导读:本文包含了膜蛋白质结构类论文开题报告文献综述及选题提纲参考文献，主要关键词:机器学习,蛋白质结构预测,蛋白质相互作用,复杂网络
膜蛋白质结构类论文文献综述
王晶[1]（2018）在《基于支持向量机的蛋白质结构类预测及蛋白质相互作用网络拓扑结构分析》一文中研究指出随着蛋白质与基因测序技术的进一步发展,尤其是基因组计划的启动使得有关蛋白质的生物序列飞速增长。生物序列的海量产生、收集,造成已知蛋白质序列和已知蛋白质结构、功能之间的数量差距越来越大。开发具有一定智能、可以自动识别蛋白质结构、功能等生物信息的自动系统或模式识别方法成为了现实地、迫切地需求。基于机器学习和人工智能方法的蛋白质结构、功能预测一直是生物信息学研究的重点问题同时也是生物信息学面临的重大挑战。大量的文献报道和研究结果表明模式识别方法在蛋白质二级结构预测中取得了巨大的成功,同时产生了大量鲁棒性的方法,一些方法对蛋质二级结构地预测准确率可以达到75%以上。在高效、快捷地实验室蛋白质结构与功能测定技术出现前,通过综合应用计算机技术、数学方法和分子生物学理论从大量的蛋白质一级序列数据中获取蛋白质结构功能等生物意义是生物信息学的首要任务和重点研究对象之一。本文的主要工作就是从生物序列出发,应用支持向量机(SVM)和蛋白质序列融合表征方法进行蛋白质结构类预测研究。蛋白质结构类预测是蛋白质结构预测的一个重要组成部分,使得人们从大体上把握蛋白质的折迭情况成为现实。蛋白质结构类型预测可以对二级结构的预测提供重要的信息。Levitt和Chothia于1976年定义了蛋白质的四种结构类型:全α蛋白质(主要由α螺旋组成的蛋白质);全β类蛋白质(主要由β折叠组成的蛋白质);α/β类(由α螺旋和β折叠交替排列组成的蛋白质);α+β类(由分开的α螺旋和β折叠组成,其中β折叠一般为平行结构)。蛋白质结构类预测地方法主要有通过光谱数据的实验室预测方法和模式识别预测方法,本文完成了蛋白质结构类预测的工作:基于多分类支持向量机(Multi-Class SVM)和融合特征表征方法地蛋白质结构类预测(第二章)、蛋白质相互作用网络拓扑结构分析的工作(第叁到第四章)。(1)首先从RCSB pdb数据库随机提取3类(α类、β类、α+β类)蛋白质数据的序列信息,经过Blast处理后,共有90条数据;其次,使用Haffman编码、PseAAc(伪氨基酸)、Haffman编码与PseAAc组合、字符概率与PseAAc组合四种替代模型用于氨基酸序列数字表征。“one against one”和“one against rest”分解策略用于替代模型训练多分类支持向量机。实验结果表明:Haffman编码替代模型分类器的准确率较低,说明模型表征蛋白质结构类信息能力低;采用PseAAc替代模型分类器的准确率较Haffman编码替代模型高;Haffman编码在一定程度上能体现出编码的序列特性,把Haffman编码与PseAAc组合替代模型,分类器的准确率较PseAAc替代模型低;采用字符概率与PseAAc组合替代模型的分类器准确率较高;再次,4种替代模型在“one against rest”分解策略中遇到了预测偏置问题,对正样本为α+β类蛋白质的预测精度低于30%,为了提高模型稳定性,通过对正样本惩罚系数加权,得到的结果表明在PseAAc、字符概率与PseAAc组合两种替代模型中能有效解决偏置问题;然后比较了两种分解策略之间分类器的稳定性,得到“one against rest”分解策略中的分类器经过偏置调整后,更具有推广能力;最后得出结论,在字符概率与PseAAc组合替代模型中使用“one against rest”分解策略训练分类器最优。(2)用复杂网络的概念表达DIP数据库中Giot2003a数据集中涵盖的蛋白质互作网络,计算了基于静态蛋白质互作网络的参数主要有度中心性、介数中心性、子图中心性、特征路径聚集系数等网络拓扑特征。