基于多特征信息及Ma-Ada多分類器融合的蛋白質(zhì)結(jié)構(gòu)類預(yù)測

鄭 斌 厲力華

(杭州電子科技大學(xué)生命信息與儀器工程學(xué)院，杭州 310018)

引言

人類基因組計(jì)劃的順利實(shí)施帶來了蛋白質(zhì)數(shù)據(jù)庫中海量的序列信息，面對(duì)浩瀚的蛋白質(zhì)序列數(shù)據(jù)，傳統(tǒng)通過實(shí)驗(yàn)方法測定蛋白質(zhì)結(jié)構(gòu)已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足人類的需求。因此，探討通過理論計(jì)算方法來預(yù)測蛋白質(zhì)結(jié)構(gòu)類別顯得尤為重要。

蛋白質(zhì)功能的確定有助于闡明生命體在生理或病理?xiàng)l件下的變化機(jī)制，并且對(duì)于疾病預(yù)防和藥物開發(fā)等方面都有十分重要的推動(dòng)作用?？茖W(xué)研究表明，蛋白質(zhì)的結(jié)構(gòu)和功能是相統(tǒng)一的，因此要研究蛋白質(zhì)的功能就需要深入了解其結(jié)構(gòu)。英國學(xué)者Levitt根據(jù)蛋白質(zhì)序列中二級(jí)結(jié)構(gòu)片段的排列和其拓?fù)浣Y(jié)構(gòu)的不同，將蛋白質(zhì)分為全α、全β、α/β和α+β四種結(jié)構(gòu)類型［1］，目前已報(bào)道的對(duì)蛋白質(zhì)結(jié)構(gòu)類的研究主要集中在這四種類型上。蛋白質(zhì)序列特征表示和機(jī)器學(xué)習(xí)算法是影響蛋白質(zhì)結(jié)構(gòu)類預(yù)測效果好壞的兩個(gè)重要方面。對(duì)于第一個(gè)方面，我們的工作就是用數(shù)字參量把從氨基酸序列中提取到的信息用特征參數(shù)合理地描述出來，最大程度地挖掘氨基酸序列之間的關(guān)系。這方面眾多學(xué)者已經(jīng)做了大量的研究工作。比如Nakashima等用20維的特征信息表示20種氨基酸在蛋白質(zhì)序列中出現(xiàn)的頻率［2］;Zhang等將自相關(guān)函數(shù)應(yīng)用于蛋白質(zhì)結(jié)構(gòu)類型預(yù)測研究中，其主要是描述一種基于氨基酸指數(shù)的特征提取方法［3］;Chou在2001年首次提出了偽氨基酸組成方法，它是(20+λ)維的特征信息［4］。但是上述工作僅基于單一性質(zhì)的特征信息進(jìn)行蛋白質(zhì)結(jié)構(gòu)類預(yù)測研究，從而導(dǎo)致提取的特征信息所包含的信息量非常有限，不能全面描述蛋白質(zhì)序列特征。

對(duì)于第二個(gè)方面，機(jī)器學(xué)習(xí)算法的基本過程就是通過對(duì)樣本數(shù)據(jù)訓(xùn)練總結(jié)出一整套判別體系及參數(shù)后，進(jìn)而對(duì)測試樣本數(shù)據(jù)進(jìn)行預(yù)測。Chris等運(yùn)用的 ANN 算法［5］，Liu 等運(yùn)用的 KNN 算法［6］，Wu等運(yùn)用的SVM算法［7］，都取得了較好的結(jié)果。但是傳統(tǒng)的單分類器算法存在著一定的缺陷，因?yàn)闆]有任何一個(gè)分類器算法能夠在所有的樣本特征上進(jìn)行很好的區(qū)分。為了解決這一問題，研究者們提出了一種新的分類技術(shù)——多分類器融合算法。多分類器融合算法是指先利用多個(gè)分類器進(jìn)行分類，然后通過一定的組合機(jī)制把多個(gè)分量分類器的結(jié)果進(jìn)行融合，達(dá)到對(duì)目標(biāo)進(jìn)行識(shí)別的目的。近年來，越來越多的研究者開始把多分類器融合算法應(yīng)用于蛋白質(zhì)結(jié)構(gòu)類預(yù)測領(lǐng)域，比如Cai等和Feng等分別把LogitBoost算法和Boosting算法應(yīng)用于蛋白質(zhì)結(jié)構(gòu)類預(yù)測［8－9］，都取得了比單分類器更加理想的效果。但這些多分類器融合算法沒有考慮各個(gè)單分類器關(guān)于樣本的具體情況，即置信度，對(duì)樣本數(shù)據(jù)信息挖掘不充分，丟失了很多有用的信息，導(dǎo)致分類效果還是達(dá)不到令人滿意的程度。

