学位论文 > 优秀研究生学位论文题录展示

基于机器学习的蛋白质相互作用关系抽取的研究

作　者: 虞欢欢
导　师: 周国栋
学　校: 苏州大学
专　业: 计算机应用技术
关键词: 文本挖掘蛋白质关系抽取机器学习
分类号: Q51-3
类　型: 硕士论文
年　份: 2010年
下　载: 86次
引　用: 1次
阅　读: 论文下载

内容摘要

随着生物医学领域文献的爆炸性增长,从生物医学文献中自动获取生物医学知识已经成为生物信息学研究的重要领域。由于蛋白质相互作用关系对于生命科学有着特殊的重要意义,因而蛋白质相互作用关系抽取成为当前生物信息学的热点问题。由于生物医学文献的复杂性和多样性,从中抽取蛋白质相互关系是一个相当困难的任务。本文应用机器学习的方法对蛋白质相互作用关系的抽取进行了深入的研究,研究内容主要包括:1.研究基于特征向量的蛋白质关系抽取方法,重点探索了如何从自由文本中提取出各种表面特征和结构化特征,并分析了这些不同的特征对蛋白质关系抽取的贡献;2.提出基于卷积树核函数的蛋白质关系抽取方法,分析了结构化信息的表达形式对蛋白质关系抽取的影响,为进一步的研究奠定良好的基础;3.研究基于复合核函数的蛋白质关系抽取方法,通过线性复合和多项式复合的方式将基于特征向量的方法和基于树核函数的方法有机结合起来,以期有效捕获关系实例的平面特征和结构化特征。在AIMed语料库上的蛋白质关系抽取实验表明,基于特征向量和卷积树核函数的复合核函数方法取得了最高为53.7的F值,达到了目前较好的水平。本文的研究和所取得的成果对今后蛋白质关系的研究具有一定的参考价值。

全文目录

中文摘要  4-5
Abstract  5-9
第1章绪论  9-15
  1.1 研究背景  9-10
  1.2 研究意义  10-11
  1.3 研究现状  11-13
  1.4 本文的研究内容  13
  1.5 论文的组织结构  13-15
第2章蛋白质关系抽取的相关知识  15-30
  2.1 生物医学文本挖掘技术  15-19
    2.1.1 生物医学文本挖掘技术概述  15-16
    2.1.2 生物医学文本挖掘关键技术  16-19
  2.2 蛋白质关系抽取  19-23
    2.2.1 蛋白质关系抽取概述  19-20
    2.2.2 蛋白质关系抽取的评测标准  20
    2.2.3 蛋白质关系抽取的方法  20-23
  2.3 支持向量机（SVM）  23-28
    2.3.1 基本原理  23-27
    2.3.2 核函数  27-28
    2.3.3 SVM 特点及优势  28
  2.4 K 倍交叉验证法  28-29
  2.5 本章小结  29-30
第3章基于特征向量的蛋白质关系抽取  30-44
  3.1 蛋白质关系抽取流程  30-32
  3.2 AIMED 语料库  32-35
    3.2.1 语料库格式  32-33
    3.2.2 语料库的预处理  33-35
  3.3 特征抽取与向量构造  35-40
    3.3.1 特征抽取  35-38
    3.3.2 特征向量构造  38-40
    3.3.3 分类器的选择  40
  3.4 实验结果与分析  40-42
  3.5 本章小结  42-44
第4章基于卷积树核函数的蛋白质关系抽取  44-59
  4.1 卷积树核函数  44-47
  4.2 PPI 实例的结构化信息  47-49
    4.2.1 完全句法树（FPT）  47-48
    4.2.2 最小完全句法树（MCT）  48-49
    4.2.3 最短路径包含树（SPT）  49
  4.3 蛋白质相互作用关系实例的产生  49-54
  4.4 实验结果与分析  54-58
    4.4.1 实验结果  54-56
    4.4.2 错误分析  56-58
  4.5 本章小结  58-59
第5章基于复合核函数的蛋白质关系抽取  59-64
  5.1 复合核  59
  5.2 线性复合和多项式复合  59-60
  5.3 实验及结果分析  60-62
    5.3.1 实验设置  60-61
    5.3.2 实验结果分析  61-62
  5.4 与其他系统进行比较  62-63
  5.5 本章小结  63-64
第6章总结与展望  64-66
  6.1 研究工作总结  64
  6.2 下一步的工作设想  64-66
参考文献  66-71
攻读硕士学位期间发表的论文  71
攻读硕士学位期间参与的项目  71-72
致谢  72-73

基于机器学习的蛋白质相互作用关系抽取的研究

内容摘要

全文目录

相似论文