学位论文 > 优秀研究生学位论文题录展示

利用SVM挖掘GPCR中潜在的药物靶点

作　者: 王春丽
导　师: 张世强
学　校: 重庆医科大学
专　业: 生物医学工程
关键词: 药物靶点 G蛋白偶联受体支持向量机遗传算法
分类号: TP181
类　型: 硕士论文
年　份: 2013年
下　载: 38次
引　用: 0次
阅　读: 论文下载

内容摘要

目的：药物靶点的定位是药物开发成败的关键。然而，目前被临床验证的药物靶点的数量还很少，因此迫切需要挖掘更多的新药物靶点。在已知的药物靶点中G蛋白偶联受体（GPCR）占绝大多数，它和高血压、哮喘、疼痛、神经和免疫紊乱等多种疾病有着密切联系。由于GPCR其七次跨膜构象复杂，空间结构很难从实验中获取，因此，它们的功能就更难确定了。在本研究中，我们结合蛋白质序列、多肽、及蛋白质基本理化性质等特征构建支持向量机（SVM）分类器，来预测GPCR中潜在的药物靶点，为药物开发提供理论支持。方法：本研究利用SVM方法，通过对GPCRDB,Uniprot，DrugBank三大数据库中蛋白质序列的筛选，构建两组不同的分类器来预测GPCR中潜在的药物靶点。一类分类器是将人类确认的药物靶点作为阳性结合，筛选得到的非药物靶点作为阴性集合；另一类分类器是将确认为药物靶点的GPCR作为阳性集合，筛选得到的GPCR非药物靶点作为阴性集合。对以上两组蛋白序列中每一个序列提取其相应的蛋白质的一级结构、多肽特征及蛋白质的基本理化性质特征，作为训练分类器的特征空间。利用遗传算法实现特征空间的选择，并通过对模型参数的调整来构建两组最优分类器。最后，将这两组最优分类器都用于对GPCR潜在药物靶点的预测。结果：根据第一组数据集合训练的分类器其分类的准确率为72.63%，敏感度为77.44%，特异度为67.55%。第二组分类器的准确度，敏感度、特异度都在95%左右。将这两组分类器用于对未分类的GPCR集合预测，发现其中有141个GPCR同时被这两类分类器预测阳性，这个比例占到了整个GPCR的17.5%，这一结果对GPCR的研究有着很重要的参考意义。结论：通过构建两组分类器来实现对GPCR药物靶点的预测，两组分类器相互验证，增加了分类结果的可信度。在这些同时被预测为阳性药物靶点的141蛋白质中，其中有39个在治疗靶点数据库中能找到，这也进一步证明了此方法的可行性和正确性。

全文目录

英汉缩略语名词对照  5-6
摘要  6-8
ABSTRACT  8-10
前言  10-13
第一部分支持向量机概述  13-18
  1 支持向量机的研究背景  13-14
  2 核函数  14-15
  3 分类器评价  15-16
  4 实现 SVM 的软件  16-18
第二部分实验数据介绍  18-24
  1 Uniprot 数据库简介  18-19
  2 DrugBank 数据库简介  19-20
  3 GPCRDB 数据库简介  20-21
  4 支持向量机训练集合的建立  21-24
第三部分数据处理方法  24-33
  1 数据去冗余  24
  2 特征提取  24-30
  3 特征选择  30-33
第四部分最优支持向量机的建立和预测  33-37
结论  37-41
参考文献  41-43
文献综述  43-48
  参考文献  46-48
致谢  48-49
硕士期间发表论文  49-50

利用SVM挖掘GPCR中潜在的药物靶点

内容摘要

全文目录

相似论文