在本課題組前期研究中，提出了k-字統(tǒng)計(jì)頻率和 k－片段位置分布兩種特征提取方法［7，10］，但其特征信息融合的效果還有待提高。為了進(jìn)一步提高蛋白質(zhì)結(jié)構(gòu)類的預(yù)測精度，本研究將這兩種特征提取方法得到的氨基酸序列信息和物理化學(xué)性質(zhì)信息同蛋白質(zhì)二級(jí)結(jié)構(gòu)信息進(jìn)行融合，并嘗試在Adaboost.M1 算法［11］中引入 Multi－Agent(MA)多智能體融合的思想［12－13］，提出了一種 Ma－Ada 多分類器融合算法，該算法可以挖掘單分類器度量層信息以及各個(gè)單分類器之間的交互融合信息，以進(jìn)一步改進(jìn)預(yù)測的準(zhǔn)確性。

1 方法與數(shù)據(jù)

1.1 蛋白質(zhì)結(jié)構(gòu)類特征提取及融合

1.1.1 k-字統(tǒng)計(jì)頻率特征

k-字統(tǒng)計(jì)頻率特征提取方法主要是統(tǒng)計(jì)長度為k的氨基酸片段頻率信息。其具體方法是，對(duì)于任一條長度為 L 的氨基酸序列 S=R1，R2，R3，…，RL，通過移動(dòng)長度為k的滑動(dòng)窗口來統(tǒng)計(jì)k-字氨基酸片段在給定氨基酸序列中出現(xiàn)的頻率。與傳統(tǒng)統(tǒng)計(jì)氨基酸序列頻率特征的方法相比，此方法可以通過變化的k-字獲得更為全面的氨基酸序列頻率信息。

1.1.2 k-片段位置分布特征

k-片段位置分布特征提取方法主要是統(tǒng)計(jì)氨基酸序列的位置分布信息。其具體方法是，給定任一條長度為 L 的氨基酸序列 S=R1，R2，R3，…，RL，將其看作是首尾相連，用O(y)對(duì)各氨基酸片段出現(xiàn)的位置分別進(jìn)行標(biāo)記。其中，y表示某一氨基酸片段。用變量ξ表示某一特定氨基酸片段y的位置間隔差，然后對(duì)變量ξ進(jìn)行統(tǒng)計(jì)可以得到概率P(y)(ξ)，進(jìn)而可以得出其均值E(y)(ξ)以及方差D(y)(ξ)。最后由統(tǒng)計(jì)學(xué)概念計(jì)算出變異系數(shù)的倒數(shù)C(y)(ξ)變量的值來表征氨基酸序列位置分布信息。

式中，C(y)(ξ)較好地反映了氨基酸片段位置分布信息，其值越大表示變量分布較為密集，反之則表示變量分布較為分散。

1.1.3 多特征信息融合

早期研究中僅基于單一性質(zhì)的特征信息進(jìn)行蛋白質(zhì)結(jié)構(gòu)類預(yù)測研究，如果將不同特征提取方法得到的多種特征信息加以聯(lián)系和有機(jī)的融合，將為分類預(yù)測提供更多的信息量。在本課題組的前期研究中，當(dāng)取k=1時(shí)，能降低特征信息維數(shù)和減少特征信息冗余，從而能夠獲得更高的分類率［10］。利用1－字統(tǒng)計(jì)頻率分布和1－片段位置分布兩種特征提取方法，在包含20種氨基酸的蛋白質(zhì)一級(jí)序列上分別提取20維氨基酸頻率分布信息和20維氨基酸序列位置分布信息，分別記為AAC和AAP。

