1、作為遺傳信息的表現(xiàn)者,蛋白質是細胞中最豐富、功能最多的生物大分子。研究發(fā)現(xiàn)蛋白質功能與蛋白質的空間結構有著緊密聯(lián)系,具有相似功能的蛋白質其結構往往比較相似。隨著高通量測序技術的不斷發(fā)展,蛋白質序列的數(shù)目在呈指數(shù)形式增加,使用實驗方法去獲取蛋白質的結構已經(jīng)遠不能滿足需要。因而,利用計算方法來進行蛋白質結構預測已成為生物信息學研究中的一大熱點。
　　本文主要研究了蛋白質結構預測中兩個重要的問題:基于關聯(lián)圖的蛋白質結構重建和二硫鍵連接模

2、式預測。
　　提出了基于2D關聯(lián)圖的蛋白質3D重建算法Glocal。Glocal算法中使用粒子群算法去優(yōu)化全局能量函數(shù),利用模擬退火算法去優(yōu)化局部能量函數(shù)。通過引入粒子群算法,避免了的之前重建算法中廣泛存在的關于初始結構選擇這一難題。通過設計全局函數(shù),從整個關聯(lián)圖的角度去優(yōu)化蛋白質的初始結構,可以有效的減少陷入局部最優(yōu),提高了預測精度。大量實驗證明,Glocal算法有效的從天然關聯(lián)圖中恢復的蛋白質3D結構,重建蛋白質結構的平均RM

3、SD值小于2?。同時,Glocal算法在處理含有錯誤連接的關聯(lián)圖顯示了良好的健壯性。實驗中,進一步分析關聯(lián)圖中長連接和閾值對蛋白質重建結果的影響。
　　提出了融合了傳統(tǒng)機器學習模型和突變關聯(lián)預測模型的二硫鍵連接模式預測模型。在傳統(tǒng)機器學習模型部分中,引入了結構域特征,采用并聯(lián)方式融合兩個半胱氨酸的特征并進一步采用廣義主成分分析(GPCA)降維。通過大量的實驗論證了這些改進可以有效的提高預測模型的預測精度。二硫鍵作為蛋白質中一種重要