在蛋白质功能预测中的高效应用奠定了基础.(本文来源于《计算机研究与发展》期刊2019年05期）
霍思聪[3]（2019）在《基于密度聚类算法和等距离映射预测蛋白质功能模块算法的研究》一文中研究指出一个生命体内所有蛋白质之间的相互作用形成了蛋白质相互作用(Protein-Protein Int eraction,PPI)网络,利用该网络可以识别与分析细胞环境中蛋白质分子的相互作用,以便深入理解蛋白质分子相互作用与执行功能的机制,帮助预测未知的蛋白质功能。智能优化算法在蛋白质功能预测研究领域已经得到深入研究,但是蛋白质功能预测的精确率、执行效率还有待提高,并且PPI网络中各种数据噪声影响也是一个问题。聚类算法是智能优化算法在蛋白质功能预测研究中的重要部分,因此本文通过研究已有基于PPI网络的聚类算法,深入了解各种聚类算法的优缺点,然后针对当前存在问题,提出基于密度聚类算法和等距离映射的蛋白质功能模块预测算法。本文所做主要工作如下所述。(1)基于PPI网络的聚类算法分类及比较。本文根据PPI网络的特征属性将其划分为基于PPI网络的单元聚类算法和基于PPI网络的多元聚类算法。根据蛋白质功能模块检测算法涉及单个蛋白质元素特征或考虑多个蛋白质特征本文把这些聚类算法分为单元聚类算法和多元聚类算法。单元聚类算法是逐个考虑每个蛋白质元素的特征,再对数据进行聚类;多元聚类算法是同时考虑多个蛋白质元素特征,综合多个特征进行聚类,从而得到不同的簇。(2)近些年来密度聚类算法广泛应用到蛋白质功能模块预测中,传统的密度聚类算法存在聚类精确度低和执行效率低的问题,首先对密度聚类算法进行改进,对PPI网络中低密度局部节点区域搜索能力进行改进,该算法对PPI网络进行聚类,获得其蛋白质功能模块的簇。密度聚类算法每次聚类时从局部最大密度数据出发进行聚类分析,最后获得蛋白质功能模块。(3)由于聚类分析后所获得的蛋白质簇维数过高,影响最终蛋白质功能模块预测的结果。针对这一个问题,对等距映射降维算法进行改进。根据局部线性原理,利用任意簇的图形建立矩阵;利用MDS算法获取高维数据的低维表示,使得降维后数据点之间保持高维数据点之间的测地线距离关系。最后完成高维到低维的数据处理。(4)针对目前预测蛋白质功能模块算法的精确率、执行效率及数据噪声问题,提出基于密度聚类算法和等距离映射的蛋白质功能模块预测算法。根据PPI网络中的核心节点、各节点位置、PPI网络结构这叁个重要信息作为预测蛋白质功能模块的重要属性,使用上述改进密度聚类算法进行聚类分析,再使用上述改进等距映射降维算法对聚类后的数据进行主成份分析。然后利用多层感知器进行训练。最后对所提出的算法和现在几种主流预测蛋白质功能模块算法进行数据实验,实验结果表明所提出算法比当前主流算法在精确率、执行效及降低数据噪声方面均具有明显提高,表明所提出算法在改善这个叁个指标方面是有效的。综上所述,针对目前智能算法在基于PPI网络的蛋白质功能预测研究领域存在的问题,本文通过对智能算法中的各种聚类算法进行比较研究,然后在此基础上提出基于密度聚类和等距离映射的蛋白质功能预测算法,数据实验表明该算法是有效的。基于PPI网络的蛋白质功能预测研究领域还有很多问题,还需要进行深入研究。(本文来源于《南宁师范大学》期刊2019-05-01）
唐家琪,吴璟莉,廖元秀,王金艳[4]（2019）在《基于双加权投票的蛋白质功能预测》一文中研究指出蛋白质是完成重要生物活动所必需的分子。准确掌握蛋白质功能,将对生命科学研究及应用起到极大的促进作用。高通量技术的发展产生了海量的蛋白质序列,利用计算技术预测大规模蛋白质功能已成为当今生物信息学的核心任务之一。目前,作为蛋白质功能预测的研究热点,基于蛋白质相互作用网络的预测方法在降低数据噪声影响、充分利用网络拓扑特性及整合多源数据等方面仍不够完善。文中结合带阻力随机游走得到的全局拓扑相似度,及功能术语的语义相似度,设计了一种双加权投票蛋白质功能预测算法BiWV;并在此基础上整合了生物通路信息,提出了带生物通路的双加权投票算法——BiWV-P。在酿酒酵母和人类数据集上,对所提算法与TMC,UBiRW和ProHG 3种算法的预测效果进行对比分析。实验结果显示,算法BiWV和BiWV-P能够有效预测蛋白质功能,并在许多数据集上获得较其他算法更高的微正确率与微F1。(本文来源于《计算机科学》期刊2019年04期）