氨基酸自身及之間的物理化學(xué)特性決定了蛋白質(zhì)的折疊構(gòu)象以及最終的結(jié)構(gòu)。在本研究中，根據(jù)氨基酸的物理化學(xué)性質(zhì)，把20種氨基酸分為疏水類I、親水類E以及中性類A等3類。

通過式(2)，可以把蛋白質(zhì)一級(jí)序列整合成只包含三種氨基酸組成的序列，然后利用1－字統(tǒng)計(jì)頻率分布和1－片段位置分布兩種特征提取方法，分別提取3維氨基酸頻率分布信息和3維氨基酸序列位置分布信息，分別記為IEAC和IEAP。考慮到蛋白質(zhì)結(jié)構(gòu)類與蛋白質(zhì)二級(jí)結(jié)構(gòu)序列的組分及其空間排列息息相關(guān)，因此，采用Liu等設(shè)計(jì)的11維二級(jí)結(jié)構(gòu)特征信息［14］，記為SSI。通過融合以上不同性質(zhì)的特征信息，組成17維和57維的特征信息集。其組成如表1所示。

表1 特征信息集的組成Tab.1 The composition of the feature information set

1.2 Ma-Ada多分類器融合

1.2.1 融合算法原理

在多分類器融合領(lǐng)域，Adaboost.M1是一種比較成功的多分類器集成學(xué)習(xí)算法，已經(jīng)廣泛應(yīng)用于人臉檢測和文本分類等領(lǐng)域［15－16］。它的核心思想是通過對(duì)訓(xùn)練樣本集重復(fù)采樣，訓(xùn)練出多個(gè)具有差異性的弱分類器集，然后將多個(gè)弱分類器集成得到一個(gè)強(qiáng)分類器，最后采用投票規(guī)則輸出最終的分類結(jié)果。不過，該算法只是簡單地把屬于每一類的弱分類器權(quán)重求和，再把樣本歸于和值最大的那一類。這樣處理的后果就是丟掉了很多弱分類器輸出的有用信息，比如弱分類器對(duì)樣本的輸出類別以及樣本屬于每個(gè)類別的后驗(yàn)概率。

成員分類器之間的差異性是多數(shù)融合算法要求的前提，它對(duì)融合系統(tǒng)的性能有著重要影響。Ma－Ada多分類器融合算法的主要思想是首先通過Adaboost.M1算法，對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得一系列具有差異性的單分類器，然后使用這一系列具有差異性的單分類器對(duì)訓(xùn)練集樣本進(jìn)行測試，得到訓(xùn)練樣本的分類信息。

借鑒Multi－Agent(MA)多智能體的融合思想，把統(tǒng)計(jì)得到的分類信息引入決策共現(xiàn)矩陣。其定義如下:

式中，k代表樣本類別數(shù)，n代表單分類器個(gè)數(shù)。其元素 djk1，jk2，i，k1，k2定義為

式中，A1表示訓(xùn)練樣本集中屬于第i類的樣本被單分類器k1分為jk1類的個(gè)數(shù);A2表示訓(xùn)練樣本集中屬于第i類的樣本被單分類器k2分為jk2類的個(gè)數(shù);A3表示訓(xùn)練樣本中屬于第i類的樣本被單分類器k1分為jk1類，并且被單分類器k2分為jk2類的個(gè)數(shù)。

當(dāng)有待測樣本需要進(jìn)行分類時(shí)，就可以通過已經(jīng)訓(xùn)練好的一系列單分類器，獲得待測樣本在每個(gè)單分類器上屬于每一類別的后驗(yàn)概率信息，即可信度矩陣。其定義如下:

式中，K代表樣本類別數(shù)，n代表單分類器個(gè)數(shù)?？尚哦染仃嘊的行值為1，元素bij表示單分類器i認(rèn)為樣本x屬于類別j的后驗(yàn)概率值。

