一种自适应的G蛋白偶联分类策略 受体

遗传算法在委员会中也很重要。由于遗传算法的随机性，不同的遗传算法优化可能产生不同的分类器成员选择。然而，在这里的数据的情况下，这种情况不太可能发生，因为许多分类器有相同的一致性或错误，导致GA收敛到该名称选择的选择。也就是说，theGA的优化是有效的，运行速度非常快，因为它使用了预先计算的结果，如误差矩阵和协议值。如果考虑使用GPCR数据的情况，遗传算法的贡献似乎并不显著。这种情况可能适用于该数据，但该算法被设计成普遍适用，因此，这种情况可能不适用于其他数据集，这些数据也不必一定是蛋白质数据。结论：增量学习的最初研究者，如asElman[41]声称增量学习总是优于批量学习。我们选择采用软方法，并强调，虽然batchtrained方法可能是合适的，但增量方法节省了大量时间，并允许保留先前的分类器设计工作。在可能获得的任何新信息都不能显著提高系统分类能力的情况下，批处理训练方法可能更适合。对于序列相似度较低的家庭，增量法可能更好，更理想。本文提出的算法适用于所有分类问题，并不局限于结构家庭分类问题。该算法可以方便地扩展到二级和三级结构预测、功能注释和蛋白质相互作用位点的预测。除了蛋白质组学之外，基因组的应用也存在，如启动子和剪接位点的分离。Eachclassification任务受益于使用集成系统和增量学习的改进。这些结果为计算生物学的未来显示了巨大的前景，在计算生物学中，新发现的数据需要准确地结合到现有的模型中，从而实现高度敏捷的发现过程。参考文献[1]B.Y.M.Cheng,J.G.Carbonell,J.Klein-Seetharaman,“基于文本文档分类技术的蛋白质分类”，蛋白质：结构、功能与生物信息学，卷。58,第955-970页，2005。[2]D.E.Krane和M.L.Raymer,生物信息学的基本概念。三藩市：培生教育，2003.[3]王建良，马清，沙沙，吴C.H.“蛋白质序列特征提取的新技术”，IBM SystemsJournal,Vol.40,没有。2,第426-441页，2001。[4]F.Horn,J.Weare,M.W.Beukers,S.Horsch,A.Bairoch,W.Chen,Edvardsen,F.Campagne,G.Vriend,“GPCRDB：G-蛋白偶联受体的aninformation system for G-蛋白偶联受体”,NucleicAcids Research,vol.26号，没有。1,第277-281页，1998。[5]B.Qian，O.S.Soyer,R.Neubig,R.A.Goldstein,“Descriptinga proteins teo faces：GPCR分类by Phylogenceive Tree based HMMs”,欧洲生化学会联合会文集，第2卷。554,pp.95-99,2003.[6]K.Lundstrom,“GPCRs的结构基因组学”,《生物技术趋势》,vol.23,第103-108页，2005年2月。[7]Y.Fang,J.Lahiri,L.Picard,“药物发现的G-蛋白偶联受体微阵列”,《今日药物发现》,vol.7,没有。16,第755-761页，2003年。

