文献类型：期刊文章

作　　者：郭磊[1] 王顺芳[1]

GUO Lei;WANG Shunfang(Department of Computer Science and Engineering,School of Information Science and Engineering,Yunnan University,Kunming 650504,China)

机构地区：[1]云南大学信息学院计算机科学与工程系,昆明650504

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(No.11661081);云南省科技计划重点项目(No.2017FA032)

年　　份：2019

卷　　号：55

期　　号：6

起止页码：145-150

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：膜蛋白的功能与其类型密切相关,因此膜蛋白类型的预测具有重要意义。针对膜蛋白特征表达过程中出现的特征维数高的问题,结合最大信息系数与遗传算法提出一种两阶段特征选择(MIC-GA)。抽取膜蛋白序列信息中的伪氨基酸组成、二肽组成和位置特异性分数矩阵等特征融合后作为特征参数,并在融合过程中提出一种改进的ReliefF算法(FReliefF)得到更有效的特征分数。基于Stacking集成学习框架,两次使用极端随机树对膜蛋白类型进行合理化预测。结果表明该方法能够有效提高膜蛋白预测的准确率。

关 键 词：膜蛋白预测  最大信息系数  遗传算法 特征选择  特征融合  极端随机树  

分 类 号：TP3[计算机类]