最后把可信度矩陣作為初始狀態(tài)輸入溯源矩陣，通過引入決策共現(xiàn)矩陣以及權(quán)重矩陣，在溯源矩陣中使各個(gè)單分類器之間進(jìn)行信息交互，從而改變各個(gè)單分類器向不同類別溯源的概率，最終得到群體決策，也就是得到相應(yīng)的多分類器融合結(jié)果。與其它多分類器融合算法相比，Ma－Ada多分類器融合算法是一個(gè)集成系統(tǒng)，它把各個(gè)弱分類器信息集成在一起，從而使信息量更加豐富。并且，它通過定義單分類器的個(gè)體行為和個(gè)體之間的交互協(xié)商，實(shí)現(xiàn)了多個(gè)個(gè)體所組成的群體行為，最大程度實(shí)現(xiàn)各自的目標(biāo)［17］，有效提高了解決問題的能力。Ma－Ada算法工作流程圖如圖1所示。

圖1 Ma-Ada多分類器融合算法流程圖Fig.1 Flow chart of the Ma-Ada multi-classifier fusion algorithm

1.2.2 融合算法實(shí)現(xiàn)

假定進(jìn)行融合的訓(xùn)練集上包含N個(gè)樣本，樣本的類別數(shù)為K，Ma－Ada融合算法實(shí)現(xiàn)步驟如下:

步驟1 初始化訓(xùn)練集上樣本權(quán)重分布為D1(i)=1/N。

步驟2 用單分類器學(xué)習(xí)算法迭代運(yùn)算n次，每次迭代運(yùn)算后都按照分類結(jié)果更新訓(xùn)練集數(shù)據(jù)權(quán)重分布，對(duì)于分類失敗的個(gè)體賦予較大的權(quán)重，下一次迭代運(yùn)算時(shí)更加關(guān)注這些訓(xùn)練個(gè)體。單分類器學(xué)習(xí)算法通過反復(fù)迭代得到n個(gè)單分類器集，分類結(jié)果越好的單分類器，其對(duì)應(yīng)的權(quán)重也越大。

步驟3 經(jīng)過步驟2可以統(tǒng)計(jì)得到權(quán)重矩陣W以及各個(gè)單分類器對(duì)訓(xùn)練集樣本分類所產(chǎn)生的類標(biāo)號(hào)信息，然后根據(jù)式(5)計(jì)算得到?jīng)Q策共現(xiàn)矩陣D。

步驟4 對(duì)于一個(gè)待分類樣本x，經(jīng)過已經(jīng)訓(xùn)練完成的n個(gè)單分類器決策判斷，會(huì)得到屬于每個(gè)單分類器關(guān)于各個(gè)類別的后驗(yàn)概率值，即可信度矩陣B。通過引入權(quán)重矩陣W體現(xiàn)不同單分類器分類性能的差異性。用WB初始化溯源矩陣 S=［ski］n×K。

步驟5 定義溯源矩陣S中元素最大值為V，表示各個(gè)單分類器對(duì)待測樣本的決策置信度，L表示決策閾值。若V＞L，表示各個(gè)單分類器基本上達(dá)成共識(shí)，則進(jìn)行步驟7。否則調(diào)用(9)式調(diào)整溯源矩陣S中各個(gè)元素的值。步驟6 將更新的溯源矩陣S每一行歸一化，保證每行和為1，轉(zhuǎn)步驟5，重新計(jì)算V值。

步驟7 各個(gè)單分類器最終達(dá)成一致意見，即可輸出最終的分類決策結(jié)果。

1.3 實(shí)驗(yàn)數(shù)據(jù)

