基于打分矩阵的多类蛋白质折叠子的预测

依据蛋白质折叠子中氨基酸保守性,以氨基酸、氨基酸的极性、氨基酸的电性以及氨基酸的亲—疏水性为参数,从蛋白质的氨基酸序列出发,采用"一对多"的分类策略,通过构建打分矩阵和选取氨基酸序列模式片断,利用5种相似性打分函数对27类折叠子进行识别,最好的预测精度达到83.46%。结果表明,打分矩阵是预测多类蛋白质折叠子有效的方法。     

基于支持向量机融合网络的蛋白质折叠子识别研究

在不依赖于序列相似性的条件下,蛋白质折叠子识别是一种分析蛋白质结构的重要方法.提出了一种三层支持向量机融合网络,从蛋白质的氨基酸序列出发,对27类折叠子进行识别.融合网络使用支持向量机作为成员分类器,采用“多对多”的多类分类策略,将折叠子的6种特征分为主要特征和次要特征,构建了多个差异的融合方案,然后对这些融合方案进行动态选择得到最终决策.当分类之前难以确定哪些参与组合的特征种类能够使分类结果最好时,提供了一种可靠的解决方案来自动选择特征信息互补最大的组合,保证了最佳分类结果.最后,识别系统对独立测试样本的总分类精度达到61.04%.结果和对比表明,此方法是一种有效的折叠子识别方法.     

基于模糊支持向量机的膜蛋白折叠类型预测

现有的基于支持向量机（support vector machine,SVM）来预测膜蛋白折叠类型的方法．利用的蛋白质序列特征并不充分．并且在处理多类蛋白质分类问题时存在不可分区域,针对这两类问题．提取蛋白质序列的氨基酸和二肽组成特征,并计算加权的多阶氨基酸残基指数相关系数特征,将3类特征融和作为分类器的输入特征矢量．并采用模糊SVM（fuzzy SVM,FSVM）算法解决对传统SVM不可分数据的分类．在无冗余的数据集上测试结果显示．改进的特征提取方法在相同分类算法下预测性能优于已有的特征提取方法：FSVM在相同特征提取方法下性能优于传统的SVM．二者相结合的分类策略在独立性数据集测试下的预测精度达到96．6％．优于现有的多种预测方法．能够作为预测膜蛋白和其它蛋白质折叠类型的有效工具．     

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。     

结合支持向量机和贝叶斯方法进行蛋白质二级结构预测

组建一个分两个阶段的分类器来进行蛋白质二级结构预测。第一阶段由支持向量机分类器组成,在第二阶段中使用第一阶段已预测的结果来进行贝叶斯判别。预测性能的改进表明了结合支持向量机和贝叶斯方法预测性能优越于单独使用支持向量机的预测性能。同时也证明残基在形成二级结构时是相互影响的。     

基于结构域组合信息预测蛋白质相互作用

基于多个结构域联合作用导致蛋白质间相互作用的假设,提出了一种预测蛋白质间相互作用的新方法。使用支持向量机分析结构域组合对序列的氨基酸理化性质得到其序列特征值,同时采用统计分析的方法获取其频率特征值,最后通过融合上述两种特征估计该结构域组合间发生相互作用的可能性,并以此预测蛋白质间相互作用关系。该方法能够预测所有结构域组合间相互作用关系,且对于蛋白质相互作用关系有着较好的预测效果。     

基于离散增量的支持向量机算法预测蛋白质中四类简单超二级结构

蛋白质超二级结构预测是三级结构预测的一个非常重要的中间步骤。本文从蛋白质的一级序列出发,对5793个蛋白质中的四类简单超二级结构进行预测,以位点氨基酸为参数,采用3种片段截取方式,分别用离散增量算法预测的结果不理想,将组合的离散增量值作为特征参数输入支持向量机,取得了较好的预测结果,5交叉检验的平均预测总精度达到83.0%,Matthew’s相关系数在0.71以上。     

基于支持向量机和贝叶斯方法的蛋白质四级结构分类研究

用支持向量机和贝叶斯两种方法对蛋白质四级结构进行分类研究。结果表明,基于支持向量机的分类结果最好,其l0CV检验的总分类精度、正样本正确预测率、Matthes相关系数和假阳性率分别为74．2％、84．6％、0．474、38．9％;基于贝叶斯的分类结果没有支持向量机的分类结果好,但其l0CV检验的假阳性率最低(15．9％)．这些结果说明同源寡聚蛋白质一级序列包含四级结构信息,同时特征向量的确表示了埋藏在缔合亚基作用部位接触表面的基本信息。     

