基于智能計算的蛋白質(zhì)及其相互作用算法分析

目錄
前言
第1章 緒論 1
1.1 蛋白質(zhì)與蛋白質(zhì)組學 1
1.2 蛋白質(zhì)的結構與功能 2
1.2.1 蛋白質(zhì)的結構層次 3
1.2.2 蛋白質(zhì)的功能 4
1.2.3 蛋白質(zhì)結構與功能的關系 5
1.2.4 蛋白質(zhì)的空間折疊結構 5
1.3 蛋白質(zhì)相互作用 6
1.3.1 蛋白質(zhì)-蛋白質(zhì)相互作用結合面的性質(zhì) 8
1.3.2 藥物-靶點蛋白相互作用 9
1.4 蛋白質(zhì)數(shù)據(jù)庫 10
1.5 生物實驗方法 13
1.5.1 丙氨酸掃描突變實驗 13
1.5.2 洗脫實驗 14
1.5.3 高通量實驗方法 15
1.6 智能計算方法 16
1.6.1 基于基因信息的方法 16
1.6.2 基于蛋白質(zhì)結構信息的方法 17
1.6.3 基于氨基酸序列信息的方法 18
第2章 蛋白質(zhì)三維結構預測分析 20
2.1 引言 20
2.2 蛋白質(zhì)折疊結構優(yōu)化模型 21
2.2.1 二維AB非格模型 21
2.2.2 三維AB非格模型 22
2.3 基于遺傳退火算法的蛋白質(zhì)折疊結構預測算法 24
2.3.1 遺傳退火算法 24
2.3.2 算法描述 26
2.3.3 局部微調(diào)遺傳退火算法 28
2.3.4 實驗結果與分析 30
2.4 基于粒子群優(yōu)化算法的蛋白質(zhì)折疊結構預測 39
2.4.1 多種群粒子群優(yōu)化算法 39
2.4.2 MPSO算法描述 42
2.4.3 基于MPSO算法的實驗結果 43
2.4.4 自適應分工粒子群優(yōu)化算法 45
2.4.5 自適應分工粒子群優(yōu)化算法描述 48
2.4.6 基于自適應分工粒子群優(yōu)化算法的實驗結果 48
2.5 基于遺傳禁忌算法的蛋白質(zhì)折疊結構預測 50
2.5.1 禁忌算法 50
2.5.2 禁忌算法優(yōu)化 51
2.5.3 遺傳禁忌算法優(yōu)化策略 52
2.5.4 實驗結果與分析 56
第3章 蛋白質(zhì)相互作用熱點預測 60
3.1 引言 60
3.2 蛋白質(zhì)熱點殘基 60
3.3 熱點數(shù)據(jù)集 61
3.3.1 數(shù)據(jù)集的獲取與處理 61
3.3.2 理化結構屬性 64
3.4 特征選擇策略 69
3.4.1 *小冗余*大相關特征選擇方法 69
3.4.2 相關系數(shù)特征選擇方法 70
3.4.3 支持向量機-遞歸特征剔除特征選擇方法 70
3.4.4 特征選擇結果 72
3.5 基于支持向量機的蛋白質(zhì)相互作用熱點預測 74
3.5.1 算法描述 74
3.5.2 性能評價指標 78
3.5.3 實驗結果與分析 79
3.6 基于集成學習的蛋白質(zhì)相互作用熱點預測 81
3.6.1 Boosting算法 81
3.6.2 梯度提升算法 82
3.6.3 隨機森林算法 83
3.6.4 實驗結果與分析 85
3.7 基于合成少數(shù)類過采樣技術的蛋白質(zhì)相互作用熱點預測優(yōu)化 88
3.7.1 不平衡數(shù)據(jù)處理 88
3.7.2 基于SRF分類策略分析的熱點預測 89
3.7.3 基于SABoost算法的熱點預測 94
第4章 蛋白質(zhì)相互作用熱區(qū)預測 98
4.1 引言 98
4.2 基于多種序列特征提取預測蛋白質(zhì)相互作用 99
4.2.1 蛋白質(zhì)相互作用預測過程 99
4.2.2 蛋白質(zhì)序列特征提取 99
4.2.3 特征融合 101
4.2.4 實驗結果與分析 104
4.3 基于復雜網(wǎng)絡和社區(qū)結構的蛋白質(zhì)相互作用熱區(qū)預測 112
4.3.1 蛋白質(zhì)相互作用的復雜網(wǎng)絡特性 112
4.3.2 標準熱區(qū)定義 113
4.3.3 社區(qū)結構探測方法 114
4.3.4 實驗結果與分析 117
4.4 基于DICFC的蛋白質(zhì)相互作用熱區(qū)預測 121
4.4.1 基于蛋白質(zhì)殘基密度的增量型聚類 121
4.4.2 遞歸特征消除結合歸一化互信息特征選擇 122
4.4.3 基于ASEdb數(shù)據(jù)集的實驗結果 125
4.4.4 三維空間結構評價 128
4.5 基于密度聚類和投票分類器的蛋白質(zhì)相互作用熱區(qū)預測 131
4.5.1 投票分類器模型 131
4.5.2 KDBSCAN密度聚類 133
4.5.3 實驗結果 136
4.6 基于輪廓系數(shù)和K-means聚類的蛋白質(zhì)相互作用熱區(qū)預測 140
4.6.1 K-means算法 140
4.6.2 基于輪廓系數(shù)的k值優(yōu)化 140
4.7 蛋白質(zhì)相互作用熱區(qū)預測優(yōu)化策略 148
4.7.1 熱點回收策略 148
4.7.2 鄰居殘基優(yōu)化策略 151
4.7.3 PPRA優(yōu)化策略 155
4.8 基于序列保守性的熱區(qū)驗證方法 158
4.8.1 直接同源基因 159
4.8.2 保守性得分函數(shù) 160
4.8.3 實驗結果與分析 162
第5章 藥物-靶點相互作用預測 168
5.1 引言 168
5.2 研究現(xiàn)狀 168
5.2.1 基于半監(jiān)督學習的藥物-靶點相互作用研究 168
5.2.2 藥物-靶點結合親和力研究 169
5.3 數(shù)據(jù)集 170
5.3.1 DTI數(shù)據(jù)集 170
5.3.2 靶點-藥物結合親和力數(shù)據(jù)集 171
5.4 基于深度學習的藥物-靶點相互作用研究 172
5.4.1 輸入表示 172
5.4.2 預測模型 172
5.4.3 優(yōu)化損失函數(shù) 174
5.4.4 實驗結果與分析 174
5.5 基于RF的藥物-靶點相互作用研究 177
5.5.1 靶點蛋白質(zhì)特征提取策略 177
5.5.2 藥物特征提取策略 178
5.5.3 特征組合策略 179
5.5.4 基于RF的藥物-靶點相互作用預測 180
5.5.5 實驗結果與分析 182
5.6 基于子空間矩陣分解的藥物-靶點相互作用研究 183
5.6.1 SMF算法描述 184
5.6.2 實驗結果與分析 186
5.7 基于自然語言表達的藥物蛋白質(zhì)-靶點結合親和力研究 188
5.7.1 分布式表達和詞嵌入 188
5.7.2 詞嵌入藥靶序列表達 189
5.7.3 基于深度學習組合模型的藥靶序列特征提取 191
5.7.4 實驗結果與分析 195
參考文獻 199
附錄1 訓練樣本集中的ΔΔG值 207
附錄2 測試樣本集的詳細信息 211
附錄3 Hub蛋白質(zhì)的部分數(shù)據(jù)集 213