33、生物数据处理：从核方法到蛋白质结合基序对发现

生物数据处理：从核方法到蛋白质结合基序对发现

在生物数据处理领域，有两个重要的研究方向值得关注，一是基于核的统计学习算法在异质基因组数据集组合中的应用，二是从蛋白质复合物结构数据和蛋白质相互作用序列数据中发现结合基序对。下面将详细介绍这两个方面的内容。

基于核的统计学习算法在异质基因组数据中的应用

在预测酵母蛋白质功能的问题上，研究人员提出了一种结合异质基因组数据集的通用方法，并应用于基于核的统计学习算法中。

核方法的优势

• 适应非向量数据类型 ：核框架能够容纳如字符串、树和图等非向量数据类型。
• 融入生物知识和未标记数据 ：像Pfam核可融入特定生物知识，扩散和Smith - Waterman核可利用未标记数据。
• 数据标准化 ：基于核的数据分析算法只需将数据转化为核矩阵，为数据标准化创造了机会。
• 多数据类型组合 ：将异质数据类型转化为核矩阵的通用格式，便于开发组合多种数据类型的通用工具。

实验结果

通过实验发现，SDP/SVM算法相对于单一数据类型训练的SVM以及先前提出的融合异质基因组数据的图形模型方法，有显著改进。具体来看，使用所有核时，平均ROC分数从0.715提升到0.854，且在所有13个类别中改进一致且具有统计学意义。用富集版本的表达和Pfam核替换原始核，能进一步提升性能，使用富集的Pfam核并将表达核替换为Smith - Waterman核时，平均RO