隨著生物信息學的發(fā)展,蛋白質(zhì)數(shù)據(jù)庫中的蛋白質(zhì)序列信息越來越多,尤其是生物信息學的出現(xiàn),使得人們能夠更好地利用這些蛋白質(zhì)信息了解生物系統(tǒng)。生物信息學可以利用這些序列信息尋找相關(guān)的蛋白質(zhì),并收集其他信息推測未知蛋白質(zhì)的結(jié)構(gòu)和功能等可能的特性。蛋白質(zhì)結(jié)構(gòu)分析預測也經(jīng)常被用在藥物設計中。通過實驗方法獲取蛋白質(zhì)二級結(jié)構(gòu)所需的成本高,專業(yè)人才緊缺,所以目前面臨的核心問題就是利用生物信息學找到一種能夠高效地預測蛋白質(zhì)二級結(jié)構(gòu)的算法。本文使用深度學習算法和條件隨機場算法對蛋白質(zhì)二級結(jié)構(gòu)進行預測。在蛋白質(zhì)數(shù)據(jù)處理中,本文用到了位置特異性矩陣（Position-Specific Scoring Matrix,PSSM）,同時為了更好的表示氨基酸序列,使用了滑動窗口技術(shù)。在蛋白質(zhì)二級結(jié)構(gòu)預測算法方面,本文提出了兩種學習分類方法:第一種是卷積神經(jīng)網(wǎng)絡結(jié)合Softmax分類器的算法,此方法改進了卷積神經(jīng)網(wǎng)絡的模型結(jié)構(gòu),針對梯度消失問題在各卷積層之后添加了修正線性單元（Rectified Linear Units,ReLU）激活層,為了最大限度地保留原始數(shù)據(jù)的重要特征,提取了全連接層之前的特征數(shù)據(jù)作為Softma... 

【文章來源】：齊魯工業(yè)大學山東省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究目的及意義
    1.3 研究現(xiàn)狀
        1.3.1 蛋白質(zhì)二級結(jié)構(gòu)預測相關(guān)基礎(chǔ)
        1.3.2 國內(nèi)外相關(guān)技術(shù)發(fā)展現(xiàn)狀
    1.4 本文的研究內(nèi)容和基本結(jié)構(gòu)
        1.4.1 研究內(nèi)容
        1.4.2 論文結(jié)構(gòu)安排
第2章 蛋白質(zhì)二級結(jié)構(gòu)簡介與相關(guān)預測方法
    2.1 蛋白質(zhì)簡介
        2.1.1 蛋白質(zhì)結(jié)構(gòu)分析
        2.1.2 蛋白質(zhì)的層次結(jié)構(gòu)
        2.1.3 蛋白質(zhì)的結(jié)構(gòu)與功能的關(guān)系
    2.2 蛋白質(zhì)二級結(jié)構(gòu)預測有關(guān)技術(shù)
        2.2.1 數(shù)據(jù)處理
        2.2.2 特征提取和滑動窗口技術(shù)
        2.2.3 蛋白質(zhì)二級結(jié)構(gòu)預測評價指標
    2.3 蛋白質(zhì)二級結(jié)構(gòu)預測相關(guān)方法介紹
        2.3.1 統(tǒng)計分析方法
        2.3.2 基于知識分析方法
        2.3.3 機器學習方法
    2.4 蛋白質(zhì)數(shù)據(jù)庫介紹
    2.5 本章小結(jié)
第3章 基于條件隨機場的蛋白質(zhì)二級結(jié)構(gòu)預測
    3.1 條件隨機場原理
        3.1.1 最大熵原理
        3.1.2 隱馬爾可夫原理
        3.1.3 條件隨機場模型
    3.2 線性鏈條件隨機場
    3.3 條件隨機場的基本算法
        3.3.1 前向-后向算法
        3.3.2 梯度下降法
        3.3.3 維特比算法
    3.4 實驗工具介紹
    3.5 實驗及結(jié)果分析
        3.5.1 數(shù)據(jù)集
        3.5.2 實驗過程
        3.5.3 結(jié)果分析
    3.6 本章小結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡的蛋白質(zhì)二級結(jié)構(gòu)預測
    4.1 卷積神經(jīng)網(wǎng)絡原理及結(jié)構(gòu)
        4.1.1 卷積神經(jīng)網(wǎng)絡原理
        4.1.2 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)組成
    4.2 Softmax回歸模型
    4.3 CNN-Softmax網(wǎng)絡模型
    4.4 實驗及其結(jié)果分析
        4.4.1 數(shù)據(jù)集
        4.4.2 實驗過程
        4.4.3 結(jié)果分析
    4.5 本章小結(jié)
第5章 基于集成學習的CRF與 CNN的蛋白質(zhì)二級結(jié)構(gòu)預測
    5.1 集成學習
        5.1.1 集成學習原理
        5.1.2 集成學習中差異性分類器的構(gòu)建
    5.2 集成學習的合并策略
        5.2.1 平均法和加權(quán)平均法
        5.2.2 投票法
    5.3 CRF 和 CNN 的集成策略
    5.4 實驗及結(jié)果分析
        5.4.1 數(shù)據(jù)集
        5.4.2 實驗過程
        5.4.3 結(jié)果分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 研究工作總結(jié)
    6.2 研究工作展望
參考文獻
致謝
在學期間主要科研成果


【參考文獻】：
期刊論文
[1]蛋白質(zhì)二級結(jié)構(gòu)在線服務器預測評估[J]. 朱樹平,劉毅慧.  生物信息學. 2019(01)
[2]深度學習方法在生物質(zhì)譜及蛋白質(zhì)組學中的應用[J]. 趙新元,秦偉捷,錢小紅.  生物化學與生物物理進展. 2018(12)
[3]基于卷積長短時記憶神經(jīng)網(wǎng)絡的蛋白質(zhì)二級結(jié)構(gòu)預測[J]. 郭延哺,李維華,王兵益,金宸.  模式識別與人工智能. 2018(06)
[4]自動編碼器方法的蛋白質(zhì)二級結(jié)構(gòu)預測[J]. 張帥燕,劉毅慧.  生物信息學. 2018(01)
[5]基于PPI網(wǎng)絡與機器學習的蛋白質(zhì)功能預測方法[J]. 唐家琪,吳璟莉.  計算機應用. 2018(03)
[6]諾貝爾化學獎[J]. 王毓明.  大學化學. 2018(02)
[7]基于LSTM循環(huán)神經(jīng)網(wǎng)絡的故障時間序列預測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學學報. 2018(04)
[8]深層網(wǎng)絡中的梯度消失現(xiàn)象[J]. 周祥全,張津.  科技展望. 2017(27)
[9]基于深度學習的八類蛋白質(zhì)二級結(jié)構(gòu)預測算法[J]. 張蕾,李征,鄭逢斌,楊偉.  計算機應用. 2017(05)
[10]深度學習加速技術(shù)研究[J]. 楊旭瑜,張錚,張為華.  計算機系統(tǒng)應用. 2016(09)



本文編號：3164859