本文面向蛋白質(zhì)翻譯后修飾（Post-Translational Modification,PTM）位點(diǎn)預(yù)測問題進(jìn)行了基于深度學(xué)習(xí)方法的算法研究。具體工作如下:（1）針對通用及激酶特異性磷酸化位點(diǎn)預(yù)測問題,提出了基于深度學(xué)習(xí)的Musite Deep框架并開發(fā)了相應(yīng)的開源代碼工具包。Musite Deep框架在磷酸化位點(diǎn)預(yù)測精度方面較已有方法取得了顯著提升。同時該框架也適用于其他基于序列的PTM位點(diǎn)預(yù)測問題。（2）探索了與深度學(xué)習(xí)模型相關(guān)的多種訓(xùn)練策略,主要包括基于Bootstrapping方法的集成訓(xùn)練策略,結(jié)合不同物種信息的數(shù)據(jù)串行化訓(xùn)練策略,以及針對PTM特征層次結(jié)構(gòu)而設(shè)計的模型并行化訓(xùn)練策略。（3）將膠囊網(wǎng)絡(luò)應(yīng)用于生物序列研究中,建立了面向多種PTM位點(diǎn)預(yù)測問題的模型,并探索了膠囊網(wǎng)絡(luò)在生物序列分析中的優(yōu)勢。本文的研究為如何將深度學(xué)習(xí)方法應(yīng)用于PTM預(yù)測問題提供了一套流程,為其他基于蛋白質(zhì)序列的預(yù)測方法的研究奠定了基礎(chǔ),并將會啟發(fā)深度學(xué)習(xí)方法在計算蛋白質(zhì)組學(xué)中其他方向的應(yīng)用。 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：121 頁

【學(xué)位級別】：博士

【部分圖文】：

卷積運(yùn)算示意圖

循環(huán)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

LSTM記憶單元結(jié)構(gòu)


本文編號：3077245