基于SVM的蛋白质二级结构预测

蛋白质结构预测是现代计算生物领域最重要的问题之一,而蛋白质二级结构预测是蛋白质高级结构预测的基础。目前蛋白质二级结构的预测方法较多,其中SVM方法取得了较高的预测精度。重在阐述使用SVM用于蛋白质二级结构预测的步骤,以及与其他方法进行比较时应该注意的事项,为下一步的研究提供参考及启发。     

支持向量机及组合预测在蛋白质四级结构分类中的应用

目的:基于支持向量机建立一个自动化识别新肽链四级结构的方法,提高现有方法的识别精度.方法:改进4种已有的蛋白质一级序列特征值提取方法,采用线性和非线性组合预测方法建立一个有效的组合预测模型.结果:以同源二聚体及非同源二聚体为例.对4种特征值提取方法进行改进后其分类精度均提升了2～3%;进一步实施线性与非线性组合预测后,其分类精度再次提高了2～3%,使独立测试集的分类精度达到了90%以上.结论:4种特征值提取方法均较好地反应出蛋白质一级序列包含四级结构信息,组合预测方法能有效地集多种特征值提取方法优势于一体.     

支持向量机方法预测蛋白质结构中的二硫键

在蛋白质结构预测的研究中,一个重要的问题就是正确预测二硫键的连接,二硫键的准确预测可以减少蛋白质构像的搜索空间,有利于蛋白质3D结构的预测,本文将预测二硫键的连接问题转化成对连接模式的分类问题,并成功地将支持向量机方法引入到预测工作中。通过对半胱氨酸局域序列连接模式的分类预测,可以由蛋白质的一级结构序列预测该蛋白质的二硫键的连接。结果表明蛋白质的二硫键的连接与半胱氨酸局域序列连接模式有重要联系,应用支持向量机方法对蛋白质结构的二硫键预测取得了良好的结果。     

基于SVM 的药物靶点预测方法及其应用

目的:基于已知药物靶点和潜在药物靶点蛋白的一级结构相似性,结合SVM技术研究新的有效的药物靶点预测方法。方法:构造训练样本集,提取蛋白质序列的一级结构特征,进行数据预处理,选择最优核函数,优化参数并进行特征选择,训练最优预测模型,检验模型的预测效果。以G蛋白偶联受体家族的蛋白质为预测集,应用建立的最优分类模型对其进行潜在药物靶点挖掘。结果:基于SVM所建立的最优分类模型预测的平均准确率为81.03%。应用最优分类器对构造的G蛋白预测集进行预测,结果发现预测排位在前20的蛋白质中有多个与疾病相关。特别的,其中有两个G蛋白在治疗靶点数据库(TTD)中显示已作为临床试验的药物靶点。结论:基于SVM和蛋白质序列特征的药物靶点预测方法是有效的,应用该方法预测出的潜在药物靶点能够为发现新的药靶提供参考。     

基于烟草脆裂病毒构建同时表达2种外源蛋白的载体及其应用

目的 构建在整个寄主植物中能同时表达两个非融合蛋白的病毒载体。方法 以烟草脆裂病毒（tobacco rattle virus，TRV）基因组RNA2的农杆菌侵染性克隆pYL156为材料，缺失TRV RNA2的2b基因5"端279 bp并将其起始密码子ATG改变为AGG、同时引入豌豆早枯病毒（pea early-browning virus，PEBV）外壳蛋白（coat protein，cp）基因启动子，获得pTRV2e²载体；在pTRV2e²载体的2b和PEBV的cp启动子下游插入不同的外源基因，测定病毒TRVe²表达外源蛋白的能力、携带外源基因后重组病毒的稳定性以及分析蛋白质的生物学功能。结果 病毒TRVe²能快速同时表达2个非融合的外源蛋白，且至少能表达70 ku外源蛋白，且该病毒携带~2.0 kb外源基因能稳定存活于寄主植物中；病毒TRVe²可用于分析蛋白质的生物学功能以及2个蛋白质间的相互作用。结论 本文构建的重组病毒TRVe²为快速有效地表达2个外源蛋白以及分析2个蛋白质间的相互作用提供技术工具。