19、蛋白质组学中的监督技术与密码子使用可视化

蛋白质组学中的监督技术与密码子使用可视化

蛋白质组学中的监督技术

在蛋白质组学领域，利用监督学习技术进行数据分析和分类是当前的研究热点。下面将介绍蛋白质组学中监督技术的相关内容，包括属性重要性排序、生物标志物选择、验证以及距离度量学习和支持向量机在质谱蛋白质组学数据分类中的应用。

属性重要性排序

在分类问题中，属性的重要性通过各种度量方法来计算。具体操作是采用重要性度量技术，利用类频率计算样本子集的香农熵。其中，分裂操作很重要，因为它能区分不同的类别。

生物标志物选择

基于误差估计选择最理想的生物标志物子集。具体步骤如下：
1. 用所有相关属性构建模型。
2. 使用机器学习算法，通过交叉验证选择最佳模型。
3. 仅对最重要的属性使用算法。
4. 计算模型的准确性，以确定模型曲线。
5. 选择具有最高准确性的属性作为生物标志物。

验证

在模型分类中，敏感性、特异性和错误率常用于消除各种属性。具体操作如下：
1. 学习集包含每个患者的两个或四个副本，需去除重复的数据点。
2. 通过峰选择进行数据预处理可获得良好结果。
3. 应用提升算法提高生成模型的优越性。
4. 以C4.5为基础学习算法，在此之上使用集成算法。
5. 使用离散化方法进行数据预处理。
6. 比较多种方法，如k近邻（kNN）和支持向量机（SVM），发现SVM的结果更好，但基于最佳树的方法优于SVM，是最合适的分类技术。

距离度量学习和支持向量机在质谱蛋白质组学数据分类中的应用

质谱技术建立了生物医学诊