然后根据计算结果,发现蛋白质互作网络具有幂律度分布、无标度、小世界等特性。猜想蛋白质互作网络中有可能包含大量四面体结构,由此提出了一种基于四面体结构的网络模型:底质为层次四面体结构,由底质添加捷径进而形成一组四面体复杂网络簇。再由简单C代码得到不同概率加边的边表,写入R软件得到不同的网络,因为添加捷径时都是由高层向底层加边,所以会形成结点度分布不均匀的现象,计算四面体网络簇的拓扑参数,验证四面体簇为复杂网络,然后将得到的拓扑参数同蛋白质互作网络的极大连通子图的拓扑参数比较,发现度,聚集系数,特征路径等拓扑参数相近,且度分布符合幂律分布。得出结论:由四面体模型得到的复杂网络簇可以仿真蛋白质相互作用网络。(本文来源于《西安电子科技大学》期刊2018-12-01）
朱小娟[2]（2018）在《基于多种特征的低序列相似性蛋白质结构类预测》一文中研究指出人类基因组计划的顺利完成导致了核酸序列和蛋白质序列的急剧增加,与核酸序列相比,大部分的蛋白质功能未知。因此从这些蛋白质序列中挖掘出有用的功能信息十分重要。蛋白质序列决定其结构,进而决定蛋白质的功能,而传统的实验难以满足海量的蛋白序列分析,所以在生物信息学中发展了机器学习算法来研究蛋白质的空间结构。蛋白质结构类能反映蛋白质的二级结构和叁级结构,也与蛋白质功能密切相关。因此本文以蛋白质结构类为研究对象,利用机器学习的方法来研究蛋白质空间结构,其主要内容如下:首先本文构建了一个可靠、严谨的基准数据集,其相似性~15%,包含399条蛋白质结构类序列;其次,本文分别选用了叁肽组成、位置特异性矩阵、预测二级结构信息和平均化学位移来表征蛋白质序列,对于维度高的叁肽组成特征,选用二项分布和增量特征筛选出最优叁肽特征以避免过拟合现象,最终得到1254维的最优叁肽组成特征;再者,使用支持向量机分别对四种特征构建预测模型;随后,融合四种特征形成11种新的特征,再用支持向量机构建蛋白质结构类的预测模型。Jackknife交叉结果表明,四种特征提取方法单独分类时,最优叁肽组成所构建的预测模型总的精度最高,其中总体准确率为91%,平均准确率为90.5%。融合特征后有5种新的特征准确度高于95%,3种特征组合高于90%,其中最优叁肽组成和平均化学位移的总体准确率最高,达到96.7%,平均准确率为96.4%。事实上,位置特异性矩阵特征构建的模型的性能比最优叁肽组成、预测二级结构信息和平均化学位移差。比较目前提出的蛋白质结构类的预测方法,我们发现本文所构建的预测模型准确率更高。除此之外,针对支持向量机得到最佳性能的模型特征,本文还对比了不同的分类算法,其中包括J48、朴素贝叶斯、人工神经网络、元算法和随机森林,结果表明我们选用的支持向量机在各个性能指标上都优于其他的算法。因此本文所构建基于最优叁肽组成特征和平均化学位移的方法所构建的预测模型可作为预测低相似性蛋白质结构类的可靠的工具。(本文来源于《电子科技大学》期刊2018-04-01）
张悦[3]（2017）在《基于机器学习的蛋白质结构类预测与质量评估》一文中研究指出蛋白质是构成单个细胞的基本有机物,是生命活动的执行者,其角色决定于它的功能,而蛋白质功能主要由他们的结构决定,因此研究蛋白质的结构对于认识其功能具有很大的意义。但由于在生物体内蛋白质的组成复杂多样,直接使用分子动力学技术模拟蛋白质折迭过程,不仅需要大量的计算资源,还需要对蛋白质折迭过程有深刻的认识,很难快速准确的实现结构预测和模型质量评估。随着计算机信息技术的发展,研究基于机器学习(Machine Learning,ML)的蛋白质结构类预测和质量评估是目前生物信息领域的一个研究热点。本论文的主要研究内容包括以下叁个方面:(1)构筑基于属性约减的蛋白质结构类多分类模型。在蛋白质结构类分类预测中,首先对于已知氨基酸序列的蛋白质,选择不易丢失序列信息的伪氨基酸特征,然后针对蛋白质序列特征表达存在信息冗余,考虑到结构类分类是个多分类问题,提出利用Relief F算法对蛋白质结构特征进行约减,接着采用多个二分类的SVM模型来构造SVM多分类器模型,最后对蛋白质结构类进行分类,尽管实验结果和未进行特征约简的方法相比,耗费的时间减少近一半,但存在模型参数不好确定的问题。