×
陈，叶;袁小平;苍晓辉

基于人群的增量学习预测智人蛋白质二级结构。 （英语） Zbl 1416.92128号

国际生物数学杂志。 12，第3号，文章ID 1950017，21 p.（2019）.
摘要：蛋白质结构预测是基于氨基酸序列对蛋白质三维结构的预测。它是医学、生物学和生物化学等学科的关键组成部分。对智人蛋白质二级结构的预测是其中一个更重要的领域。许多方法被用于结合滑动窗口的前馈神经网络或SVM。该方法的机制过于复杂，无法从中提取清晰直观的物理意义。本文探讨了基于种群的增量学习（PBIL），这是一种将世代遗传算法的机制与简单竞争学习相结合的方法。结果表明，它的准确性与人类物种特别相关。这个新视角揭示了性能改进的许多不同可能性。

MSC公司：

92D20型 蛋白质序列，DNA序列
68T05型 人工智能中的学习和自适应系统

关键词：

基于人群的增量学习;智人;蛋白质二级结构的预测
PDF格式BibTeX公司 XML格式引用
\textit{Y.Chen}等人，国际生物数学杂志。12，第3号，文章ID 1950017，21 p.（2019；Zbl 1416.92128）
全文： 内政部

参考文献：

[1] Hu，Z.、Scott，H.S.、Qin，G.、Zheng，G.，Chu，X.、Xie，L.、Adelson，D.L.、Oftedal，B.E.、Venugopal，P.和Babic，M.，基于从头算预测、RNA-SEQ和蛋白质组学揭示缺失的人类蛋白质亚型，科学。代表5（2015）10940。
[2] Somody，J.C.、Mackinnon，S.S.和Windemuth，A.，蛋白质组在药物应用中的结构覆盖，药物探索。今天（2017年）。
[3] Fasman，G.D.和Chou，P.Y.，蛋白质构象的预测：后果和期望，生物化学13（2）（1974）222-245。
[4] Rost，B.、Sander，C.和Schneider，R.，Phd-蛋白质二级结构预测的自动邮件服务器，计算机。申请。Biosci.10（1）（1994）53-60。
[5] Bettella，F.、Rasinski，D.和Knapp，E.W.，《麻雀蛋白质二级结构预测》，J.Chem。Inf.Mod.52（2）（2012）545-556。
[6] Yaseen，A.和Li，Y.，基于上下文的特征提高了蛋白质二级结构预测的准确性，J.Chem。Inf.Mod.54（3）（2014）992-1002。
[7] B、 R.，G，Y.和J，L.，预测蛋白服务器，核酸研究。31(13) (2003) 3300.
[8] C、 C.，JD，B.和GJ，B.，jpred 3二级结构预测服务器，核酸研究。36（2008）（Web服务器问题），W197。
[9] Buchan，D.W.A.、Minneci，F.、Nugent，T.C.O.、Bryson，K.和Jones，D.T.，PSIPRED蛋白质分析工作台的可扩展web服务，核酸研究41（2013）（web服务器问题），W349。
[10] Mark，B.、Yucel，A.和Zafer，A.，使用隐藏半马尔可夫模型预测单个序列的蛋白质二级结构，BMC生物信息学7（1）（2006）1-15。
[11] Yao，X.Q.，Zhu，H.和She，Z.S.，蛋白质二级结构预测的动态贝叶斯网络方法，BMC生物信息学9（1）（2008）49。
[12] Malekpour，S.、Naghizadeh，S.，Pezeshk，H.、Sadeghi，M.和Eslahchi，C.，蛋白质二级结构预测的分段半马尔可夫模型，数学。《生物科学》221（2）（2009）130-135·Zbl 1175.92015年
[13] Agarwal，S.、Agarwall，P.和Mendiratta，D.，使用支持向量机预测蛋白质的二级结构（John Wiley&Sons，2004）。
[14] Guo，J.，Chen，H.，Sun，Z.和Lin，Y.，使用双层SVM和剖面预测蛋白质二级结构的新方法，《蛋白质》54（4）（2004）738。
[15] Nguyen，M.N.和Rajapakse，J.C.，蛋白质二级结构预测的两阶段多类支持向量机（2005）。
[16] Presnell，S.R.和Cohen，F.E.，《生物化学序列模式识别的人工神经网络》，年。生物物理学评论。生物模型。结构22（1）（1993）283。
[17] Garnier，J.、Gibrat，J.F.和Robson，B.，《从氨基酸序列预测蛋白质二级结构的GOR方法》，《酶学方法》266（266）（1996）540。
[18] Hua，S.和Sun，Z.，用高片段重叠测度预测蛋白质二级结构的新方法：支持向量机方法，J.Mol.Biol.308（2）（2001）397-407。