《生物信息学：序列与基因组分析》。纽约：冷泉港，第二版，2004。[9]T.Smith和M.Waterman,“公共分子子序列的鉴定”，《分子生物学杂志》，第2卷。147,第195-197页，1981。[10]S.B.Needleman和C.D.Wunsch,“一种适用于寻找两种蛋白质氨基酸序列相似性的通用方法”，分子生物学杂志，第2卷。3、没有。48,第443-453页，1970。[11]S.F.Altschul,W.Gish,W.Miller,E.W.Myers,D.J.Lipman,“基本局部对齐和搜索工具”,《分子生物学杂志》,卷。215,第403-410页，1991。[12]W.Pearson和D.Lipman,“biologicalsequence比较的改进工具”，美国国家科学院院刊，第2卷。[13]S.Henikoff和J.G.Henikoff,“基于位置的序列权重”，分子生物学杂志，第2期。[14]J.D.Thomson,D.G.Higgins,T.J.Gibson,“Clustal W：通过序列加权、位置特异的gappenties和权重矩阵选择来提高渐进多重测序比对的敏感性。”，核酸研究，第22卷，第2期。第22页。5,1994.[15]C.W.森森编，《基因组研究手册》第2卷。纽约：Wiley,2005。[16]A.D.Baxevanis和B.F.F.Oullette编辑，《生物信息学》。基因和蛋白质分析指南。纽约：Wiley Interscience,第三版，2005。[17]S.Vigna和J.Almeida,“无比对序列比较--综述”,Bioinformatics,vol.19，没有。[18]C.A.Orengo,D.Jones,J.M.Thornton,《生物信息学：基因、蛋白质和计算机》。纽约：BIOS Scientificial Publishers,2004。[19]黄D,赵X,黄G,“蛋白质测序分类--利用水化块”，模式识别，第2卷。第30页，第2293-2300页，2006年12月。[20]C.H.Q.Ding和I.Dubchak,“支持向量机与神经网络的多类蛋白质折叠认知”，生物信息学，第2卷。17，没有。[21]W.R.Weinert和H.S.Lopes,“蛋白质内含化的神经网络”，应用生物信息学，卷。3、没有。1,第41-48,200页4.[22]唐永、张永，“蛋白质同源性预测的关联规则挖掘粒度支持向量机”，医学人工智能，第2期。35,第121-134页，2005。[23]A.Tomovic,P.Janicic,V.Keselj,“基因组序列的N-gram-based分类和无监督分层聚类”，生物医学中的计算机方法和程序，第2卷。[24]S.Diplaris,G.Tsoumakas,P.A.Mitkas,I.Vlahavas,“多算法的蛋白内含化”，第10届泛希腊信息学会议（PCI 2005）,vol.LNCS 3746,（希腊），第#页。448-456,11月11-13日，2005。[25]I.Dubchak,I.Muchnik,S.R.Holbrook,S.Kim,“利用氨基酸序列的全局描述预测蛋白质折叠类”，载于《生物物理学》,vol.92,（美国）,第8700-8704页，国家科学院，1995年9月。[26]N.Nagarajan和G.Yona,“一个从序列信息中自动检测蛋白质结构域的多专家系统”，载于RECOMB\'03,（Berlin）,第224-234页，ACM,2003年4月。[27]Zhao,Y.Cheung,D.Huang,“一种从基序含量和蛋白质组成中提取特征用于蛋白质序列分类的新方法”,Neural Networks,vol.18,第1019-1028页，2005年10月。[28]G.A.Carpenter,S.Grossberg,N.Markuzon,J.H.Reynolds,and d.B.Rosen，“Fuzzy ARTMAP：模拟多维地图增量监督学习的神经网络体系结构”，IEEE neural Networks Transactions on neural Networks,vol.[29]Z.Michalewicz，遗传算法+数据结构=进化程序。

柏林：斯普林格，第三，修订和扩展。，1999。[30]D.E.Goldberg，搜索、优化和机器学习中的遗传算法。纽约：Addison-Wesley PublishingCompany,Inc.，1989。[31]P.A.Vijaya,M.N.Murty,D.K.Subramanian,“一种效率递增的蛋白质序列聚类算法”，IEEE会议论文集，第409-413页，2003年10月。[32]G.Cauwenberghs和T.Poggio,“增量和递减支持向量机学习”，神经信息处理系统的进展（NIPS 2000）,vol.[33]黄志光，林志东，帕尔，“多类蛋白质折叠分类的分层学习体系结构及其特征选择”，IEEE纳米生物科学学报，第2卷。[34]A.Koufakou,M.Georgiopoulos,A.Anagnostopoulos,T.Kasparis，“fuzzy ARTMAP for largedatabases的交叉验证”,Neural Networks,vol.[35]M.Petrakos,J.A.Benediktsson,I.Kannellopoulos,“分类器协议对决策级融合中组合分类器精确度的影响”，《IEEE电子科学与遥感学报》,vol.39,第2539-2546页，2001年11月。[36]Y.M.Bishop,S.E.Fienberg,和P.W.Holland,离散变量分析。麻省理工学院出版社，1977年。[37]R.L.Haupt和S.E.Haupt合编，实用遗传算法。纽约：Wiley Interscience,第二版，2004年。[38]J.Kittler,M.Hatef,R.P.W.Duin和J.Matas,“关于组合分类器”，IEEE模式分析和机器智能事务，卷。20，不。3,第226-239页，1998。[39]S.Theodoridis和K.Koutroumbas,模式识别。纽约：学术出版社，第一版，1999年。[40]S.Mohamed,D.Rubin,T.Marwala,“使用Fuzzy ARTMAP的多类蛋白内含化”，载于IEEEInternational Conference on Systems,Man and Controlnetics,（台北，台湾）,第1676-1681页，2006年10月8日至11日。[41]J.L.Elman,“神经网络中的学习与发展：从小做起的重要性”，认知，第1卷。48,第71-99页，1993年。