基于集成學(xué)習(xí)算法的若干生物信息學(xué)應(yīng)用研究.pdf

1、20世紀(jì)后期，由于人類等生物物種基因組學(xué)以及生物科學(xué)技術(shù)的飛速發(fā)展，生物信息發(fā)生了驚人的增長(zhǎng)，這極大地豐富了生物科學(xué)的數(shù)據(jù)資源，并隨之誕生了一門新興的交叉學(xué)科：生物信息學(xué)，其目的在于通過對(duì)生物學(xué)實(shí)驗(yàn)數(shù)據(jù)的獲取、加工、存儲(chǔ)、檢索與分析，揭示數(shù)據(jù)所蘊(yùn)含的生物學(xué)意義。數(shù)據(jù)挖掘技術(shù)用于在數(shù)據(jù)中發(fā)現(xiàn)潛在有用的知識(shí)，在生物信息學(xué)研究當(dāng)中，正發(fā)揮著越來越重要的作用，而且取得了豐碩的成果。本文應(yīng)用集成學(xué)習(xí)方法來對(duì)生物信息中的若干問題進(jìn)行討論。本文的主體

2、工作分為四個(gè)部分： 1.用集成學(xué)習(xí)算法預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)和功能定位。隨著生物技術(shù)的不斷發(fā)展，越來越多的蛋白質(zhì)序列被測(cè)定出來，探索利用理論及計(jì)算方法來研究蛋白質(zhì)結(jié)構(gòu)和功能定位具有重要意義。本文從蛋白質(zhì)的一級(jí)序列出發(fā)，基于氨基酸組成進(jìn)行蛋白質(zhì)序列特征編碼，使用了AdaBoost與Bagging這兩種集成學(xué)習(xí)算法來對(duì)蛋白質(zhì)的結(jié)構(gòu)類型、膜蛋白類型和蛋白質(zhì)亞細(xì)胞定位進(jìn)行預(yù)測(cè)。在建模過程中，分別使用了RandomForest，KNN和C4.5三

3、種不同的弱學(xué)習(xí)算法來作為基本分類器，并用基于10組交叉驗(yàn)證法的計(jì)算結(jié)果對(duì)建模參數(shù)進(jìn)行優(yōu)化。結(jié)果表明： (1)用AdaBoost-RandomForest算法預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)類型時(shí)，預(yù)測(cè)結(jié)果良好，對(duì)于所選用的兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集，其留一法預(yù)報(bào)準(zhǔn)確率分別可以達(dá)到94.18％和85.9％，優(yōu)于先前文獻(xiàn)報(bào)導(dǎo)的預(yù)報(bào)結(jié)果；(2)用AdaBoost-C4.5算法預(yù)測(cè)原核和真核蛋白亞細(xì)胞定位時(shí)，其留一法預(yù)報(bào)準(zhǔn)確率分別達(dá)到91.80％和80.80％，優(yōu)于

4、先前文獻(xiàn)報(bào)導(dǎo)的預(yù)報(bào)結(jié)果；(3)用Bagging-KNN算法預(yù)測(cè)膜蛋白類型問題時(shí)，其留一法預(yù)報(bào)準(zhǔn)確率可以達(dá)到84.42％，優(yōu)于先前文獻(xiàn)報(bào)導(dǎo)的預(yù)報(bào)結(jié)果。根據(jù)以上所建立的預(yù)測(cè)模型，我們同時(shí)開發(fā)了相應(yīng)的在線預(yù)報(bào)系統(tǒng)。 2.用集成學(xué)習(xí)算法研究小分子的生物功能。研究小分子生物功能，在分子生物學(xué)領(lǐng)域能幫助人類理解生命現(xiàn)象，在醫(yī)學(xué)領(lǐng)域幫助人類認(rèn)識(shí)疾病機(jī)理。由于通過實(shí)驗(yàn)來發(fā)現(xiàn)小分子的生物功能會(huì)耗費(fèi)大量的人力、物力和財(cái)力，且具有一定的盲目性和風(fēng)險(xiǎn)性

5、，因此，用集成學(xué)習(xí)方法來研究這個(gè)問題具有實(shí)際意義。本文中我們首先研究了小分子代謝途徑類型的預(yù)測(cè)問題，提出了基于官能團(tuán)組成的小分子編碼方法，用AdaBoost-C4.5算法建模，其交叉驗(yàn)證預(yù)報(bào)準(zhǔn)確率達(dá)到74.05％，對(duì)獨(dú)立測(cè)試集的預(yù)報(bào)準(zhǔn)確率達(dá)到75.11％。然后，我們又研究了小分子與酶相互作用的預(yù)測(cè)問題，用AdaBoost-C4.5算法建模，其交叉驗(yàn)證預(yù)報(bào)準(zhǔn)確率達(dá)到81.76％，對(duì)獨(dú)立測(cè)試集的預(yù)報(bào)準(zhǔn)確率達(dá)到83.35％。結(jié)果表明，集成學(xué)習(xí)

6、算法可以用來研究小分子的生物功能，所建模型有很好的預(yù)測(cè)性能。此外，我們根據(jù)所建立的小分子代謝途徑類型和小分子與酶相互作用的預(yù)測(cè)模型，同時(shí)開發(fā)了相應(yīng)的在線預(yù)報(bào)系統(tǒng)。 3.運(yùn)用集成學(xué)習(xí)算法AdaBoost來研究苯酚類化合物毒性機(jī)理預(yù)測(cè)的問題。我們從文獻(xiàn)中收集了274個(gè)苯酚化合物，計(jì)算了45個(gè)分子描述符，用基于互信息增益的CFS(Correlation-based Feature Subset)算法篩選出9個(gè)分子描述符?；谶@9個(gè)描述

7、符，我們分別以C4.5，RandomTree，RandomForest和KNN四種算法作為基本分類器建立AdaBoost模型，經(jīng)過優(yōu)化和驗(yàn)證后，最終選用C4.5為基本分類器建模。最后，又與SVM和KNN算法的預(yù)報(bào)性能做了比較，結(jié)果表明AdaBoost算法在苯酚類化合物毒性機(jī)理預(yù)測(cè)中，有良好的預(yù)報(bào)能力，其交叉驗(yàn)證和對(duì)獨(dú)立測(cè)試集的預(yù)報(bào)準(zhǔn)確率分別達(dá)到96.3％和92.8％?；谠撗芯?jī)?nèi)容，建立了相應(yīng)的在線預(yù)報(bào)系統(tǒng)。 4.使用mRMR-

8、KNN集成方法研究HIV-1蛋白酶的裂解位點(diǎn)預(yù)測(cè)。首先，使用AAindex的531個(gè)氨基酸殘基指數(shù)對(duì)8肽進(jìn)行編碼，然后使用mRMR特征篩選方法得到了500個(gè)特征。在此基礎(chǔ)上，使用改進(jìn)的Wrapper搜索方法得到了含有364個(gè)特征的子集。最后用最近鄰方法(KNN)建模預(yù)測(cè)HIV-1蛋白酶裂解位點(diǎn)，其留一法測(cè)試和對(duì)獨(dú)立測(cè)試集的預(yù)報(bào)準(zhǔn)確率分別可以達(dá)到91.3％和87.3％。通過對(duì)500個(gè)特征進(jìn)行生物學(xué)分析，我們發(fā)現(xiàn)：(1)P1位點(diǎn)和P2’位點(diǎn)