SCOP(structure classification of protein)數(shù)據(jù)庫是目前國際上包含蛋白質(zhì)比較全面和分類比較客觀的蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫之一，也是蛋白質(zhì)結(jié)構(gòu)類預(yù)測研究中基本的數(shù)據(jù)來源。為了保證在比較衡量時(shí)的科學(xué)性及公平公正性，本研究采用的數(shù)據(jù)集都是基于研究者們?cè)谝延谐晒袠?gòu)建和廣泛采用的4個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集。由Zhou構(gòu)建的Z277和Z498兩個(gè)數(shù)據(jù)集分別包括277條和498條氨基酸序列，1189和D640數(shù)據(jù)集分別包括1092條和640條氨基酸序列。數(shù)據(jù)集中詳細(xì)的數(shù)據(jù)構(gòu)成參見表2。

表2 4個(gè)數(shù)據(jù)集的構(gòu)成Tab.2 The composition of four datasets

1.4 分類器選擇

支持向量機(jī)(SVM)是近年來發(fā)展起來建立在統(tǒng)計(jì)學(xué)習(xí)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的學(xué)習(xí)算法［21］，具有比其他分類算法收斂速度快、準(zhǔn)確性高等優(yōu)點(diǎn)，在生物信息學(xué)中已經(jīng)得到了廣泛的應(yīng)用［22－23］。所以，選用以徑向基函數(shù)(RBF)為核函數(shù)的SVM算法作為Ma－Ada單分類器學(xué)習(xí)算法。由于蛋白質(zhì)結(jié)構(gòu)類預(yù)測是四分類問題，而傳統(tǒng)的SVM算法只適用于兩分類問題，在本研究中采用一對(duì)一組合策略(one－against－one)來解決四分類問題。

2 結(jié)果

2.1 實(shí)驗(yàn)結(jié)果

經(jīng)過前期實(shí)驗(yàn)表明，把Ma－Ada融合算法中參數(shù)λ和決策閾值L值分別設(shè)為1/3和0.95，可以取得較好的分類效果。

2.1.1 方法性能評(píng)價(jià)

在蛋白質(zhì)結(jié)構(gòu)類預(yù)測研究中，Z277、Z498、1189和D640等4個(gè)數(shù)據(jù)集被多種方法用來驗(yàn)證效果，具有很高的可信度。為了保證結(jié)果的可比性，本文和其他研究方法一樣，采用蛋白質(zhì)分類研究中被認(rèn)為最合理、應(yīng)用最為廣泛的Jackknife交叉驗(yàn)證策略。其具體構(gòu)造方法是假設(shè)樣本數(shù)據(jù)集有N個(gè)樣本，依次將每個(gè)樣本單獨(dú)作為測試集，其余的N－1個(gè)樣本作為訓(xùn)練集，所以Jackknife交叉驗(yàn)證策略會(huì)得到N個(gè)模型，用這N個(gè)模型最終測試集的分類率的平均數(shù)作為分類器的性能指標(biāo)。選用以上四個(gè)數(shù)據(jù)集的57維特征信息集進(jìn)行本次試驗(yàn)，分類結(jié)果見表3。

表3 不同方法的分類率—Jackknife交叉驗(yàn)證Tab.3 Classification accuracies for different methods based on Jackknife cross-validation

從表3中可以看出，在使用相同的數(shù)據(jù)集和Jackknife交叉驗(yàn)證策略的前提下，本方法在Z277、Z498、1189和D640等4個(gè)數(shù)據(jù)集上的分類率分別達(dá)到了91.3%、96.8%、85.3%和87.2%，比表中其他方法的最好值分別高出3.9%、1.4%、0.1%和0.2%，可以說明本方法對(duì)提高這4個(gè)數(shù)據(jù)集的分類率是富有成效的。

2.1.2 分類融合算法評(píng)價(jià)

