基于机器学习的蛋白质相互作用与功能预测方法研究

蛋白质相互作用与功能预测问题是当前蛋白质组学要解决的核心问题之一，这个问题的解决将有助于理解生命现象的本质，并对生命科学的发展起到强有力的推动作用。本项目将从蛋白质序列出发，在蛋白质相互作用的数据整合、特征编码、预测和结果校准以及蛋白质功能预测方面进行深入研究，以探索蛋白质相互作用及其功能行使的规律与本质。首先，在整合多个相互作用数据源的基础上，利用氨基酸残基理化性质，结合自相关、多联体和结构域组成等方法对蛋白质序列进行编码，并运用神经网络学习委员会机和元集成学习方法分别集成多种编码方式来提高蛋白质相互作用预测性能；然后利用流形学习方法来校准预测结果中的假阳性与假阴性问题；最后，利用基于图的半监督学习和加权蛋白质相互作用网络来预测蛋白质的功能，并进一步基于组合核方法来融合蛋白质多源信息，提高蛋白质功能的预测精度。本项目的研究成果将加深对生命机理的认识，为疾病机理的揭示及新药研发提供指导。

蛋白质相互作用和蛋白质功能预测是当前蛋白质组学要解决的关键问题之一，这个问题的解决将有助于理解生命现象的本质，并对整个生命科学的发展都将起到强有力的推动作用。本项目将从蛋白质的最基本特征即序列特征出发，在蛋白质相互作用的数据整合、特征编码、分类识别和预测结果校准方面进行深入研究，以探索蛋白质相互作用的规律与本质。首先，在整合来自不同数据源相互作用数据的基础上，利用氨基酸残基的理化性质，并结合矩阵分解方法对蛋白质序列进行编码；然后，运用主成分分析和极限学习机这两种多分类器集成算法来预测蛋白质相互作用，并结合柔性神经树方法优化参数，以达到更好的预测效果；最后利用流形学习方法来校准预测结果中的假阳性与假阴性噪声问题，从而得到高可靠性的蛋白质相互作用预测模型。本项目的研究成果将为了解蛋白质功能的实现机制和治疗相关疾病的药物设计提供理论上的依据。