(2)设计SAPSO算法,优化蛋白质结构类分类模型参数。针对上述蛋白质结构类多分类模型参数不好确定的问题,综合模拟退火(Simulated Annealing,SA)算法跳出局部最优解和粒子群(Particle Swarm optimization,PSO)算法收敛速度快的特点,设计出一种适合蛋白质分类模型的模拟退火粒子群(SAPSO)算法以获取优化的模型参数,然后通过具体的蛋白质分类实验,证明设计方法的有效性。(3)针对传统蛋白质模型质量评估没有考虑同源信息问题的缺陷,建立了一种基于ML的蛋白质模型质量评估模型。将蛋白质序列输入到SWISS-MODEL中,自动构造出它的叁维结构。将蛋白质序列和Model1序列输入到BLAST系统中,提取序列比对的四个主要特征。在考虑同源信息的情况下,将提取的特征值作为LS-SVM的输入数据用来训练LS-SVM,并同时利用SAPSO算法对LS-SVM的参数寻优。由最优参数值构造的LS-SVM模型来得到蛋白质GDT-TS。然后通过测试实验表明该设计模型在绝对误差和均方误差方面均有明显优势,进而证明所建模型的合理性和有效性。(本文来源于《河南师范大学》期刊2017-05-01）
梁芸芸[4]（2016）在《蛋白质结构类与亚细胞定位预测中的特征提取方法研究》一文中研究指出蛋白质结构类与蛋白质亚细胞定位预测在蛋白质结构和功能的预测中扮演着至关重要的角色,不仅是21世纪生物信息学研究中的两大核心内容,而且是后基因组时代蛋白质组学研究中两个典型的模式识别问题.本文在支持向量机理论的基础上构建了多分类预测模型和一套完整的预测性能评估体系.主要针对蛋白质结构类和凋亡蛋白亚细胞定位预测问题分别提出了两个更加有效的特征提取方法,并使用支持向量机进行分类预测.主要贡献概括如下:1.研究了低相似性蛋白质结构类预测问题,基于代表进化信息的位置特异性打分矩阵(PSSM)提出了一个融合了全局和局部特征的特征提取方法.全局特征来自于PSSM中提取出的一条一致序列,该序列中每个位置的氨基酸种类是由PSSM的每行中得分最高所对应的氨基酸种类组成.全局特征包括两部分:基于一致序列的氨基酸组分特征和新提出的组分矩特征.局部特征来自于平均分段的PSSM,也包括两部分:全部分段中的伪PSSM特征和自协方差特征.为了降低特征中的冗余给支持向量机预测性能带来的影响,我们使用主成分分析法对特征进行了降维.该方法是一个仅仅依靠进化信息来提取特征进行蛋白质低相似性数据集结构类预测的新方法.实验结果表明该特征提取方法不仅进一步地提高了预测精度,而且对于基于PSSM的其它预测方法也是一个重要的补充.2.针对两个大样本低相似性蛋白质数据集的结构类预测问题,基于被预测的二级结构序列(PSSS)和PSSM提出了一个多信息融合的特征提取方法.在基于PSSS的特征中,我们在已有典型特征的基础上提出了简化的二级结构序列中2-词EH和HE的频率,以及计算出了二级结构序列正规化的LZ复杂度.在基于PSSM的特征中,我们通过自互相关函数计算出了3600个高维正特征,为了减少冗余和计算复杂度,提出了使用非负矩阵分解算法进行特征变换,以达到降维的目的.实验结果验证了该方法明显地提高了蛋白质结构类的预测精度,尤其在改善α+β类的预测精度方面做出了积极的贡献.3.研究了凋亡蛋白亚细胞定位预测问题,提出了一个基于PSSM上非重迭窗口的去趋势互相关系数的统计特征提取方法.去趋势互相关系数是一个量化两条非平稳时间序列之间互相关水平的方法,而通过凋亡蛋白序列生成的PSSM中任意两列可以被看作是非平稳的时间序列.我们通过分析和讨论拟合多项式阶数和最优非重迭平均窗口长度s的选择问题,计算出PSSM中任意两列的去趋势互相关系数作为特征来进行亚细胞定位预测.