×

蛋白质二级结构预测的分段半马尔可夫模型。 (英语) Zbl 1175.92015年

摘要:隐马尔可夫模型(HMM)是一种实用的工具,为蛋白质二级结构预测提供了概率基础。在这些模型中,通常只考虑氨基酸左手侧的信息。因此,就长期相关性而言,这些模型似乎效率低下。我们讨论了一个考虑氨基酸两侧信息的分段半马尔可夫模型(SSMM)。假设氨基酸两侧的信息可以提供测量依赖性的合适工具,这似乎是合理的。我们通过将这些依赖项划分为较短的依赖项来考虑这些依赖项。这些依赖模型中的每一个都可以用于估计结构类中分段的概率。
考虑了氨基酸依赖于其两侧出现的残基的几个条件概率。基于这些条件概率,获得了一个加权模型,以计算结构中每个分段的概率。与普通分段半马尔可夫模型(SSMMs)相比,该模型的预测精度提高了2.27%。我们还将我们的模型与由C.S.施密德勒等。[蛋白质二级结构的贝叶斯分割。《计算机生物学杂志》第7期,第1–2期,233–248页(2000年);另见贝叶斯蛋白质结构预测。纽约:Springer Lect.Notes Stat.162,363–378页(2002年;Zbl 1020.62106号)]. 计算表明,该模型的总体预测精度高于施密德勒提出的SSMM模型。

MSC公司:

92C40型 生物化学、分子生物学
62页第10页 统计学在生物学和医学中的应用;元分析
60J99型 马尔可夫过程
60年20日 马尔可夫链和离散时间马尔可夫过程在一般状态空间(社会流动、学习理论、工业过程等)上的应用
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 艾丁,Z。;阿尔通巴斯克,Y。;Borodovsky,M.,使用隐藏半马尔科夫模型预测单个序列的蛋白质二级结构,BMC生物信息学,7178(2006)
[2] 钱,N。;Sejnowski,T.J.,使用神经网络模型预测球状蛋白质的二级结构,《分子生物学杂志》。,202, 865 (1998)
[3] Rost,B。;Sander,C.,预测蛋白质二级结构高于70
[4] P.Baldi,S.Brunak,P.Frasconi,G.Pollastri,G.Soda,蛋白质二级结构预测的双向动力学,收录于:R.Sun,C.L.Giles(编辑),序列学习,LNAI 18282000,第80-104页。;P.Baldi,S.Brunak,P.Frasconi,G.Pollastri,G.Soda,蛋白质二级结构预测的双向动力学,收录于:R.Sun,C.L.Giles(编辑),序列学习,LNAI 18282000,第80-104页。
[5] 施密德勒,C.S。;Liu,J.S。;Brutlag,D.L.,蛋白质二级结构的贝叶斯分割,J.Comp。《生物学》,7,1/2,233(2000)
[6] 施密德勒,C.S。;Liu,J.S。;Brutlag,D.L.,贝叶斯蛋白质结构预测。贝叶斯统计案例研究(2002),斯普林格,第363-378页·Zbl 1020.62106号
[7] 楚·W。;加赫拉马尼,Z。;Podtelezhnikov,A。;Wild,D.L.,蛋白质二级结构和接触图预测的多序列比对轮廓贝叶斯分段模型,IEEE/ACM Trans。计算。生物.生物信息学,3,2,98(2006)
[8] Z.Aydin,Y.Altunbasak,M.Borodovsky,用半马尔可夫HMM预测蛋白质二级结构,收录于:IEEE EMBS第26届国际年会论文集,2004,2964-2967。;Z.Aydin,Y.Altunbasak,M.Borodovsky,用半马尔可夫HMM预测蛋白质二级结构,收录于:IEEE EMBS第26届国际年会论文集,2004,2964-2967。
[9] 马丁,J。;Gibrat,F。;Rodolphe,F.,为二级结构预测选择最佳隐马尔可夫模型,IEEE智能系统。,20, 6, 19 (2005)
[10] 马丁,J。;Gibrat,F。;Rodolphe,F.,二级结构预测的最优隐马尔可夫模型分析,BMC结构。生物学,6(2006)
[11] 杜宾,R。;Eddy,S。;Krogh,A。;Mitchison,G.,《生物序列分析》(1998),剑桥大学出版社·Zbl 0929.92010号
[12] Rabiner,L.R.,语音识别中隐藏马尔可夫模型和选定应用的教程,IEEE进展,77,2,257(1989)
[13] 卡夫,J.A。;Barton,G.J.,《应用多序列比对图谱改进蛋白质二级结构预测》,《蛋白质结构》。功能。遗传学,40,502(2000)
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。