公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

蛋白质中四类简单超二级结构的分类被引量：2: 2013年; 蛋白质超二级结构预测是三级结构预测的一个非常重要的中间步骤。本文从蛋白质的一级序列出发,运用了一种改进的预测算法:以氨基酸组分和紧邻氨基酸分别作为参数,输入离散增量算法的单分类器中,通过加权融合单分类器的计算结果,对四类超二级结构进行了预测,取得了较好的预测结果。四类超二级结构的平均预测总精度达到78.3%,Matthew's相关系数在0.65以上。; 高苏娟胡秀珍; 关键词：离散量

基于支持向量机的整体分类器算法预测酶蛋白质中四类简单超二级结构被引量：4: 2014年; 酶是一种具有催化功能的蛋白质,研究酶蛋白质中的超二级结构对研究酶的结构及功能有重要作用。本文从酶蛋白质序列出发,首次对酶蛋白质中的四类简单超二级结构进行研究。以位点氨基酸及其紧邻关联为参数,选取五种序列片段截取方式,采用7-交叉检验,使用矩阵打分方法预测的结果不理想;将矩阵打分值作为特征参数输入支持向量机,并用整体分类器进行加权融合,得到了较好的预测结果,预测总精度达到72.64%,Matthew’s相关系数在0.57以上,因此,基于支持向量机的整体分类器方法是一种有效的预测酶蛋白质中超二级结构的方法。; 高苏娟胡秀珍; 关键词：超二级结构支持向量机

融合物化特征及结构信息的随机森林算法识别Ca^(2+),Mg^(2+)和Mn^(2+)结合残基被引量：1: 2018年; Ca^(2+),Mg^(2+)和Mn^(2+)结合残基的识别是众多的金属离子配体中效果较差的,但这些金属离子配体与蛋白质的相互作用在生命进程中实现了不可替代的生物学功能,因此提高Ca^(2+),Mg^(2+)和Mn^(2+)结合残基的识别质量对药物设计特别重要。工作中提出了一种融合物化特征及结构信息的随机森林预测方法,对Ca^(2+),Mg^(2+)和Mn^(2+)配体结合残基预测的总精度分别达到了77.6%,77.0%和87.1%,马氏相关系数分别达到了0.563,0.542和0.743。同时将同样的预测参数降维后应用于SVM方法对三种金属离子结合残基进行了预测,也得到了较好的预测结果。; 曹晓勇胡秀珍张晓瑾; 关键词：SVM算法结合位点

基于组合的矩阵打分算法识别Na^+和K^+配体结合残基: 2016年; 金属离子配体与蛋白质的相互作用,在诸多重要的生命进程中实现着不可替代的生物学功能,配体结合残基的预测对蛋白质生物功能的理解提供重要的依据,也有利于药物设计和开发。工作中选取了研究者已整理好的一价金属离子配体Na+和K+的结合残基数据集,在序列水平上使用矩阵打分算法识别了Na^+和K^+金属离子配体结合残基,发现整体分类器的预测结果好于单分类器的预测结果。; 贾怀乐曹晓勇田耀宇胡秀珍; 关键词：结合位点

两种酸根离子配体结合位点的识别被引量：1: 2018年; 在许多重要的生命活动中,蛋白质功能的执行依赖于蛋白质与配体的相互作用,酸根离子作为一种重要的蛋白质结合配体,其结合位点的识别对于蛋白质功能的研究有着重要意义.本文选取了两种酸根离子配体作为研究对象,提出了基于序列信息的MultilayerPerceptron算法,5-交叉检验下,得到了较好的预测结果.; 王珊张晓瑾胡秀珍刘柳; 关键词：结合位点

基于序列信息的融合多种特征参数方法预测膜蛋白类型: 2016年; 不同类型的膜蛋白执行不同的功能,因此膜蛋白的分类对蛋白质功能的研究相当重要。根据膜蛋白在磷脂双分子层的分布特点,将膜蛋白序列进行等分处理,以每一部分的氨基酸组分为特征参数,利用离散增量算法对8类膜蛋白分类,得到的预测总精度为75.1%;对膜蛋白序列进行特定的氨基酸片段截取,利用位置矩阵打分算法对8类膜蛋白进行分类预测,以前后20个位点氨基酸组分为特征参数预测总精度分别为75.6%和72.7%。将等分后的离散增量值、氨基酸片段的打分值、稀有模体频数值、氨基酸物理化学特性的自交叉协方差值、二级结构频数值、超二级结构频数值、复杂超二级结构频数值组合作为特征参数,使用支持向量机算法对8类膜蛋白进行分类,获得了非常好的预测结果,独立检验预测总精度达到了93.9%。因此可以看出融合多特征参数的支持向量机算法要好于离散增量算法和位置矩阵打分算法,并且得到的预测结果要好于前人的研究结果。; 邢浩然胡秀珍; 关键词：膜蛋白支持向量机

基于二十维组合特征的Naive Bayes Classifier预测金属离子配体的结合残基: 2018年; 蛋白质与金属离子配体的相互作用在生命进程中扮演着非常重要的角色.预测金属离子配体的结合残基对于理解细胞机制和设计分子药物有重要意义.文中使用Naive Bayes Classifier对十种金属离子配体Zn^(2+)、Fe^(2+)、Fe^(3+)、Cu^(2+)、Mn^(2+)、Co^(2+)、Ca^(2+)、Mg^(2+)、Na^+和K^+的结合残基进行预测,五交叉检验下得到了较好的预测结果.; 刘柳张晓瑾胡秀珍王珊; 关键词：NAIVE BAYES CLASSIFIER 特征参数

三种配体结合残基的识别: 2015年; 配体结合残基的预测对蛋白质生物功能的理解提供重要的依据,也有助于药物设计和开发。ATP、GTP和NAD三种配体具有相似的化学结构,生物功能也有着紧密的联系,所以我们将ATP、GTP和NAD三种大分子配体作为一个系列,分别对蛋白质中ATP、GTP和NAD配体结合残基进行了识别。建立了ATP、GTP和NAD三种配体结合残基的数据集,分别包含结合残基3838个、1316个和3579个,序列相似性阈值为30%,分辨率阈值为3°A。采用氨基酸组分信息为特征参数的离散增量算法和位点氨基酸保守性信息为特征参数的矩阵打分算法,对以上三种配体结合残基分别进行预测,结果并不理想;之后,我们将二级结构信息和表面可及性信息作为特征参数,并融合离散增量值、矩阵打分值和自相关协方差值,输入支持向量机对结合残基进行预测,得到了较好的预测结果。5交叉检验结果下的ATP、GTP和NAD配体结合残基预测总精度分别为77.4%、82.1%和85.3%;相关系数分别为0.549、0.643和0.702。; 格日勒图胡秀珍; 关键词：支持向量机

全选清除导出

共1页<1>

国家自然科学基金(31260203)