学位论文 > 优秀研究生学位论文题录展示

多分类器系统在蛋白质功能预测方面的应用

作　者: 黄丹梅
导　师: 梁艳春
学　校: 吉林大学
专　业: 生物信息学
关键词: 分类技术多分类器系统 GPCRs 蛋白质功能预测
分类号: TP311.13
类　型: 硕士论文
年　份: 2010年
下　载: 94次
引　用: 0次
阅　读: 论文下载

内容摘要

作为数据挖掘领域的一个重要分支,分类技术有着广泛的应用,并且经过多年的研究和发展,许多经典的分类方法已经被研究者所熟悉,例如k-近邻、贝叶斯方法、决策树、支持向量机、神经网络等。而这些传统的方法具有一定的局限性,于是研究人员相应地提出了多分类器系统,同时,多分类器系统的研究进展又面临着一些重要的问题。蛋白质功能预测作为后基因组时代面临的主要挑战之一,许多机器学习方面的算法逐渐被研究出来了。G蛋白偶联受体(G-protein coupled receptors ,GPCRs)是一类非常重要的信号分子受体,因能结合与调节G蛋白活性而得名。由于GPCRs的结构特征及其在信号传导中的重要作用,决定了它可以作为药物靶标,当前畅销药物中有20%属于GPCRs相关药物,世界药物市场大约有1/3的小分子药物是GPCRs的激活剂或拮抗剂。另外,GPCRs的功能失调会导致多种疾病产生。由此可见,研究GPCRs的功能相关数据有着极其重要的应用价值。本文采用数据挖掘的相关技术,通过研究前人的理论和实践成果,针对多分类器系统的实现所存在的主要研究问题,提出了相应的改善方案和策略,并且基于weka数据挖掘分析平台编程实现了该系统,并对GPCRs的功能数据进行操作和处理,实验结果表明,系统的分类性能有了一定程度的提高。

全文目录

提要  4-7
第1章绪论  7-10
  1.1 课题的研究意义  7
  1.2 课题的研究现状以及应用前景  7-8
  1.3 论文内容的组织安排  8-10
第2章多分类器系统的基础理论  10-29
  2.1 数据挖掘与分类  10-11
  2.2 传统的分类技术及其度量  11-20
    2.2.1 传统分类技术的种类  11-19
    2.2.2 分类器的准确性度量方法  19-20
  2.3 多分类器系统  20-29
    2.3.1 多分类器系统的架构  20-22
    2.3.2 多分类器系统的融合策略  22-27
    2.3.3 成员分类器的多样性的研究  27-29
第3章蛋白质功能预测与机器学习方法  29-37
  3.1 蛋白质功能预测与机器学习  29-31
    3.1.1 机器学习方法与蛋白质功能预测的框架图  29-30
    3.1.2 研究中常用的蛋白质数据库  30-31
  3.2 监督方法在蛋白质功能预测上的应用  31-34
  3.3 半监督方法在蛋白质功能预测上的应用  34-35
  3.4 无监督方法在蛋白质功能预测上的应用  35-37
第4章多分类器系统的实现及实验分析  37-54
  4.1 基于异源训练集的成员分类器的生成策略  37-39
    4.1.1 选取异源训练集的基本思想及方法  37-38
    4.1.2 生成分类器的过程  38-39
  4.2 基于多样性与精确度结合的分类器选取策略  39-42
    4.2.1 成员分类器的多样性的自行定义  39-40
    4.2.2 分类器选择的算法过程  40-42
  4.3 基于动态加权的分类器融合策略  42-43
  4.4 WEKA 平台简介  43-47
    4.4.1 WEKA 数据挖掘系统的过程  44-45
    4.4.2 WEKA 源代码简介及其特点  45-47
  4.5 实验数据  47-51
    4.5.1 G 蛋白偶联受体的简介  47-49
    4.5.2 GPCRs 数据的预处理  49-51
  4.6 实验结果分析  51-54
第5章总结和展望  54-56
  5.1 工作总结  54
  5.2 工作展望  54-56
参考文献  56-59
致谢  59-60
摘要  60-62
Abstract  62-64

多分类器系统在蛋白质功能预测方面的应用

内容摘要

全文目录

相似论文