用改进遗传算法和径向基函数网络预测蛋白质二级结构

论文摘要

蛋白质组学研究是后基因时代生物信息学中最重大的研究课题之一,蛋白质结构预测是蛋白质组学富有挑战性的问题之一。本文在介绍了现有蛋白质二级结构预测方法之后,用目前最具前景的人工神经网络技术,采用局部逼近网络—径向基函数网络来预测蛋白质二级结构。径向基函数网络确定中心的算法中常用的K-均值、K-最近邻等聚类算法需要人为地确定中心个数,即事先指定聚类的类别数,而中心个数又对网络性能有着重大影响,因此提出了用遗传算法寻优径向基函数网络的中心。遗传算法通过进行全局搜索,挑选网络的中心向量,摒弃冗余节点,大大减少了网络隐层节点个数,也就是径向基函数网络的中心的个数,增加了网络的泛化能力。由于网络的中心、宽度以及结构参数和权值都对网络有影响,因此提出了用自适应遗传算法同时优化径向基函数网络的中心、宽度和结构参数。简单遗传算法并不能保证以概率1收敛到最优解,且人为主观地确定交叉概率和变异概率,因此在自适应遗传算法的基础上提出了改进的自适应遗传算法,有效地克服了简单遗传算法在给定交叉概率和变异概率时的主观性和不确定性,并且加速算法收敛,防止早熟。蛋白质序列的编码采用富含生物进化信息的profile编码方法,在输入过程中采用滑动窗口技术,对同源蛋白质序列的二级结构进行预测。文章将改进的自适应遗传算法用于径向基函数网络的优化,用优化的网络来预测蛋白质序列的二级结构,取得了良好的效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 论文的研究背景
• 1.2 论文的内容及结构
• 2 蛋白质二级结构预测
• 2.1 后基因时代的生物信息学
• 2.2 蛋白质的结构
• 2.3 蛋白质二级结构预测
• 2.4 蛋白质二级结构预测的研究意义
• 2.5 蛋白质二级结构预测方法
• 3 改进遗传算法的径向基函数网络方法
• 3.1 径向基函数网络及其结构
• 3.1.1 神经网络结构
• 3.1.2 径向基函数网络
• 3.1.3 径向基函数网络的结构
• 3.2 径向基函数网络的相关理论
• 3.2.1 径向基函数网络的学习
• 3.2.2 径向基函数网络的函数逼近理论
• 3.2.3 径向基函数网络的可行解
• 3.3 遗传算法
• 3.3.1 遗传算法的基本概念
• 3.3.2 遗传算法的基本步骤
• 3.3.3 遗传算法的理论基础
• 3.3.4 遗传算法的收敛性分析
• 3.3.5 遗传算法的特点以及不足
• 3.4 自适应遗传算法（AGA）基本原理
• 3.4.1 自适应的交叉概率和变异概率
• 3.4.2 改进的自适应交叉概率和变异概率
• 4 基于改进遗传算法的径向基函数网络
• 4.1 MATLAB/Neural Network Toolbox中径向基函数网络
• 4.2 径向基函数网络中心的选取
• 4.2.1 K-最近邻（K-NN）算法
• 4.2.2 K-均值（K-Means）算法
• 4.2.3 遗传算法选取中心
• 4.2.4 自适应遗传算法寻优中心
• 4.3 神经网络权值的确定
• 4.4 遗传算法优化径向基函数网络结构
• 4.4.1 遗传算法同时优化中心和隐节点数目
• 4.4.2 变长度染色体遗传算法
• 4.4.3 遗传算法优化中心、宽度、结构以及权值
• 5 蛋白质序列相关问题
• 5.1 序列编码问题
• 5.2 生物信息数据库
• 5.3 蛋白质数据库
• 5.4 数据来源以及数据结构
• 6 算法运行结果及分析
• 6.1 神经网络模型
• 6.2 网络设计和预测精度的衡量
• 结论与展望
• 参考文献
• 致谢
• 附录