低维输入空间的支持向量机识别人类剪接位点

真核生物剪接位点的识别作为基因阵构成的向量来表示序列,用支持向量机在六维向量空间中寻找最优超平面,从而将真实的剪接位点和虚假的剪接位点进行分类.计算结果表明,利用这样的算法预测人类的剪接位点,有较好的预测效果.与其他的一些算法相比,表现出参数少,精度高等优点.     

用离散量预测蛋白质的结构型

基于蛋白质的结构类型决定了它的二级结构序列的概念,用二级结构序列参数Nα,Nβ,Nβaβ,N(βαβ）构成离散源,并计算离散量D（Xα）,D（Xβ）,D（Xα＋β）,利用离散增量预测蛋白质的结构类型,它是由这个蛋白质的离散量D（Xn）与四个标准离散D（Xα）,D（Xβ）,D（Xα／β）,D（Xα＋β）之间离散增量的最小值所决定的,预测结果表明,准确率分别达到84．8％（标准集）和83．3％（检验集）。     

基于离散增量结合支持向量机方法的凋亡蛋白亚细胞位置预测

根据凋亡蛋白的亚细胞位置主要决定于它的氨基酸序列这一观点,基于局部氨基酸序列的n肽组分和序列的亲疏水性分布信息,采用离散增量结合支持向量机(ID_SVM)算法,对六类细胞凋亡蛋白的亚细胞位置进行预测。结果表明,在Re-substitution检验和Jackknife检验下,ID_SVM算法的总体预测成功率分别达到了94.6%和84.2%;在5-fold检验和10-fold检验下,其总体预测成功率也都达到了83%以上。通过比较ID和ID_SVM两种方法的预测能力发现,结合了支持向量机的离散增量算法能够改进预测成功率,结果表明ID_SVM是预测凋亡蛋白亚细胞位置的一种很有效的方法。     

用支持向量机预测人类基因5''''/3''''选择性剪切位点

选择性剪切是调解基因表达的重要机制.识别选择性剪切位点是后基因组时代的一个重要工作.本文从最新的EBI人类基因选择性剪切数据库中,选取5＇/3＇选择性剪切位点作为正集,选取在剪切位点附近的假剪切位点作为负集,并把所有的选择性剪切位点和假剪切位点随机分成训练集和测试集.本文选用的预测选择性剪切位点的方法是基于位置权重矩阵和离散增量的支持向量机方法.此方法仅基于训练集,以不同位点的单碱基概率和序列片断的三联体频数作为信息参数,利用位置权重矩阵和离散增量算法结合支持向量机,得到了选择性供体位点和受体位点的分类器,并用此分类器对测试集中的选择性供体位点和受体位点进行预测.对独立测试集中的选择性供体位点和选择性受体位点的预测成功率分别为88.74%和90.86%,特异性分别为85.62%和81.19%.本文预测选择性剪切位点的方法成功率高于其它选择性剪切位点预测方法预测成功率,此预测方法进一步提高了对选择性剪切位点的理论预测能力.     

用支持向量机识别 β-发夹模体

基于蛋白质序列,提出了一种新的超二级结构模体β-发夹的预测方法。利用离散增量构成的向量来表示序列信息,并将6个离散增量输入支持向量机,在六维向量空间中寻找最优超平面,将β-发夹和非β-发夹进行分类。计算结果表明,利用所设计的算法预测β-发夹,有较高的预测能力。对于训练集,5-交叉检验的预测总精度为81.24％,相关系数为0．57,β-发夹敏感性为83．06％;对于独立的检验集,预测总精度为78．34％,相关系数0．56,β-发夹敏感性为77．24％。将此预测模型应用于CASP6的63个蛋白质进行检验,得到较好结果。     

抗冻蛋白溶液的热滞理论

鱼抗冻蛋白溶液有热滞效应,这是一种非ｃｏｌｌｉｇａｔｉｖｅ效应．提出冰晶生长的动力学理论,并根据Ｆｌｏｒｙ－Ｈｕｇｇｉｎ晶格模型计算抗冻蛋白溶液的热滞,结果与实验较好地符合。     

抗冻糖蛋白溶液中冰晶生长速率的研究

在分析了溶液中抗冻糖蛋白与冰晶表面的相互作用的基础上,提出了在抗冻糖蛋白溶液中冰晶沿c轴方向生长的理论。给出了冰晶在抗冻糖蛋白溶液中生长速率的定量计算,而且理论值与实验结果有较好的符合,解释了冰晶在抗冻糖蛋白溶液中生长速度和生长习性的各向异性。     

大肠杆菌与酵母菌基因特定序列信息参量的研究

提出核酸序列的矩阵表示形式,按位点定义了有生物学意义的信息参数M1（1）、M2（l）和M3(l）。着重研究了不同表达水平的大肠杆菌（Escherichia coli,E.coli）的SD序列（Shine-Dalgrno region,SD）以及大肠杆菌（E.coli）和酵母菌（Yeast）基因起始、终止密码子邻近区域核酸序列的碱基关联性与保守性。并求出相应矩阵的本征值,给出了信息参量与基因表达水平的关系。发现信息参量体现了原核生物和真核生物释放起始区域的显著差异,而且真核生物碱基起始区域的单碱基保守性程度及碱基关联性程度要比原核生物强。     

基于位点保守性参量和位置权重矩阵预测酵母转录因子结合位点

目的:改进转录因子结合位点的理论预测方法。方法:构建转录因子结合位点位置权重矩阵,以转录因子结合位点每一位置的碱基保守性指数Mi为参量,利用位置权重打分函数算法(PWMSA)对酵母五种转录因子结合位点进行预测。结果:利用self-consistency和cross-validation两种方法对此算法进行检验,均获得了较高的预测成功率,结果表明5种转录因子结合位点的预测成功率均超过80%。结论:与已有的三种预测转录因子结合位点的软件进行比较,PWMSA算法明显优于其他三种算法,核苷酸水平上的关联系数和结合位点水平上的关联系数分别提高了0.25和0.22。     

大肠杆菌E.coli K-12转录因子结合位点的理论预测

基于实验验证的22种大肠杆菌K12的转录因子结合位点序列,分析了转录因子结合位点每一位置的碱基保守性,提出了预测转录因子结合位点的位置权重矩阵打分函数算法(PWMSA)。利用self-consistency和cross-validation两种检验方法对此算法进行检验,self-consistency检验总的预测成功率达到87.59%,cross-validation检验成功率达到85.48%。对基因间序列进行搜索,获得了多个可能的转录因子结合位点。