实验结果显示了该方法是新统计方法在模式识别问题中第一次重要而成功的应用.4.针对凋亡蛋白亚细胞定位预测问题,提出了一个基于PSSM上多重统计信息融合的特征提取方法.我们通过研究Geary相关因子中参数lag和去趋势互相关系数中重迭平均窗口长度s+1的选择问题,融合了基于PSSM上的Geary自相关序列顺序信息和重迭窗口的去趋势互相关系数信息作为特征来进行亚细胞定位预测.基于叁个基准数据集的实验结果表明该方法不仅提高了凋亡蛋白亚细胞定位的预测精度,而且是一个更加综合和有效的统计特征提取方法.(本文来源于《西安电子科技大学》期刊2016-11-01）
陶海波,马圣,曹佳佳,姚玉华,王俊茹[5]（2015）在《蛋白质结构类预测方法研究进展》一文中研究指出蛋白质结构类型是蛋白质高级结构中基本原件的空间分布,是蛋白质高级结构与功能研究的基础,该研究对蛋白质组学具有重要意义。通过传统实验方法研究蛋白质结构类需要耗费大量的人力、财力、物力,也无法满足数据库中蛋白质序列爆炸性增长的现实需要。目前,基于已积累数据,探索理论计算方法预测蛋白质结构类是当前生物信息学的重要研究内容之一。本文对国内外亚细胞定位预测的研究现状进行了综述。(本文来源于《黑龙江科技信息》期刊2015年17期）
曹佳佳[6]（2015）在《基于多信息融合的蛋白质结构类预测方法研究》一文中研究指出随着测序技术的发展，蛋白质序列数据库呈指数增长，而与之对应的蛋白质结构与功能数据库的增速却不成比例。尽管我们可以通过实验方法来确定蛋白质的结构和功能，但该方法费时费力，无法满足日益增长的蛋白质序列数据的要求。因此，我们亟需探索理论计算方法来研究蛋白质序列、结构及功能之间的关系。蛋白质结构类型不仅能够集中反映蛋白质高级结构中基本原件的分布情况，还可以反映蛋白质的高级结构与功能，因此，蛋白质结构类的研究是蛋白质高级结构与功能研究的基础，对蛋白质组学研究具有重要意义。本文以蛋白质结构类预测方法为研究对象，主要研究内容如下：首先，本文详细地综述了包含成分信息、物化信息和结构信息的特征提取方法，并对SVM、神经网络和K-NN叁类常用的机器学习算法进行详细介绍。特征提取和分类算法是蛋白质结构类预测算法的两个重要环节。上述综述本文的研究提供了理论基础和应用前提。其次，本文基于替换矩阵和排名算法，将20种氨基酸聚类成9个无重迭子集，实现氨基酸的约化处理，减少计算复杂度；根据氨基酸分布的随机性，定义位置分布函数，分析其概率分布，通过计算其数值特征描述约化氨基酸的位置分布信息；结合11种蛋白质二级结构序列特征，本文提出了一种基于生物序列与结构特征的蛋白质结构类预测算法。本文选取了4个标准数据集进行实验，结果发现本文方法可较好地预测不同蛋白质结构类别，其整体准确率可达84.6%-95.7%，比目前最优方法高出1.4%-6.1%。通过定量分析发现，位置特征的表现优于序列信息，但二者又是彼此互补，因此，融合两类信息是提高蛋白质结构类型预测准确率的一种有效方法。最后，本文基于PSI-BLAST profile，获取包含进行信息PSSM矩阵，设计最大信息保留算法，约化PSSM矩阵，并通过自协方差变换提取蛋白质进化信息；结合二级结构位置分布特征，我们提出了一种基于简化PSSM与结构位置信息的蛋白质结构类预测方法。本文以准确率为评价指标，系统地比较了不同约化类和位置间隔个数对预测模型的影响。结果表明，预测准确度随着约化类增加而增加，但它却随着间隔位置的增加而降低；通过优化发现，基于约化类13和间隔2个位置的简化PSSM预测性能表现最佳，这也与螺旋和折迭构象的平均间隔理论保持一致。(本文来源于《浙江理工大学》期刊2015-03-10）