赵颖闻[5]（2019）在《基于基因本体降维的蛋白质功能预测研究》一文中研究指出蛋白质是活细胞生命活动中最主要的载体,执行着生物体内各种重要功能。对蛋白质功能进行自动标注是生物信息学领域的关键问题,也是后基因组时代的核心问题之一。准确全面地对蛋白质进行功能标注,不仅能帮助人们正确理解生命机理,而且对疾病分析、药物研发、农作物促产等研究领域都有着极大的促进作用。基因本体(Gene Ontology,GO)是一种在蛋白质功能预测中被广泛使用的功能标注数据库。本体中包含多于45000个功能标签术语,但是一个蛋白质仅被其中的几个或者几十个功能标签标注,且这些标签间存在复杂的结构关系,给蛋白质功能预测工作带来了巨大挑战。本文结合基因本体建模及其降维学习,进行蛋白质功能预测研究,主要工作如下:(1)提出一种基于基因本体图哈希的蛋白质功能预测方法(HashGO)。该方法首先利用基因本体图结构定义功能标签间的分类相似度,然后将该相似度结合到图哈希技术中并优化一系列哈希函数,再以二进制的形式编码大规模的功能标签术语。其次,利用这些哈希函数将蛋白质-功能标签关联矩阵映射到低维哈希空间,基于海明距离计算蛋白质之间的语义相似度。最后,HashGO基于语义近邻蛋白质的功能预测蛋白质功能。在酵母菌和人类这2个模式生物数据集上都显示了该方法在蛋白质功能标注预测中的有效性和优越性。与现有算法相比,HashGO不仅具有更高的预测精度,而且运行效率也有一定的优势。(2)由于HashGO在本体图哈希的过程中存在破坏基因本体的层次结构关系的风险,本文提出另一种基于基因本体层次结构保持哈希的蛋白质功能预测方法(HPHash)。该方法首先测量功能标签间的层次偏序关系,并基于这种关系指导层次保持哈希技术去编码功能标签术语。其次将蛋白质-功能标签关联矩阵投影到低维哈希空间,并在低维空间中执行基于语义近邻的功能预测。在人类、小家鼠和褐家鼠这3个模式物种上进行的功能预测实验表明,HPHash不仅可以保持本体的层次结构关系来更准确地预测蛋白质缺失的功能标注,而且鲁棒性强。(3)上述两种方法获取的压缩标签可解释性差,且面临着多标记学习中的阈值划分难题。为解决这些问题,本文提出一种基于0-1矩阵分解的蛋白质功能预测方法(ZOMF)。该方法首先将蛋白质-功能标签关联矩阵分解成两个低秩0-1矩阵,挖掘蛋白质和功能标签间的内在关联。其次它利用蛋白质互作网和基因本体结构信息分别针对上述两个低秩矩阵定义了平滑正则项,约束指导低秩矩阵的优化。最后它利用优化获取的低秩矩阵重构关联矩阵,进而实现蛋白质功能预测。在酵母菌、拟南芥、老鼠和人类数据集上的实验表明,ZOMF比已有的相关算法能够更准确地预测蛋白质功能,它无需对重构的矩阵进行阈值划分,压缩的0-1标签可解释性更直观。(本文来源于《西南大学》期刊2019-04-06）
李慧[6]（2018）在《蛋白质功能位点预测方法研究》一文中研究指出随着人类基因组计划的完成,以及后基因组时代的到来,基因所表达的蛋白质成为生命科学领域研究的热点。在生命活动中,蛋白质与其配体物质相互作用才能完成特定的功能。因此,蛋白质与其配体相互作用功能位点的识别对深入理解蛋白质结构和其生物学功能,特别是一些疾病的治疗或新药研发具有重要的指导意义。本文对两种蛋白质功能位点:蛋白质-蛋白质相互作用位点和锌结合蛋白质作用位点预测方法进行研究。近几年蛋白质数据爆炸性地增长,依靠现有的实验方法和计算方法识别蛋白质功能位点并不能满足生物工作者的需要,设计和开发一系列合理、高效和高准确性的蛋白质功能位点预测方法是生物信息学领域一个重要的研究课题。为了进一步提高预测的准确率,本文针对蛋白质-蛋白质相互作用位点和锌结合蛋白质作用位点,利用机器学习算法整合多种预测方法,开发新的蛋白质功能位点预测工具;针对数据非平衡性问题,利用采样技术和集成学习等方法,研究非平衡采样技术、特征选择策略和数据分类算法,提出了一些新的蛋白质功能位点预测方法。论文的主要研究工作如下:1.