一种基于支持向量机的蛋白质结构域边界预测方法

一种基于支持向量机的蛋白质结构域边界预测方法

邹淑雪¹, 黄艳新¹, 李艳文², 周春光¹

1. 吉林大学计算机科学与技术学院, 长春 130012; 2. 东北师范大学计算机学院, 长春 130024

收稿日期:2008-02-29 修回日期:1900-01-01 出版日期:2008-09-26 发布日期:2008-09-26
通讯作者: 周春光

Protein Domains Prediction Method Based on Support Vector Machines

ZOU Shuxue¹, HUANG Yanxin¹, LI Yanwen², ZHOU Chunguang¹

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China;2. School of Computer Science, Northeast Normal University, Changchun 130024, China

Received:2008-02-29 Revised:1900-01-01 Online:2008-09-26 Published:2008-09-26
Contact: ZHOU Chunguang

摘要/Abstract

摘要： 提出一种基于支持向量机学习蛋白质结构域的边界预测方法. 在分析多序列比对结果的基础上, 定义了几种能够直接或间接反映蛋白质结构属性及结构域信息的新方法. 结果表明, 蛋白质序列信息预测边界信号的正确识别率达85%以上, 具有较好的泛化能力.

关键词: 蛋白质结构域, 序列, 支持向量机, 生物信息学

Abstract: Guessing the boundaries of structural domains has been an important and challenging problem in experimentand computational structural biology. A promising method for detecting the domain structure of a protein from sequence information alone was presented. The method is based on analyzing multiple sequence alignments that are derived from a database search. Multiple measures were defined to quantify the domain information content of each position along the sequence and were combined into a single predictor using support vector machines. The overall accuracy of the method for a single protein chains dataset is about 85%. The result demonstrates that the utility of the method can help not only predict the complete 3D structure of a protein but also study proteins’ building blocks of functional analysis.

Key words: protein domains, sequence, support vector machine, bi oinformatics

中图分类号:

TP391.4

邹淑雪, 黄艳新, 李艳文, 周春光. 一种基于支持向量机的蛋白质结构域边界预测方法[J]. J4, 2008, 46(05): 930-934.

ZOU Shuxue, HUANG Yanxin, LI Yanwen, ZHOU Chunguang. Protein Domains Prediction Method Based on Support Vector Machines[J]. J4, 2008, 46(05): 930-934.

[1]	聂逯松, 常方圆, 常学智, 刘畅, 金有为, 刘国晟, 付加胜, 韩霄松. 一种新型的自适应多核学习算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1212-1218.
[2]	刘桂锋, 于绍楠, 崔璐. 一种基于集成学习策略的单细胞转录组数据集成分类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1252-1255.
[3]	胡蓉, 吴群英. 次线性期望空间下END列加权和的几乎处处收敛性[J]. 吉林大学学报(理学版), 2021, 59(3): 531-536.
[4]	郑余祥, 左祥麟, 左万利, 梁世宁, 王英. 基于时间关系的Bi-LSTM+GCN因果关系抽取[J]. 吉林大学学报(理学版), 2021, 59(3): 643-648.
[5]	刘颖, 杜星秋, 温东欣, 唐伟宁, 张洪明. 基于TLSmote-SVM的非均衡用户窃漏电诊断算法[J]. 吉林大学学报(理学版), 2021, 59(1): 136-142.
[6]	赵珈玉, 陆冬梅. NSD序列部分和乘积的渐近分布[J]. 吉林大学学报(理学版), 2020, 58(6): 1339-1344.
[7]	张齐贤, 朱晓冬, 刘元宁, 王超群, 吴祖慷, 李昕龙. 基于GA-BP神经网络的序列虹膜质量评价算法[J]. 吉林大学学报(理学版), 2020, 58(6): 1382-1390.
[8]	卢哲昕, 谭希丽, 张勇, 刘天泽. 两两NQD序列完全矩收敛的精确渐近性[J]. 吉林大学学报(理学版), 2020, 58(5): 1149-1153.
[9]	王宇, 王纯杰, 张海祥. ADCINAR(1)模型的加权条件最小二乘估计[J]. 吉林大学学报(理学版), 2019, 57(3): 553-561.
[10]	魏晓辉, 许国威, 王兴旺, 徐海啸. 基于节点相似性和链接次数组合时间序列的链接预测[J]. 吉林大学学报(理学版), 2019, 57(3): 583-590.
[11]	杨健, 杨超宇, 李慧宗. 基于二维离散小波的生成图像鉴别方法[J]. 吉林大学学报(理学版), 2019, 57(3): 619-626.
[12]	朱超平, 任继平. 基于智能优化算法的物联网异构数据融合方法[J]. 吉林大学学报(理学版), 2019, 57(3): 627-632.
[13]	李精玉, 张勇. 由NSD序列生成线性过程的中心极限定理[J]. 吉林大学学报(理学版), 2019, 57(2): 300-304.
[14]	李婕, 吴群英. 次线性期望下ND序列的完全收敛与完全积分收敛[J]. 吉林大学学报(理学版), 2019, 57(2): 305-310.
[15]	吴越, 马晶. 软正合序列的若干性质[J]. 吉林大学学报(理学版), 2019, 57(06): 1287-1291.