本次試驗(yàn)中，在各種分類算法都使用相同的特征信息集的情況下，探討Ma－Ada多分類器融合算法與支持向量機(jī)(SVM)、最近鄰(KNN)、決策樹(DT)、樸素貝葉斯(NB)、人工神經(jīng)網(wǎng)絡(luò)(BP)五種分類算法的優(yōu)缺點(diǎn)。由于Jackknife交叉驗(yàn)證策略需要建立的分類模型數(shù)量和總樣本數(shù)量相等，當(dāng)總樣本數(shù)量相當(dāng)多時(shí)，會(huì)導(dǎo)致計(jì)算成本偏高，故本次試驗(yàn)采用十折交叉驗(yàn)證策略。其具體構(gòu)造方法是將數(shù)據(jù)集均分為10份，然后依次將每份樣本數(shù)據(jù)分別做一次測試集，其余的9份樣本數(shù)據(jù)作為訓(xùn)練集，這樣會(huì)得到10個(gè)模型，用這10個(gè)模型最終測試集的分類率的平均數(shù)作為十折交叉驗(yàn)證下分類器的性能指標(biāo)。Z277、Z498、1189和D640等4個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果見表4。

表4 不同方法的分類率(%)—十折交叉驗(yàn)證Tab.4 Classification accuracies(%)for different methods based on 10－fold cross-validation

在表4的Z277、Z498、1189和D640這4個(gè)數(shù)據(jù)集中，通過縱向比較可以看出，，在17維特征信息集的情況下，Ma－Ada算法的預(yù)測結(jié)果分別為90.6%、95.8%、84.8%和88.3%，優(yōu)于表中其他分類算法最好結(jié)果的2.2%、0.8%、1.2%和1.4%。在57維特征信息集的情況下，Ma－Ada算法的預(yù)測結(jié)果分別為92.1%、97.0%、83.9%和87.8%，比其他分類算法的最好值分別高出1.8%、1.0%、1.8%和0.9%。

2.1.3 分類穩(wěn)定性評(píng)價(jià)

穩(wěn)定性是衡量分類器性能的一個(gè)重要指標(biāo)。本次試驗(yàn)中，使用17維和57維這兩個(gè)特征信息集，在 Z277、Z498、1189、D640 等 4 個(gè)樣本數(shù)據(jù)集上采用十折交叉驗(yàn)證策略，對(duì)100次不同的數(shù)據(jù)組合的分類精度計(jì)算標(biāo)準(zhǔn)差來表示分類結(jié)果的穩(wěn)定性，如果其值越大，代表這100次結(jié)果的數(shù)據(jù)波動(dòng)越大，說明分類算法的穩(wěn)定性越差。結(jié)果如表5所示。

表5 不同方法的穩(wěn)定性(%)Tab.5 The stability of different methods

從表5可以看出，Ma－Ada多分類器融合算法在Z277和Z498這兩個(gè)數(shù)據(jù)集上穩(wěn)定性最好，在17維特征信息集上標(biāo)準(zhǔn)差分別為0.49%和0.33%，在57維特征信息集上標(biāo)準(zhǔn)差分別為0.54%和0.22%。

3 討論

表3中分類率提高的原因可以從以下兩個(gè)方面來進(jìn)行解釋。其一，本方法組合了不同類型的特征信息，并將其融合為57維特征信息集。提取的這些特征信息較有代表性，覆蓋范圍廣，既考慮了蛋白質(zhì)序列中氨基酸頻率及位置特征，又考慮了氨基酸疏水性屬性這一物理化學(xué)特征，還考慮了蛋白質(zhì)二級(jí)結(jié)構(gòu)序列特征信息，從而有效地反映了蛋白質(zhì)序列短、中、長程之間的關(guān)系。其二，本方法使用Ma－Ada多分類器融合算法，從而能比其它的分類算法表現(xiàn)出更好的性能。而且，Ma－Ada多分類器融合算法在分類決策時(shí)，引入了多智能體思想。通過決策共現(xiàn)矩陣，利用單分類器之間的決策相關(guān)信息，在各個(gè)單分類器之間進(jìn)行信息交流，指導(dǎo)各個(gè)單分類器向不同類別溯源，通過各個(gè)單分類器之間的信息交互改變溯源概率，最終得到群體決策。