在蛋白质-蛋白质相互作用位点预测中,研究者们已经提出了一些预测方法,并取得了一定的实际应用,但很少研究者基于数据非平衡性进行研究。在蛋白质-蛋白质相互作用过程中,实际结合的作用位点残基数量占整个蛋白质序列的比例很小,正负样本数据之间存在一定的非平衡性。传统机器学习方法易使结果偏向多数类负类,不利于少数类正类蛋白质相互作用结合位点的识别。针对蛋白质相互作用位点数据集的非平衡性问题,使用SMOTE算法增加少数类样本的数量;利用k近邻算法对少数类样本进行线性插值,生成新的样本,调整样本数据的稳定性。本文提出了基于SMOTE的径向基神经网络预测模型(Radial Basis Function Improved by SMOTE,RBFIS),选取合适的过采样率值,采取留一法进行交叉实验。实验表明,该方法相对于传统方法,通过提高少数类的比例,预测结果的性能指标平均情况有了较好地改善,少数类的预测性能也有很大地提高。同时,对蛋白质不同属性特征组合进行了测试,多特征组合有利于提高少数类预测的准确度。2.目前锌离子结合蛋白质作用位点预测工具主要采用单一的机器学习算法、或集成一些经典算法,很少研究者对已有的预测工具进行整合研究。考虑蛋白质序列信息的可获得性,采用线性回归方法对叁种经典预测工具Zinc Explorer,zinc Finder,zinc Pred进行整合,提出了一种新的预测方法meta-zinc Prediction。该方法对叁种预测工具的预测结果分数值进行整合,调整优化参数,直到达到最优。在非冗余的Zhao_dataset数据集上进行测试时,方法meta-zinc Prediction对四种作用位点残基预测的整体性能有了较大的提高,且对四种类型中的任一类型作用位点残基都进行了性能测试,预测性能都优于当前其他预测器。为了进一步证明提出方法的鲁棒性,在作者新收集的蛋白质数据集(Collected Dataset)上进行不同测试,无论是对所有四种类型锌离子结合位点残基还是其中单一类型的锌离子结合位点,预测器meta-zinc Prediction的预测性能都优于其他预测器。为了方便所提新方法的使用,作者开发了该预测方法的工具软件。3.贝叶斯是一种基于不确定理论进行推理、可有效处理不完全或者缺失数据的一种统计方法。本文利用贝叶斯方法对叁种不同预测工具Zinc Explorer,zinc Finder,zinc Pred的预测结果进行整合,提出了一种基于贝叶斯方法的锌离子结合位点预测器Bayes_Zinc。该方法将正负样本信息融合到模型中,甚至变量中某个数据值缺失时,进行缺失值填充处理,预测结果也不会出现较大的偏差。最终通过计算样本属于每一类的概率,把样本对象归于具有最大概率的类别。通过实验测试,Bayes_Zinc的性能指标MCC、recall和precision的均值都优于其他方法,在整个[0,1]区间上取得了较好的预测性能。4.已有研究表明,锌离子与蛋白质作用过程中,相对于非结合作用位点残基,真正结合的作用位点残基数量非常少,锌结合蛋白质作用位点预测是一个典型的非平衡二分类问题。为了更好地提高非平衡数据分类的预测准确性,避免传统机器学习方法对非平衡数据集进行分类时的偏向性。首先,利用随机下采样技术对大类样本数据集进行平衡性抽样处理。针对每一个平衡数据集利用基分类器支持向量机进行训练,计算样本权重,建立基于样本加权的概率神经网络模型。然后对不同分类器结果进行整合,提出基于支持向量机和样本加权概率神经网络的锌结合蛋白质作用位点预测模型SSWPNN。在训练集上进行测试,新提出方法的性能优于其组成预测器。并与其他四种方法进行比较,不论是对四种残基的整体预测性能,还是其中任一残基的预测性能,都优于其他方法。在独立测试集上对四种残基的预测能力,以及任一残基的预测能力进行了测试,从整体上看,预测效果均有一定的提高。另外,通过减少某个特征进行预测,计算性能指标得分值,对本方法所选取的特征属性重要性程度进行了分析。(本文来源于《南京航空航天大学》期刊2018-10-01）
