学位论文 > 优秀研究生学位论文题录展示

人类抗原肽载体结合力预测

作　者: 陈秋剑
导　师: 石峰
学　校: 华中农业大学
专　业: 基因组学
关键词: 抗原相关运转蛋白绑定结合力支持向量机人工神经网络机器学习主成分分析
分类号: R392.1
类　型: 硕士论文
年　份: 2009年
下　载: 7次
引　用: 0次
阅　读: 论文下载

内容摘要

主要组织相溶性复合体MHCⅠ类抗原(Major Histocompatibility Complex Class I Antigens)的加工和递呈对于免疫监视非常重要,细胞毒素T淋巴细胞抗原表位的产生是一个复杂的过程,包括大量的细胞内进程。内源性抗原首先在细胞质内经酶切,形成大小不等的多肽片段,由抗原肽载体TAP (Transporter Associated with Antigen Processing)转运至内质网,再与MHC I类分子绑定,经细胞外排系统表达于细胞表面,便于CD8阳性T细胞识别,形成三联体,以产生免疫应答。其中内源性抗原加工和递呈相关的运转蛋白——抗原肽载体TAP是一种跨膜蛋白,负责将抗原肽片段运输到内质网,在整个抗原加工递呈过程中扮演了重要的角色。因此TAP对抗原多肽的结合偏爱对T细胞抗原表位的选择具有重大影响。本文提出新的模型来预测人类抗原9肽和抗原肽载体TAP的绑定结合力的数量值。并对影响结合力的氨基酸位点及物理化学属性进行了分析,解释了其生物学含义。本文的主要创新和结论：(1)在与结合力相关的众多物理化学属性中,选择了20种氨基酸的15种物理化学属性作为建模依据。通过机器学习方法,得出了对于人类TAP与抗原9肽绑定结合力较为重要的理化属性和位点。(2)对于抗原9肽,使用了15特征初始编码方案。又在此基础上,通过机器学习方法,选择出排在前15位的影响重大的维数,并结合统计学的主成分分析方法对相对次要的维数进行了综合提炼,以部分主成分代替原来的维数参与建模,并进一步构建了三种不同的新的编码方案。(3)将数据集划分为训练集,验证集和测试集。对于每一种编码方案,分别使用了支持向量回归机和人工神经网络作为预测引擎进行了旁置法测试的试验。训练模型,优化参数,独立测试。并对三种编码方案所得的试验结果进行了比较说明。支持向量机测试,皮尔逊相关系数达到r=0.9029;交叉验证相关系数q2=0.8068;人工神经网络达到r=0.8547;q2=0.6985。(4)用五折交叉验证的方法对整个数据集进行了交叉训练和测试。得到最优参数,并对试验结果进行了分析。全部数据测试结果,支持向量机为r=0.8225;q2=0.6697。人工神经网络为r=0.9417,q2=0.8852。从而证明了该预测技术具有可靠性和可行性。(5)根据模型测试的结果,分析了其相应的生物学含义。提出了进一步研究的方向。

全文目录

摘要  6-8
Abstract  8-10
缩略名词表  10-12
1 前言  12-28
  1.1 免疫应答的基本过程  12-14
    1.1.1 抗原递呈细胞和T淋巴细胞活化  12-13
    1.1.2 外源性抗原加工递呈  13
    1.1.3 内源性抗原加工递呈  13
    1.1.4 抗原肽载体TAP结合多肽的特异性  13-14
  1.2 抗原肽载体TAP研究进展  14-16
  1.3 机器学习方法  16-25
    1.3.1 数据挖掘  16
    1.3.2 机器学习  16-18
    1.3.3 常用的机器学习技术  18-24
      1.3.3.1 人工神经网络  18-21
      1.3.3.2 支持向量机  21-24
    1.3.4 数据挖掘软件Weka  24-25
  1.4 模型评价方法  25-26
    1.4.1 常用的模型评价方法  25-26
    1.4.2 本文使用的回归模型评价指标  26
  1.5 本文的研究方法和结果  26-28
2 材料与方法  28-41
  2.1 数据集  28-29
  2.2 氨基酸物理化学属性  29-30
  2.3 肽段的初始向量表示  30-31
    2.3.1 氨基酸物理化学属性及其标准化  30-31
    2.3.2 肽段的初始向量表示  31
  2.4 特征提取  31-35
    2.4.1 机器学习方法选取重要属性和位点  31-32
    2.4.2 主成分分析综合次要属性和位点  32-35
  2.5 序列编码方案  35-36
  2.6 数据集的划分  36-37
    2.6.1 旁置法  36
    2.6.2 交叉验证  36-37
  2.7 LIBSVM训练和测试  37-39
    2.7.1 旁置法  37-38
    2.7.2 交叉验证  38-39
  2.8 人工神经网络训练和测试  39-41
    2.8.1 旁置法  39-40
    2.8.2 交叉验证  40-41
3 结果与分析  41-49
  3.1 位点对结合力的影响分析  41
  3.2 物理化学属性对结合力的影响分析  41-42
  3.3 LIBSVM测试结果与分析  42-45
    3.3.1 旁置法测试结果与分析  42-44
    3.3.2 交叉验证结果与分析  44-45
  3.4 人工神经网络测试结果与分析  45-49
    3.4.1 旁置法测试结果与分析  45-47
    3.4.2 交叉验证结果与分析  47-49
4 讨论  49-53
  4.1 多种编码方案效果比较分析  49
  4.2 支持向量机与人工神经网络预测结果比较  49-50
  4.3 本文与其他研究者工作比较及优势所在  50-51
  4.4 本文的不足和对下一步研究的展望  51-53
参考文献  53-57
致谢  57-58
附录1 20种氨基酸的15属性标准化得分  58-59
附录2 次要维数前7个主成分组合系数  59-62
附录3 试验所用的抗原9肽序列一览表  62-65
附录4 攻读学位期间发表的文章  65

人类抗原肽载体结合力预测

内容摘要

全文目录

相似论文