[19] Kim，H.和Park，H.，基于改进支持向量机方法的蛋白质二级结构预测，Protein Eng.16（8）（2003）553。
[20] Nguyen，M.N.和Rajapakse，J.C.，蛋白质二级结构预测的两阶段支持向量机，太平洋交响乐团。生物计算机.14（2003）218-227。
[21] Bing Yao，J.，Cheng Jian，W.和Zhen Ya，H.，PBIL算法在时间表问题上的应用，系统工程理论与实践（2000）。
[22] S.Baluja，基于人口的增量学习。基于遗传搜索的函数优化和竞争学习的集成方法（1994）。
[23] C.学习，《基于群体的增量学习：基于遗传搜索的集成方法》（1994年）。
[24] S.Baluja，静态函数优化七种迭代和进化启发式的经验比较（扩展摘要）（1995年）。
[25] S.Baluja和R.Caruana，从标准遗传算法中删除遗传学，卡内基梅隆大学，（1995年）。
[26] Yang，S.和Yao，X.，《动态环境下基于群体的联想记忆增量学习》，IEEE Trans。进化。计算12（5）（2008）542-561。
[27] M.Kouza、E.Faraggi、A.Kolinski和A.Kloczkowski，蛋白质二级结构预测的Gor方法及其作为蛋白质聚集预测工具的应用（2017年）。
[28] Ruan，J.，Chen，K.，Tuszynski，J.A.和Kurgan，L.A.，蛋白质片段三级结构保守性的定量分析，蛋白质J.25（5）（2006）301-315。
[29] Bodén，M.，Yuan，Z.和Bailey，T.L.，基于NMR求解结构的概率模型预测蛋白质连续体二级结构，BMC生物信息学7（1）（2006）68。
[30] Schlessinger，A.和Rost，B.，《从序列预测蛋白质的弹性和刚性》，《蛋白质结构功能和生物信息学》61（1）（2005）115-126。
[31] Yuan，Z.、Kevin，B.、Song，J.和Thomas，H.，使用psi-蛋白质谱和二级结构信息预测蛋白质中的顺式/反式异构化，BMC生物信息学7（1）（2006）124。
[32] P.Fariselli，跨膜螺旋预测为95
[33] Lin，K.，Simosis，V.A.，Taylor，W.R.和Heringa，J.，使用隐藏神经网络的简单快速二级结构预测方法，生物信息学21（2）（2005）152-159。
[34] Weiler，E.W.和Nover，L.，《Allgemeine Und Molekulare Botanik》（斯图加特Georg Thieme Verlag，2008）。
[35] S.Konikkat，《酿酒酵母60s核糖体亚单位组装期间动态重塑事件导致Its2间隔序列的移除》（2016年）。
[36] De，L.C.J.，Karbstein，K.和Woolford，J.L.Jr，核糖体蛋白质在体内真核核糖体组装中的功能，年度。《生物化学评论》84（84）（2015）93。
[37] Samelson，A.J.、Jensen，M.K.、Soto，R.A.、Cate，J.H.和Marqusee，S.，核糖体新生链稳定性的定量测定，Proc。美国国家科学院。科学。美国113（47）（2016）13402。
[38] Cuff，J.A.和Barton，G.J.，《蛋白质二级结构预测的多序列方法的评估和改进》，蛋白质结构功能和生物信息学USA34（4）（1999）508。
[39] Orengo，C.A.、Michie，A.D.、Jones，S.、Jones、D.T.、Swindells，M.B.和Thornton，J.M.、Cath-蛋白质结构的层次分类，Structure5（8）（1997）1093。
[40] Touw，W.G.，Baakman，C.，Black，J.，Beek，T.A.H.T.，Krieger，E.，Joosten，R.P.和Vriend，G.，一系列满足日常需求的PDB相关数据库，《核酸研究》43（2015）（数据库发行）D364。
[41] Kabsch，W.和Sander，C.，《蛋白质二级结构词典：氢键和几何特征的模式识别》，生物聚合物22（12）（1983）2577-2637。
[42] Kinch，L.N.，Li，W.，Monastirskyy，B.，Kryshtafovych，A.和Grishin，N.V.，casp11接触辅助预测评估，蛋白质结构功能和生物信息学84（2016）164-180。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。