检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

-

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

1 篇 学位论文

馆藏范围

1 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

1 篇 工学
- 1 篇 控制科学与工程
- 1 篇 计算机科学与技术...
- 1 篇 软件工程
1 篇 管理学
- 1 篇 管理科学与工程(可...

主题

1 篇 深度表示学习
1 篇 多头注意力
1 篇 细胞器蛋白识别
1 篇 多尺度特征
1 篇 图卷积神经网络

机构

1 篇 济南大学

作者

1 篇 隋佳男

语言

1 篇 中文

检索条件"主题词=细胞器蛋白识别"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度表示学习的细胞器蛋白识别方法研究

基于深度表示学习的细胞器蛋白识别方法研究

引用

作者：隋佳男济南大学

学位级别：硕士

细胞器是细胞中具有特定形态和功能的微结构,分布在细胞质中,构成细胞的基本组成部分,为细胞的正常运作提供支持。细胞器蛋白是一类附着或分布在细胞器内的蛋白质,对于细胞器发挥功能具有关键作用。蛋白质在细胞器中的异常表达可能导致... 详细信息

细胞器是细胞中具有特定形态和功能的微结构,分布在细胞质中,构成细胞的基本组成部分,为细胞的正常运作提供支持。细胞器蛋白是一类附着或分布在细胞器内的蛋白质,对于细胞器发挥功能具有关键作用。蛋白质在细胞器中的异常表达可能导致细胞器功能失调,从而引发多种疾病。准确识别细胞器蛋白的类型对于深入研究其在细胞活动中的作用以及疾病治疗药物的研发具有重要意义。随着机器学习的不断发展,越来越多的模型被设计用于细胞器蛋白的识别。然而,目前的模型大多采用传统的手动特征提取方法,例如氨基酸组成和物理化学性质,这些方法在捕捉蛋白质序列中的复杂模式和氨基酸之间的相互作用方面存在一定的局限性。相比之下,在大型蛋白质数据库上训练的深度表示学习模型能够自动学习层次化的特征表示,有效地捕捉蛋白质序列的复杂模式和相互关系。另一方面,细胞器蛋白特有的结构特征是其定位在目标细胞器并发挥作用的关键,而以往的研究忽略了这一特征,导致模型识别精度不高。本文专注于利用深度表示学习方法开展细胞器蛋白识别研究,旨在突破传统特征提取方法的局限性。研究中全面深入地探讨了蛋白质序列的复杂性及其空间结构的重要性,并成功实现了对细胞器蛋白的高效、准确识别。具体完成的主要工作和取得的成果如下: (1)提出了基于深度表示学习的过氧化酶体蛋白识别模型TAPE-Pero。该模型利用深度表示学习模型TAPE、Seq Vec和Pro SE提取过氧化酶体蛋白特征,通过合成少数过采样技术(Synthetic Minority Over-sampling Technique,SMOTE)缓解数据集样本中正负样本不均衡问题,避免模型分类出现较明显的偏差。然后利用方差分析法(Analysis of Variance,ANOVA)、弹性回归网络(Elastic Net)和博鲁塔算法(Boruta)进行特征选择,比较不同的特征选择方法并对初始特征进行筛选。之后,将筛选的特征输入到传统机器学习模型中。TAPE-Pero模型在十折交叉验证和双交叉验证中,准确率分别达到了98.97%和92.34%。最后,本文将构建的TAPE-Pero模型与当前最优模型In-Pero进行了对比,结果表明本研究的模型性能更加出色。 (2)提出了基于深度表示学习和蛋白质结构特征的植物液泡蛋白识别模型Graph Idn。该模型采用了深度表示学习模型Seq Vec,将蛋白质序列映射为连续的特征向量。同时,利用Alpha Fold2算法获取了蛋白质的结构信息,进而计算得到蛋白质的接触图。最后,将接触图输入到图卷积神经网络中提取蛋白质的结构特征。为了使模型更全面地捕捉蛋白质的复杂空间结构,本文引入了多头注意力。多头注意力的每个“头”能独立地学习和关注不同的特征,这有助于捕获蛋白质结构中更细微和复杂的模式。在独立测试集和五折交叉验证实验中,Graph Idn模型表现出色,其准确率分别达到了88.51%和89.93%,超过了先前的预测器,达到了领先水平。值得关注的是,本文实验中发现利用Seq Vec对蛋白质序列进行嵌入作为图神经网络的节点特征,有助于模型更好地提取蛋白质的结构特征。这项研究首次提出了利用预测的蛋白质拓扑结构图来识别植物液泡蛋白的模型,为相关领域的研究提供了新的见解和方法。 (3)提出了基于深度表示学习和多尺度特征的亚高尔基体蛋白识别模型SAGIDN。首先,使用深度表示学习模型Seq Vec将蛋白质序列转化为向量。之后,通过基于Text CNN的蛋白质序列局部特征提取模块和基于图卷积神经网络的蛋白质全局空间结构特征提取模块获取蛋白质不同尺度的特征。随后,将这两种尺度的特征进行融合。最终,所提出的SAGIDN模型在独立测试集和十折交叉验证中分别取得了98.4%和96.4%的准确率,显著超过先前大多数预测方法。为了评估模型的通用性,本文进行了额外实验,将其应用于其它细胞器蛋白的识别,包括植物液泡、过氧化酶体和亚线粒体,同样取得了不错的效果。这表明SAGIDN具有成为通用细胞器蛋白识别模型的潜力,有望应用于不同类型的细胞器蛋白识别任务。本文系统性地提出了三个细胞器蛋白识别模型,分别为TAPE-Pero、Graph Idn和SAGIDN,它们在处理样本不均衡、捕捉蛋白质复杂结构特征以及识别不同细胞器蛋白方面均表现出色。这些模型不仅显著提高了识别准确率,还展现了在不同细胞器蛋白识别任务中的通用性和潜力,为细胞器蛋白的准确识别与功能分析提供了强有力的工具和方法。

关键词：细胞器蛋白识别深度表示学习多头注意力图卷积神经网络多尺度特征

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：