基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测

作者：金康荣; 於东军模式识别与智能系统蛋白质接触图特征提取加权朴素贝叶斯分类器粒子群算法极端随机树

摘要：提出一个新的基于集成学习的预测器（TargetPCM），对蛋白质接触图（特别是中长程）进行高精度的预测。首先，TargetPCM使用加权朴素贝叶斯分类器（Weighted Na ve Bayes classifier，WNBC）融合3个接触图预测器的输出，其中WNBC中的权重参数通过粒子群算法优化得到；其次，将WNBC融合后的输出和基于序列的特征进行组合，得到更具鉴别能力的特征；在此基础上，应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性，在包含98个非冗余蛋白质的数据集上进行了测试。结果表明：对于短程、中程和长程接触，TargetPCM的Top L/5精度比现有最好的集成预测器（NeBcon）分别提高了8.2%，16.1%和5.3%。在CASP11上进一步的验证表明，对于短程、中程和长程接触，TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器（MetaPSICOV）分别提高了7.4%，9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社