13、蛋白质半胱氨酸残基键合状态预测与细胞拉曼光谱监督分类方法研究

蛋白质半胱氨酸残基键合状态预测与细胞拉曼光谱监督分类方法研究

蛋白质半胱氨酸残基键合状态预测

在蛋白质研究中，预测半胱氨酸残基的二硫键键合状态是一个重要的课题。不同的机器学习方法在这一任务中有着不同的表现。

不同模型的交叉验证性能

通过实验，比较了几种不同的模型，包括支持向量机（SVM）、隐马尔可夫支持向量机（HSVM）、支持向量机 - 隐马尔可夫模型（SVM - HMM）和语法约束隐条件随机场（GRHCRF）。具体的交叉验证性能指标如下表所示：
| 方法 | Pr(b) | Re(b) | F1(b) | Pr(f) | Re(f) | F1(f) | Q2† | CC† | Qp† |
| — | — | — | — | — | — | — | — | — | — |
| SVM* | 0.78 | 0.56 | 0.65 | 0.89 | 0.96 | 0.92 | 0.87 | 0.59 | 0.75 |
| HSVM | 0.92 | 0.56 | 0.69 | 0.89 | 0.98 | 0.94 | 0.89 | 0.66 | 0.86 |
| SVM - HMM | 0.86 | 0.64 | 0.73 | 0.91 | 0.97 | 0.94 | 0.90 | 0.69 | 0.85 |
| GRHCRF | 0.88 | 0.69 | 0.77 | 0.92 | 0.97 | 0.95 | 0.91 | 0.73 | 0.87 |

从表中可以看出，GRHCRF在各项指标上表现较为出色，尤其是在CC（相关系数）和Qp（整体蛋白质准确率）上有较好的结果。并且通过Mann - Whi