基于智能计算的蛋白质及其相互作用算法分析

随着蛋白质组学研究的不断深入，智能计算方法已成为蛋白质组学的支撑技术。本书系统地阐述目前蛋白质及其相互作用的主要研究内容，介绍其背景、相关数据、主要计算方法以及软件工具资源。本书的主要内容包括蛋白质三维空间折叠结构预测分析、蛋白质相互作用热点预测、蛋白质相互作用热区预测，以及靶点蛋白-药物相互作用预测等。本书为蛋白质及其相互作用的研究提供了相应的智能演算方法，并指出这些方法在解决生物学问题中的应用策略。本书可供从事人工智能生物信息学涉及的生命科学、计算机科学、生物制药等领域的科研人员，以及这些领域的研究生和高年级本科生阅读和参考。

前言
第1章 绪论
1.1 蛋白质与蛋白质组学
1.2 蛋白质的结构与功能
1.2.1 蛋白质的结构层次
1.2.2 蛋白质的功能
1.2.3 蛋白质结构与功能的关系
1.2.4 蛋白质的空间折叠结构
1.3 蛋白质相互作用
1.3.1 蛋白质-蛋白质相互作用结合面的性质
1.3.2 药物-靶点蛋白相互作用
1.4 蛋白质数据库
1.5 生物实验方法
1.5.1 丙氨酸扫描突变实验
1.5.2 洗脱实验
1.5.3 高通量实验方法
1.6 智能计算方法
1.6.1 基于基因信息的方法
1.6.2 基于蛋白质结构信息的方法
1.6.3 基于氨基酸序列信息的方法
第2章 蛋白质三维结构预测分析
2.1 引言
2.2 蛋白质折叠结构优化模型
2.2.1 二维AB非格模型
2.2.2 三维AB非格模型
2.3 基于遗传退火算法的蛋白质折叠结构预测算法
2.3.1 遗传退火算法
2.3.2 算法描述
2.3.3 局部微调遗传退火算法
2.3.4 实验结果与分析
2.4 基于粒子群优化算法的蛋白质折叠结构预测
2.4.1 多种群粒子群优化算法
2.4.2 MPSO算法描述
2.4.3 基于MPSO算法的实验结果
2.4.4 自适应分工粒子群优化算法
2.4.5 自适应分工粒子群优化算法描述
2.4.6 基于自适应分工粒子群优化算法的实验结果
2.5 基于遗传禁忌算法的蛋白质折叠结构预测
2.5.1 禁忌算法
2.5.2 禁忌算法优化
2.5.3 遗传禁忌算法优化策略
2.5.4 实验结果与分析
第3章 蛋白质相互作用热点预测
3.1 引言
3.2 蛋白质热点残基
3.3 热点数据集
3.3.1 数据集的获取与处理
3.3.2 理化结构属性
3.4 特征选择策略
3.4.1 最小冗余优选相关特征选择方法
3.4.2 相关系数特征选择方法
3.4.3 支持向量机-递归特征剔除特征选择方法
3.4.4 特征选择结果
3.5 基于支持向量机的蛋白质相互作用热点预测
3.5.1 算法描述
3.5.2 性能评价指标
3.5.3 实验结果与分析
3.6 基于集成学习的蛋白质相互作用热点预测
3.6.1 Boosting算法
3.6.2 梯度提升算法
3.6.3 随机森林算法
3.6.4 实验结果与分析
3.7 基于合成少数类过采样技术的蛋白质相互作用热点预测优化
3.7.1 不平衡数据处理
3.7.2 基于SRF分类策略分析的热点预测
3.7.3 基于SABoost算法的热点预测
第4章 蛋白质相互作用热区预测
4.1 引言
4.2 基于多种序列特征提取预测蛋白质相互作用
4.2.1 蛋白质相互作用预测过程
4.2.2 蛋白质序列特征提取
4.2.3 特征融合
4.2.4 实验结果与分析
4.3 基于复杂网络和社区结构的蛋白质相互作用热区预测
4.3.1 蛋白质相互作用的复杂网络特性
4.3.2 标准热区定义
4.3.3 社区结构探测方法
4.3.4 实验结果与分析
4.4 基于DICFC的蛋白质相互作用热区预测
4.4.1 基于蛋白质残基密度的增量型聚类
4.4.2 递归特征消除结合归一化互信息特征选择
4.4.3 基于ASEdb数据集的实验结果
4.4.4 三维空间结构评价
4.5 基于密度聚类和投票分类器的蛋白质相互作用热区预测
4.5.1 投票分类器模型
4.5.2 KDBSCAN密度聚类
4.5.3 实验结果
4.6 基于轮廓系数和K-means聚类的蛋白质相互作用热区预测
4.6.1 K-means算法
4.6.2 基于轮廓系数的k值优化
4.7 蛋白质相互作用热区预测优化策略
4.7.1 热点回收策略
4.7.2 邻居残基优化策略
4.7.3 PPRA优化策略
4.8 基于序列保守性的热区验证方法
4.8.1 直接同源基因
4.8.2 保守性得分函数
4.8.3 实验结果与分析
第5章 药物-靶点相互作用预测
5.1 引言
5.2 研究现状
5.2.1 基于半监督学习的药物-靶点相互作用研究
5.2.2 药物-靶点结合亲和力研究
5.3 数据集
5.3.1 DTI数据集
5.3.2 靶点-药物结合亲和力数据集
5.4 基于深度学习的药物-靶点相互作用研究
5.4.1 输入表示
5.4.2 预测模型
5.4.3 优化损失函数
5.4.4 实验结果与分析
5.5 基于RF的药物-靶点相互作用研究
5.5.1 靶点蛋白质特征提取策略
5.5.2 药物特征提取策略
5.5.3 特征组合策略
5.5.4 基于RF的药物-靶点相互作用预测
5.5.5 实验结果与分析
5.6 基于子空间矩阵分解的药物-靶点相互作用研究
5.6.1 SMF算法描述
5.6.2 实验结果与分析
5.7 基于自然语言表达的药物蛋白质-靶点结合亲和力研究
5.7.1 分布式表达和词嵌入
5.7.2 词嵌入药靶序列表达
5.7.3 基于深度学习组合模型的药靶序列特征提取
5.7.4 实验结果与分析
参考文献
附录1 训练样本集中的ΔΔG值
附录2 测试样本集的详细信息
附录3 Hub蛋白质的部分数据集