1、蛋白質(zhì)是生命活動的物質(zhì)基礎,蛋白質(zhì)的相互作用廣泛存在于生命細胞的活動周期內(nèi)并發(fā)揮重要的作用。蛋白質(zhì)的相互作用是通過部分殘基的相互作用實現(xiàn)的,這些殘基被稱為蛋白質(zhì)相互作用位點。識別參與這些相互作用的殘基有助于對分子機制的理解。同樣,由于某些疾病的發(fā)生與特定蛋白質(zhì)的相互作用密切相關,識別其中涉及的殘基也可以促進治療藥物的研發(fā)。
　　通過生物實驗方法識別蛋白質(zhì)相互作用位點存在高人力成本和時間周期長的問題,因此,迫切需要一種簡單有效的計算

2、方法對蛋白質(zhì)相互作用位點進行預測。于是,蛋白質(zhì)相互作用位點的預測成為了計算生物學研究的一個熱點。由于蛋白質(zhì)相互作用的復雜性與多樣性,蛋白質(zhì)相互作用位點的預測仍然是一個挑戰(zhàn)性的問題,特別是從蛋白質(zhì)序列直接進行的預測。
　　在以上背景下,本文對機器學習的方法在蛋白質(zhì)相互作用位點預測中的應用進行了研究,并將重點放在基于序列的作用位點預測。本文在總結已有方法的基礎上,從機器學習的角度提出了需要解決的關鍵科學問題,即類不平衡問題。針對該問題

3、,提出了三種分類方法,并用于基于序列的蛋白質(zhì)相互作用位點的預測。
　　本文的主要工作可以歸納如下:
　　(1)回顧了蛋白質(zhì)相互作用位點的計算方法預測的進展,總結了基于機器學習的蛋白質(zhì)相互作用位點預測的一般過程。針對殘基的特征表示,介紹了經(jīng)常使用的特征屬性,并給出現(xiàn)有工作所驗證的比較有鑒別性的特征。根據(jù)特征的來源不同,將方法分成基于序列的和基于結構的分別介紹,總結了提高預測性能的一般策略。最后,提出了蛋白質(zhì)相互作用位點預測器的

4、訓練中經(jīng)常碰到的類不平衡的問題,這也是機器學習的方法需要解決的問題。
　　(2)提出了一種級聯(lián)的隨機森林集成方法。針對類不平衡問題,提出了一種級聯(lián)結構的樣本采樣與分類器集成的結合方案。在這個方案中,樣本采樣與分類器學習依次交替進行,先通過樣本采樣得到平衡的訓練集用于訓練隨機森林模型,再用這個訓練好的模型對所有樣本進行評估,削減一部分容易的多數(shù)類樣本,然后再在剩余的樣本集上重復以上的樣本采樣、模型訓練和樣本削減過程,直至剩下平衡的樣

5、本集。最后,以一種級聯(lián)的結構將訓練好的多個隨機森林模型集成起來。在基準數(shù)據(jù)集上詳盡的比較實驗證明了提出的方法處理類不平衡問題的有效性,也證明了提出的預測器的性能戰(zhàn)勝了當前的領先水平。另外,從特征的重要性分析中發(fā)現(xiàn)了溶劑可及性是所使用的特征中最有鑒別力的。
　　(3)提出了一種支持向量機與樣本加權的隨機森林的集成方法。該方法結合代價敏感學習和分類器集成,用以緩解類不平衡問題,提升蛋白質(zhì)相互作用位點預測性能?；陬A先訓練的支持向量機模

6、型的評估,賦予每個樣本不同的代價權重,在此過程中保持兩類的樣本權重和的大致相等;再將這個權重用于訓練樣本加權的隨機森林。該方法用這個策略一方面保證了學習的模型避免了類不平衡的問題,另一方面提升了兩個分類器的集成效果。另外,提出了一種新的特征表示方法,該方法用更低維數(shù)的向量有效地表示殘基?；鶞蕯?shù)據(jù)集上的實驗結果證明了提出的方法有效地緩解了類不平衡的問題,并在蛋白質(zhì)相互作用位點的預測上取得了顯著的性能提升。特征的重要性分析實驗證明了提出的特

7、征表示方法的有效性,同時也驗證了溶劑可及性的較其它特征顯著的鑒別力。
　　(4)基于前面研究工作得出的溶劑可及性鑒別力的結論,提出了一種基于溶劑可及性采樣的集成方法。針對隨機采樣可能造成的信息損失,該方法基于樣本的溶劑可及性的分布,用一種簡單的方法將樣本按照溶劑可及性分成多個子集,再在每個子集內(nèi)分別采樣。通過這個策略,緩解了采樣造成的在溶劑可及性這個最有鑒別力的特征上的信息損失。然后,結合其它特征在采樣的子集上訓練隨機森林分類器。