陈彦明[7]（2018）在《基于MIMLNN的玉米蛋白质功能预测》一文中研究指出玉米作为世界上最重要的谷物之一,对其蛋白质进行预测具有重要的现实意义。为实现对玉米蛋白质的自动化功能预测,从蛋白质序列数据库提取数据并进行处理,使用优秀的多示例多标记学习算法进行玉米的蛋白质功能预测,应用主流的评价指标对预测结果进行评价,并与同类预测结果进行对比。结果显示,预测效果良好,具有一定的实用价值。(本文来源于《现代计算机(专业版)》期刊2018年25期）
王俊美[8]（2018）在《基于数据的蛋白质功能预测研究》一文中研究指出蛋白质是生命活动的物质基础,对其功能的预测至关重要。目前主要有两种方法测定蛋白质功能:生物实验方法和基于数据的计算方法。生物实验法存在耗时长,成本高的问题,因此基于数据的方法是目前对蛋白质功能预测的研究热点。本课题使用基于数据的方法对蛋白质功能进行预测,研究内容主要包括以下叁个方面:(1)构筑基于结构域和改进MIMLSVM的蛋白质功能预测模型。针对现有MIML算法预测精度不高的问题,设计一种基于改进MIMLSVM预测蛋白质功能模型。首先,采用改进的Hausdorff方法计算包之间的空间距离,并结合K-Medoids方法将MIML(多示例多标签)问题退化为多标签问题,以提高预测精度;然后,利用SVM算法将多标签问题转化为多个独立的二分类问题,结合蛋白质数据的特点,建立蛋白质功能预测模型,并利用粒子群算法优化模型参数;最后,通过对七种生物蛋白质功能预测的实验,证明所建模型的优越性。(2)设计基于AVC-SVM的芋螺毒素离子通道类型预测模型。针对现有方法对离子通道预测中存在的信息冗余问题,设计一种基于AVC(Analysis of Variance and Correlation)和SVM的芋螺毒素离子通道类型预测模型。首先用F值衡量特征对于结果的显着性影响水平,通过粗选的方式过滤F值较小的属性;然后引入Pearson Correlation Coefficient衡量属性间互相的冗余度,通过设置阈值过滤相关性较强的属性得到细选的结果;最后使用SVM预测芋螺毒素的离子通道类型。对比实验表明:AVC-SVM模型在交叉验证下得到总体预测精度91.98%和平均预测精度92.17%,使用氨基酸组合和二肽组合作为特征的个数为68,与其它模型相比,保证较高精度的情况下运行时间由8至11秒缩短为0.085s。(3)实现芋螺毒素离子通道类型的在线预测。为方便其他研究者进行芋螺毒素的相关研究,使用C#和matlab混合编程技术,在AVC-SVM模型的基础上开发芋螺毒素离子通道类型的在线预测系统。该系统输入是芋螺毒素蛋白质的氨基酸序列,输出是对应的离子通道类型。同时,该系统提供容错提示功能。当输入特殊字符、代表模糊不清的氨基酸残基的不合法字符、标点符号或者氨基酸序列长度小于3bp时,可以返回错误提示,方便用户及时改正输入。此外,该系统提供下载功能,供其他研究者下载相关论文和实验数据。(本文来源于《河南师范大学》期刊2018-06-01）
唐家琪[9]（2018）在《基于网络分析的蛋白质功能预测方法研究》一文中研究指出蛋白质是执行生物体内各种重要生物活动的大分子,认识其功能对推动生命科学、农业、医疗等领域的发展意义重大。传统的生物实验测定蛋白质的功能需要消耗大量的人力、物力、财力,并且效率低下,已无法满足数量日益增长的蛋白质序列的功能注释。故需要通过计算的方法预测蛋白质的功能,为生物实验提供理论指导,从而降低实验成本。随着高通量生物实验技术的发展,产生了海量的蛋白质相互作用(Protein-Protein Interaction,PPI)数据,基于蛋白质相互作用网络(简称PPI网络)的功能预测方法受到了越来越多研究者的关注,已成为后基因组时代生物信息学的一个研究热点。本文针对基于PPI网络的蛋白质功能预测方法展开研究,主要内容如下:(1)提出一种基于机器学习(层次聚类、主成分分析和多层感知器)的蛋白质功能预测方法HPMM。该方法综合考虑蛋白质宏观和微观层面的信息,将蛋白质家族、结构域和重要位点信息作为顶点属性整合到PPI网络中以减轻网络中数据噪声的影响。首先,基于层次聚类和主成分分析进行特征提取,得到功能模块和属性主成分特征,然后训练多层感知器模型,建立多特征与多功能之间的映射关系以用于功能预测。在叁个分别被分子功能、生物过程和细胞组件注释的人类PPI网络上进行测试,对HPMM、余弦迭代算法(CIA)和有向PPI网络基因本体术语传播(GoDIN)算法的功能预测效果进行比较分析。