敖培,杨百顺,李明,赵四方,冯志鹏[7]（2015）在《基于SOFM神经网络的蛋白质结构类预测》一文中研究指出蛋白质结构类预测是蛋白质空间结构和功能预测的基础。本文首先将氨基酸对相互作用形成的序列经过数字信号处理后得到能量谱密度的20个低频部分和6种疏水模式在序列中出现的频率整合,构成26维分类特征,然后采用自组织特征映射神经网络对蛋白质结构类进行预测。实验结果表明,与Component Coupled算法、ANN算法、粗集方法相比较,本文算法具有较高的预测精度。(本文来源于《数字技术与应用》期刊2015年01期）
敖培,李稷洽,丁一,李延强[8]（2014）在《基于猫群聚类算法的二叉树SVM蛋白质结构类预测》一文中研究指出针对传统的基于二叉树SVM分类模型存在不可区分域和误差积累的缺陷,本文提出了一种基于猫群聚类算法的二叉树SVM分类方法,利用猫群聚类算法在各个节点自适应构造二叉树结构。以蛋白质序列的氨基酸相互作用和疏水模式为分类特征,采用本文算法对蛋白质结构类进行预测,实验结果表明,与其他算法相比较,本文算法具有较高的预测精度。(本文来源于《数字技术与应用》期刊2014年10期）
李炎[9]（2014）在《蛋白质结构类预测中若干关键算法的研究》一文中研究指出人类基因组计划成功实施后蛋白质测序技术得到快速发展，现如今蛋白质序列数据急剧增加。然而与序列认知程度相比，人们对蛋白质空间结构及功能的了解还远远不够。传统的实验方法和技术已难以满足海量蛋白质序列的分析需求，所以发展计算方法与预测模型来研究蛋白质空间结构及功能将具有深远的意义，这也成为生物信息学中最重要和最基本的课题之一。利用机器学习算法从大量已知蛋白质出发来预测出未知蛋白质空间结构和功能是一项辅助传统实验研究蛋白质性质的新方法。蛋白质结构类型是决定其高级结构和功能的重要因素，也能反映蛋白质的二级结构整体分布情况，因此，蛋白质结构类预测是蛋白质空间结构和功能预测的基础，对蛋白质组学研究具有重要意义。本文以蛋白质结构类预测方法为研究对象，主要研究内容如下：首先在蛋白质特征信息提取方面，本研究基于位置特异性矩阵，考虑到矩阵两行多间隔之间的关联信息，提出了一种蛋白质进化信息的提取算法；根据蛋白质结构类的定义，设计了位置分布函数，提出了一种二级结构元素位置分布信息的提取算法；通过蛋白质结构域与二级结构之间的关联分析，提出了一种蛋白质结构模式信息的提取算法。其次在特征信息挑选方面，本研究设计了基于特征排序与支持向量机（SVM）结合的封装器进行特征子集挑选，剔除冗余信息，筛选出每一类型特征信息中的核心特征信息。针对预测的蛋白质二级结构信息和蛋白质进化信息，分别挑选出其最优特征子集，再进行信息融合，通过大量的蛋白质结构类预测实验，与现有特征子集挑选算法进行比较，验证本文提出的特征挑选算法的有效性。最后在预测算法方面，本研究比较了k-近邻算法和支持向量机在蛋白质结构预测中性能，在支持向量机的二分类的基础上，通过两种投票方法构建了多分类器提高蛋白质结构类预测准确度。(本文来源于《浙江理工大学》期刊2014-03-12）
周昶捷[10]（2014）在《基于LPC及PSI-BLAST谱的蛋白质结构类预测方法研究》一文中研究指出生物信息学是一门新兴的前沿交叉学科，它综合运用数学、计算机科学和生物学的各种工具。它的研宄焦点主要集中于使用统计学和计算机科学工具，分析和解释海量分子生物学数据信息。生物信息学有十分广泛的研宂领域，几乎涉及了生命科学的所有内容。基于单一的蛋白质序列信息来预测蛋白质的二级结构又是生物信息学中一个重要的根本性问题。在第二章中，我们主要叙述了一些常用的确定蛋白质结构的方法。其中包含叁种实验测定蛋白质叁维结构法和计算法预测蛋白质结构法。在计算法预测蛋白质二级结构法的基本步骤中，介绍了一些简单的特征提取模型和常用的一些机器学习分类器：a-近邻算法，贝叶斯分类器和支持向量机。在第叁章中，我们将给出预测蛋白质的二级的一个新方法。我们应用了一个被称为线性预测编码的信号处理工具，并使用它从蛋白质序列提取序列特征和预测蛋白质二级结构类。首先，使用PSI-BLAST工具将原始的蛋白质序列中的进化信息转化为位置特异性得分矩阵。其次，线性预测编码算法将被应用于从蛋白质序列对应的位置特异性得分矩阵中提取氨基酸之间的位置相关性特征并且将最终的线性预测编码系数作为预测模型的特征向量。最后，基于支持向量机的交叉验证试验表明我们所提出的方法应用在四个标准数据集上取得较好的全局精确度。本文提供了一个新的特征提取方法并且在蛋白质二级分类问题上取得较好的表现。(本文来源于《上海师范大学》期刊2014-03-01）