通過表4中的數(shù)據(jù)可以看出，Ma－Ada多分類器融合算法的性能超過了表4中多數(shù)的分類算法，因此有望成為蛋白質(zhì)結(jié)構(gòu)類的預(yù)測工具。從蛋白質(zhì)結(jié)構(gòu)類每類的預(yù)測結(jié)果上看，基本上每種分類算法在類α和類β這兩類的分類效果最好，在類α+β的分類率最低，這說明在這4種結(jié)構(gòu)類別中，類α+β比其他結(jié)構(gòu)類更難預(yù)測。這是由于類α+β在蛋白質(zhì)結(jié)構(gòu)類定義中，具有比其他三種結(jié)構(gòu)類更復(fù)雜的形式，是α－螺旋和β－折疊相隔分布的形式，這也說明蛋白質(zhì)序列越復(fù)雜，預(yù)測難度越大，從而造成預(yù)測的分類率偏低。

通過橫向比較，在Z277和Z498兩個(gè)數(shù)據(jù)集上，同一種分類算法在57維特征信息集的分類效果要優(yōu)于17維特征信息集。但在1189和D640兩個(gè)數(shù)據(jù)集上，結(jié)果恰好相反。主要原因是當(dāng)特征維數(shù)增加到某一臨界點(diǎn)后，繼續(xù)增加的特征維數(shù)不僅會(huì)造成維數(shù)災(zāi)難，而且過高的特征維數(shù)會(huì)使噪聲對(duì)分類器的負(fù)面影響更加明顯，影響分類性能。

在表5中可以看出，與其它方法相比，本研究提出的方法整體上呈現(xiàn)較好的穩(wěn)定性。這主要是因?yàn)镸a－Ada多分類器融合算法采用了多分類器之間的信息融合交互機(jī)制，在決策的過程中將各個(gè)分類器的相關(guān)性引入進(jìn)來，擴(kuò)大了信息源，從而能夠獲得穩(wěn)定性較好的分類結(jié)果。在其他五個(gè)分類器中，BP分類器穩(wěn)定性最差，這主要是由于每次初始化BP網(wǎng)絡(luò)時(shí)都是隨機(jī)的，而且訓(xùn)練終止時(shí)的誤差也不完全相同，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練完成后的權(quán)植和閾值也不相同，從而造成分類結(jié)果的穩(wěn)定性較差。

4 結(jié)論

探討理論計(jì)算方法預(yù)測蛋白質(zhì)結(jié)構(gòu)類是后基因組時(shí)代生物信息學(xué)的核心課題之一。本研究將k-字統(tǒng)計(jì)頻率和k-片段位置分布兩種特征提取方法得到的氨基酸序列信息和物理化學(xué)信息，與蛋白質(zhì)二級(jí)結(jié)構(gòu)信息進(jìn)行融合，得到有效的融合特征信息集，并提出了Ma－Ada多分類器融合算法，用于蛋白質(zhì)結(jié)構(gòu)類分類預(yù)測研究。在 Z277、Z498、1189和D640等4個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，所提出的57維融合特征信息集和Ma－Ada多分類器融合算法的分類率優(yōu)于大部分已發(fā)表的實(shí)驗(yàn)結(jié)果。而在相同的融合特征信息集上，Ma－Ada多分類器融合算法更能有效地提高蛋白質(zhì)結(jié)構(gòu)類的預(yù)測精度。因此，本方法是蛋白質(zhì)結(jié)構(gòu)類預(yù)測研究的一次有意義嘗試，對(duì)提高蛋白質(zhì)結(jié)構(gòu)類的預(yù)測精度具有一定的研究參考價(jià)值。

［1］Levitt M，Chothia C.Structural patterns in globular proteins［J］.Nature，1976，261(5561):552－558.

［2］Nakashima H，Nishikawa K.Discrimination of intracellular and extracellular proteins using amino acid composition and residuepair frequencies［J］.Journal of Molecular Biology，1994，238(1):54－61.

［3］Bu Weishu，F(xiàn)eng Zhiping，Zhang Ziding，et al.Prediction of protein(domain)structural classes based on amino－acid index［J］.European Journal of Biochemistry，1999，266(3):1043 －1049.

［4］Chou Kuochen.Prediction of protein cellular attributes using pseudo－amino acid composition ［J］. Proteins:Structure，F(xiàn)unction，and Bioinformatics，2001，43(3):246 －255.

