基于概率神经网络的蛋白质相互作用分类器

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (10): 98-103.

基于概率神经网络的蛋白质相互作用分类器

张伟^1,2,郝江锋³,项俊平^4,5,胡茂林^4,5

1.中国矿业大学徐海学院数理教研室，江苏徐州 221008
2.中国矿业大学理学院，江苏徐州 221008
3.巢湖学院数学系，安徽巢湖 238000
4.安徽大学计算智能与信号处理教育部重点实验室，合肥 230039
5.安徽大学数学与计算科学学院，合肥 230039

收稿日期:2007-08-13 修回日期:2007-12-06 出版日期:2008-04-01 发布日期:2008-04-01
通讯作者: 张伟

Predicting type of protein-protein interaction based on probabilistic neural network

ZHANG Wei^1,2,HAO Jiang-feng³,Xiang Jun-ping^4,5,HU Mao-lin^4,5

1.Faculty of Mathematics，Xuhai College，China University of Mining Technology，Xuzhou，Jiangsu 221008，China
2.College of Science，China University of Mining Technology，Xuzhou，Anhui 221008，China
3.Department of Mathematics，Chaohu College，Chaohu，Anhui 238000，China
4.Key Laboratory of Intelligent Computing & Signal Processing，Ministry of Education，Anhui University，Hefei 230039，China
5.School of Mathematics & Computational Science，Anhui University，Hefei 230039，China

Received:2007-08-13 Revised:2007-12-06 Online:2008-04-01 Published:2008-04-01
Contact: ZHANG Wei

摘要/Abstract

摘要： 蛋白质-蛋白质作用面上的结构特征对于研究蛋白质功能具有重要意义。提出了一种新的、基于统计直方图提取蛋白质作用面特征的方法，并且利用提取出的作用面特征，结合概率神经网络，实现了对作用面结构类型的分类预测。从预测结果来看，统计直方图提取出的特征，对蛋白质作用面结构具有很好的区分能力，而且可以通过调节划分的区间个数和节点的选取方式，达到对作用面结构的不同粒度的描述，以适用于不同目的的研究，这可能对与结构有关的某些生物信息学问题的研究具有启发性。利用概率神经网络对作用面结构进行分类预测，避开了费时的结构比对和数据库搜索，且训练快速，扩展能力强，正确率高，对独立测试集的911个蛋白复合物视在正确率达到90.67%。基于该算法的MATLAB分类器软件可以通过E-Mail与作者联系获取。

关键词: 统计直方图, 蛋白质作用面, 概率神经网络, 结构比对, 分类器

Abstract: In order to predict the structure type of Protein-Protein Interface（PPI），a new interface structure feature generation method using histogram is proposed.The interface can be described on diverse level of granularity by adjusting the number of parts and the partition nodes of histogram.From the result of prediction，which is based on Probabilistic Neural Network（PNN）， the histogram method has a good ability to distinguish the different structure type of PPI，which may have a potential value for some bioinformatics problem related to protein structure.By using PNN，a training-fast neural network，the prediction avoids the structure alignment and database searching，which is very time-consuming.The Histogram-PNN classification machine has correct rate of 90.67% on testing set containing 911 protein complexes.

Key words: histogram, Protein-Protein Interface（PPI）, Probabilistic Neural Network（PNN）, structure alignment, classifier

张伟^1,2,郝江锋³,项俊平^4,5,胡茂林^4,5. 基于概率神经网络的蛋白质相互作用分类器[J]. 计算机工程与应用, 2008, 44(10): 98-103.

ZHANG Wei^1,2,HAO Jiang-feng³,Xiang Jun-ping^4,5,HU Mao-lin^4,5. Predicting type of protein-protein interaction based on probabilistic neural network[J]. Computer Engineering and Applications, 2008, 44(10): 98-103.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[3]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[4]	刘磊，邹媛媛，陈泊璇. 二维形状特征描述及分类识别研究进展综述[J]. 计算机工程与应用, 2021, 57(14): 39-47.
[5]	袁中臣，马宗民. 基于语义的UML类图的集成分类[J]. 计算机工程与应用, 2021, 57(12): 257-262.
[6]	熊霖，唐万梅. 基于异构分类器集成的增量学习算法[J]. 计算机工程与应用, 2020, 56(7): 155-161.
[7]	李巧，陈花竹，杨春雨，李丹. 基于判别性解析字典与分类器学习的模式分类[J]. 计算机工程与应用, 2020, 56(6): 165-171.
[8]	叶启松，戴旭初. 攻击分类器的对抗样本生成技术的现状分析[J]. 计算机工程与应用, 2020, 56(5): 34-42.
[9]	张岁岁，黄丽霞，王杰，张雪英. 麦克风阵列下互相关函数分类的声源定位[J]. 计算机工程与应用, 2020, 56(4): 128-133.
[10]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.
[11]	丁娜，钟宝江. 手写液晶体数字及识别技术[J]. 计算机工程与应用, 2020, 56(16): 97-104.
[12]	胡廷，孙婕，牛焱，高原，相洁. 基因和排列熵在阿尔茨海默病早诊中的研究应用[J]. 计算机工程与应用, 2020, 56(15): 274-278.
[13]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[14]	甘玲1，杨梦2. 聚合支持向量机分类器的行人检测方法[J]. 计算机工程与应用, 2019, 55(7): 194-198.
[15]	鞠维欣1，赵希梅1，2，魏宾2，王国栋1. 深度学习模型GoogleNet-PNN对肝硬化的识别[J]. 计算机工程与应用, 2019, 55(5): 112-117.