膜蛋白质结构类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
人类基因组计划的顺利完成导致了核酸序列和蛋白质序列的急剧增加,与核酸序列相比,大部分的蛋白质功能未知。因此从这些蛋白质序列中挖掘出有用的功能信息十分重要。蛋白质序列决定其结构,进而决定蛋白质的功能,而传统的实验难以满足海量的蛋白序列分析,所以在生物信息学中发展了机器学习算法来研究蛋白质的空间结构。蛋白质结构类能反映蛋白质的二级结构和叁级结构,也与蛋白质功能密切相关。因此本文以蛋白质结构类为研究对象,利用机器学习的方法来研究蛋白质空间结构,其主要内容如下:首先本文构建了一个可靠、严谨的基准数据集,其相似性~15%,包含399条蛋白质结构类序列;其次,本文分别选用了叁肽组成、位置特异性矩阵、预测二级结构信息和平均化学位移来表征蛋白质序列,对于维度高的叁肽组成特征,选用二项分布和增量特征筛选出最优叁肽特征以避免过拟合现象,最终得到1254维的最优叁肽组成特征;再者,使用支持向量机分别对四种特征构建预测模型;随后,融合四种特征形成11种新的特征,再用支持向量机构建蛋白质结构类的预测模型。Jackknife交叉结果表明,四种特征提取方法单独分类时,最优叁肽组成所构建的预测模型总的精度最高,其中总体准确率为91%,平均准确率为90.5%。融合特征后有5种新的特征准确度高于95%,3种特征组合高于90%,其中最优叁肽组成和平均化学位移的总体准确率最高,达到96.7%,平均准确率为96.4%。事实上,位置特异性矩阵特征构建的模型的性能比最优叁肽组成、预测二级结构信息和平均化学位移差。比较目前提出的蛋白质结构类的预测方法,我们发现本文所构建的预测模型准确率更高。除此之外,针对支持向量机得到最佳性能的模型特征,本文还对比了不同的分类算法,其中包括J48、朴素贝叶斯、人工神经网络、元算法和随机森林,结果表明我们选用的支持向量机在各个性能指标上都优于其他的算法。因此本文所构建基于最优叁肽组成特征和平均化学位移的方法所构建的预测模型可作为预测低相似性蛋白质结构类的可靠的工具。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
膜蛋白质结构类论文参考文献
[1].王晶.基于支持向量机的蛋白质结构类预测及蛋白质相互作用网络拓扑结构分析[D].西安电子科技大学.2018
[2].朱小娟.基于多种特征的低序列相似性蛋白质结构类预测[D].电子科技大学.2018
[3].张悦.基于机器学习的蛋白质结构类预测与质量评估[D].河南师范大学.2017
[4].梁芸芸.蛋白质结构类与亚细胞定位预测中的特征提取方法研究[D].西安电子科技大学.2016
[5].陶海波,马圣,曹佳佳,姚玉华,王俊茹.蛋白质结构类预测方法研究进展[J].黑龙江科技信息.2015
[6].曹佳佳.基于多信息融合的蛋白质结构类预测方法研究[D].浙江理工大学.2015
[7].敖培,杨百顺,李明,赵四方,冯志鹏.基于SOFM神经网络的蛋白质结构类预测[J].数字技术与应用.2015
[8].敖培,李稷洽,丁一,李延强.基于猫群聚类算法的二叉树SVM蛋白质结构类预测[J].数字技术与应用.2014
[9].李炎.蛋白质结构类预测中若干关键算法的研究[D].浙江理工大学.2014
[10].周昶捷.基于LPC及PSI-BLAST谱的蛋白质结构类预测方法研究[D].上海师范大学.2014