［5］Ding CHQ，Dubchak I.Multi－class protein fold recognition using support vector machines and neural networks ［J］.Bioinformatics，2001，17(4):349－358.

［6］Liu Taigang，Zheng Xiaoqi，Wang Jun.Prediction of protein structural class using a complexity－based distance measure［J］.Amino Acids，2010，38(3):721－728.

［7］Wu Li，Dai Qi，Han Bin，et al.Prediction of protein structural class using a combined representation ofprotein－squence information and support vector machine［C］//Bioinformatics and Biomedicine Workshops(BIBMW).HongKong:IEEE，2010:101－106.

［8］Cai YD，F(xiàn)eng KY，Lu WC，et al.Using logitboost classifier to predict protein structural classes［J］.Journal of Theoretical Biology［J］.2006，238(1):172 －176.

［9］Feng KY，Cai YD，Chou KC.Boosting classifier for predicting protein domain structural class［J］.Biochemical and Biophysical Research Communications，2005，334(1):213－217.

［10］Dai Qi，Wu Li，Li Lihua.Improving protein structural class prediction using novelcombined sequenceinformation and predicted secondary structural features［J］. Journal of Computational Chemistry，2011，32(16):3393 －3398.

［11］Freund Y，Schapire RE.Experiment with a new boosting algorithm ［C］//Machine Learning－InternationalWorkshop.Morgan:Kaufmann Publishers，1996:148－156.

［12］彭芳青，厲力華，徐偉棟，等.基于Multi－Agent的乳腺鉬靶圖像腫塊分類方法［J］.傳感技術(shù)學(xué)報(bào)，2010，23(2):153－157.

［13］趙浣萍，徐偉棟，厲力華，等.一種基于改進(jìn)型Multi－Agent多分類器融合的乳腺鉬靶腫塊分類算法［J］.儀器儀表學(xué)報(bào)，2011，32(9):2034－2040.

［14］Liu Tian，Jia Cangzhi.A high－accuracy protein structural class prediction algorithm using predicted secondary structural information［J］.Journal of Theoretical Biology，2010，267(3):272－275.

［15］武勃，黃暢，艾海舟，等.基于連續(xù)Adaboost算法的多視角人臉檢測［J］.計(jì)算機(jī)研究與發(fā)展，2005，42(9):1612－1621.

［16］江林升，朱學(xué)芳.一種基于新特征的車牌檢測方法［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47(20):188－190.

［17］寇忠寶，張長水.基于Multi－Agent的分類器融合［J］.計(jì)算機(jī)學(xué)報(bào)，2003，26(2):174－179.

［18］Kurgan LA，Homaeian L.Prediction of structural classes for protein sequences and domains—Impact of prediction algorithms，sequence representation and homology，and test procedures on accuracy［J］.Pattern Recognition，2006，39(12):2323 －2343.

［19］Chen Ke，Kurgan LA，Ruan Jishou.Prediction of protein structuralclass using novel evolutionary collocation－based sequence representation［J］.Journal of computional chemistry，2008，29(10):1596－1604.

［20］Zhou Guoping.An intriguing controversy over protein structural class prediction［J］.Journal of Protein Chemistry，1998，17(8):729－738.

［21］Vapnik VN.An overview of statistical learning theory［J］.IEEE Transactions on Neural Networks，1999，10(5):988－999.

［12］Sun XD，Huang RB.Prediction of protein structural classes using support vector machines［J］.Amino Acids，2006，30(4):469－475.

［23］Cai YD，Liu XJ，Xu X，et al.Support vector machines for predicting protein structural class［J］.BMC Bioinformatics，2001，2(1):1－5.

［24］Cao Youfang，Liu Shi，Zhang Lida，et al.Prediction of protein structural class with rough sets［J］.BMC bioinformatics.BMC Bioinformatics，2006，7(1):7－20.

［25］Yang Jianyi，Peng Zhenling，Chen Xin.Prediction of protein structural classes for low－h(huán)omology sequences based on predicted secondary structure［J］.BMC Bioinformatics，2010，11(Suppl 1):S9.