蛋白质二级结构预测概率图模型的改进,本论文主要论述了蛋白质论文范文相关的参考文献,对您的论文写作有参考作用。
蛋白质论文参考文献：
摘 要：
蛋白质二级结构与蛋白质结构及蛋白质功能密切相关,是生物信息学研究的热点,其中概率图模型隐马尔可夫算法（HMM）是该领域研究的重要工具.但是在实际应用中,存在着HMM训练下溢、不同训练集的效果差异较大及参数优化困难等问题.对预测蛋白质二级结构时HMM遇到的训练下溢问题提出了改进方案；首次提出8状态HMM来预测蛋白质二级结构,并且将参数B改进成为包含状态转移信息的三维参数；为了改进最优HMM模型的确定方法,用每个样本分别对初始HMM模型进行训练,得到一系列新的模型,然后对这些新模型的参数求均值,将求得的均值作为最优模型的参数.这些改进方法提高了HMM预测蛋白质二级结构的准确率,为HMM的进一步优化打下良好的基础.
关键词：应用生物化学；概率图；蛋白质二级结构；HMM；下溢；参数优化
中图分类号：O175.8文献标志码：A
Abstract：
Protein secondary structure is closely related to protein tertiary structure and function, and became a hot topic in bioinformatics. The probability graph model HMM （Hidden Markov model） is an important tool in this field. In practice, there exist problems such as： HMM training underflow, significant result differences derived from different training set, and hard process of parameter optimization. In this paper, aiming at HMM training underflow problem when predicting protein secondary structure, we put forward a method for solving the underflow problem； propose an 8state HMM model to predict protein secondary structure for the first time； and modify parameter to be a threedimensional parameter containing the state transition information. In order to improve the method drilling the optimal HMM, we train the initial HMM model with each sample, and get a series of new models； then erage the parameters of the new models, and the obtained erage parameter values are used to construct the optimal HMM model. The improved method increases the accuracy of protein secondary structure prediction, hence it is a good foundation for further improvement of HMM.
Keywords：
applied biochemistry； probability graph； protein secondary structure； HMM； underflow； parameter optimization
生物学原理[1]指出：DNA序列首先通过转录、翻译生成氨基酸序列,氨基酸序列再经过盘曲折叠形成复杂的二级、等空间结构.研究发现,蛋白质二级和结构能有效揭示蛋白质的生物功能[24],可以用X射线晶体学技术、电子显微镜技术和核磁共振衍射技术（NMR）等来测定它们[5].这些方法虽然比较直接,但预测时周期长、成本高、技术难度大.人们越来越多地关注生物信息学的应用,即基于经验知识与计算化学、统计物理学、信息学等方法的结合,从理论上预测蛋白质的空间结构[69],其中二级结构是预测结构的基础.蛋白质二级结构的主要形式包括α螺旋、310螺旋、π螺旋、β折叠、β转角和无规则卷曲等.最流行的二级结构预测方法有DSSP[10],STRIDE[11], DEFINE[12]等,通常利用DSSP算法将蛋白质二级结构分为8类：H（αhelix）,G（310helix）,I（πhelix）,E（extended βstrand）,B（isolated βstrand）,T（turns）,S（bend）,C（coil）[5,13].在进行蛋白质二级结构预测时,一般又把这8类归并为3大类,即H（helix）,E（sheet）和C（coil）,通常有CK模式[14]、EHL模式[15]和PSIPRED[16]这3种归类方法.目前,大多采用EHL模式归类方法,即 H,G,T→H；E,B→E；其余→C[13].在对蛋白质二级结构进行预测时,选取的特征有氨基酸的亲水性、疏水性和极性[13],蛋白质二级结构SS8的8种状态等[13,17],而其预测方法则包括最近邻方法[1820]、人工神经网络（ANN）[16,2122]、支持向量机（SVM）[2324]和隐马尔可夫算法（HMM）[2526]等.
本文研究的蛋白质二级结构预测算法可以同时实现2个目的：界定一个蛋白质序列中所蕴含的二级结构片段的边界及对分割出来的片段进行EHL模式的分类预测.
结论：关于对写作蛋白质论文范文与课题研究的大学硕士、相关本科毕业论文蛋白质论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
建筑结构设计中的模型自动转化方法分析
摘 要：我国建筑行业的发展，建筑结构朝向多样化的方向发展，建筑结构设计中，积极引入软件应用，通过软件，实现模型自动转化，保障建筑结构设计的可靠性。
结构施工图识图教学中个性化构件建模的应用
摘 要：施工图识图教学是土建类专业学生的必修课之一，其重要性不言而喻。为了适应学生个性化、多样化的需求，实现对结构施工图更好的学习理解，达到学以。
物质结构教学的灵魂——模型教学法
摘要：本文以人教版选修3《金属晶体的原子堆积模型》新授课为例探讨了模型教学法的应用。关键词：晶体结构教学；模型教学法；教师；学生中图分类号：。
上证基金指数波动结构分解和短期预测基于EEMD模型
摘要：上证基金指数反映了基金市场的整体变动情况，研究其波动结构特征对基金市场参与者具有重要作用。研究结果表明：（1）上证基金指数序列可由经济基本。