31、细胞膜融合蛋白识别的相似性度量与拥挤场景异常行为检测

细胞膜融合蛋白识别的相似性度量与拥挤场景异常行为检测

在生物学和计算机视觉领域，分别有关于细胞膜融合蛋白识别和拥挤场景异常行为检测的重要研究。下面将详细介绍这两方面的研究内容。

细胞膜融合蛋白识别

病毒融合蛋白处理与度量改进

病毒融合蛋白的处理过程较为复杂。以HIV为例，Env基因合成的非功能性前体蛋白（VFP）包含表面蛋白（SU）和跨膜蛋白（TM），二者在切割位点（CS）被切割形成活性融合蛋白，释放的TM属于I类病毒融合蛋白。跨膜结构域将蛋白分为病毒内结构域和胞外结构域（VF），后者执行病毒的融合活性。

在SSEA方法中，最终得分对应Needleman - Wunsch全局比对矩阵的最后一个单元格得分。而本研究采用局部比对算法，最终得分是Smith - Waterman动态规划矩阵中的最大得分。由于VF和VFP序列长度在两类之间以及每类内部都可变，SSEA中的归一化方法可能失效，因此提出新的度量修改方法，即最终得分通过每对蛋白质比对区域长度的平均值进行归一化。

分类方法

• 两类分类评估 ：除了评估对I类和II类VF进行分类时的度量，还评估对I类和II类VFP进行分类时的度量。
• 一类支持向量机（OC - SVM）分类 ：用I类VF训练OC - SVM分类器，将一组VF或VFP分类为I类（正类）或II类（负类），这是评估该方法的初步尝试，以便考虑将其应用于其他生物模型中具有融合能力和无融合能力的蛋白质分类。

数据预处理与实验结果