实验结果表明,相较于CIA和GoDIN这两种完全基于PPI网络的方法,HPMM的微正确率、微查准率与微F1更高。(2)提出了双加权投票蛋白质功能预测算法BiWV。该算法通过构建蛋白质影响权重矩阵和功能影响权重矩阵,分别从蛋白质和功能术语角度进行加权投票来进行预测。在此基础上整合生物通路信息,提出带生物通路的双加权投票算法BiWV-P。在人类和酿酒酵母数据集进行测试和评价。实验结果显示,BiWV和BiWV-P能够有效预测蛋白质的功能,并且在多个数据集上微正确率与微F1均高于直推式多标签分类器(TMC),非平衡双随机游走(UBiRW),混合图上随机游走蛋白质功能预测(ProHG)这叁种同类方法。综上所述,本文基于网络分析对蛋白质功能预测方法进行研究,提出了基于机器学习的蛋白质功能预测方法HPMM、基于双加权投票的蛋白质功能预测算法BiWV及带生物通路的双加权投票算法BiWV-P。在多个指标和数据集上的实验结果表明,本文提出的方法能够有效预测蛋白质的功能,为生物实验提供理论指导。(本文来源于《广西师范大学》期刊2018-06-01）
葛凌霄[10]（2018）在《基于FP树的蛋白质功能预测算法研究》一文中研究指出研究在蛋白质相互作用网络里对未注释蛋白质的功能预测,以String DB的酵母细胞的相互作用网络为基础数据集,使用复杂网络的接近中心度对网络去边,最后使用FP-growth的算法对网络内的蛋白质进行功能预测。进行实验与验证,结果证明将关联分析运用于蛋白质相互作用网络有良好效果。(本文来源于《现代计算机(专业版)》期刊2018年09期）
蛋白质功能预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
蛋白质是细胞生命活动中最重要和最多样的一种大分子物质.因此,研究蛋白质功能对于破解生命密码具有重要的意义.以往的研究表明蛋白质功能预测问题本质上是一个多标签分类问题,但庞大的功能标签数量使得各种多标签分类器在蛋白质功能预测中的应用面临巨大挑战.针对蛋白质功能标签数量庞大且标签关联性较高的特点,提出了一种基于布尔矩阵分解的蛋白质功能预测框架(protein function prediction based on Boolean matrix decomposition, PFP-BMD).同时,针对目前布尔矩阵分解算法中精确分解和列利用条件难以同时满足的问题,提出一种基于标签簇的精确布尔矩阵分解算法,使其通过标签关联矩阵实现标签的层次扩展聚簇,并通过相关推论证明了该算法可实现最优的精确布尔矩阵分解.实验结果表明:提出的布尔矩阵分解算法在计算复杂度上具有较大优势,且应用了该算法的蛋白质功能预测框架可有效提升蛋白质功能预测的准确率,为各种多标签分类器在蛋白质功能预测中的高效应用奠定了基础.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
蛋白质功能预测论文参考文献
[1].赵颖闻,王峻,郭茂祖,张自力,余国先.基于0-1矩阵分解的蛋白质功能预测[J].中国科学:信息科学.2019
[2].刘琳,唐麟,唐明靖,周维.基于布尔矩阵分解的蛋白质功能预测框架[J].计算机研究与发展.2019
[3].霍思聪.基于密度聚类算法和等距离映射预测蛋白质功能模块算法的研究[D].南宁师范大学.2019
[4].唐家琪,吴璟莉,廖元秀,王金艳.基于双加权投票的蛋白质功能预测[J].计算机科学.2019
[5].赵颖闻.基于基因本体降维的蛋白质功能预测研究[D].西南大学.2019
[6].李慧.蛋白质功能位点预测方法研究[D].南京航空航天大学.2018
[7].陈彦明.基于MIMLNN的玉米蛋白质功能预测[J].现代计算机(专业版).2018
[8].王俊美.基于数据的蛋白质功能预测研究[D].河南师范大学.2018
[9].唐家琪.基于网络分析的蛋白质功能预测方法研究[D].广西师范大学.2018
[10].葛凌霄.基于FP树的蛋白质功能预测算法研究[J].现代计算机(专业版).2018
论文知识图
