人工神经网络和支持向量机在剪接位点识别上的应用.pdfVIP

白 二F 怕I F 压 r r } O OY 学 术 论 坛 人 工 神 经 网 络 和 支 持 向 量 机 在 剪 接 位 点 识 别 上 的 应 用 勺引， 用MA TLAB 提供的工具箱构建的神经网络 ， SP 分别定义为: 人S 神经网络(Ar tificial Neural Net - 共包括四层:一个具有 ，2 个节点的输入层、 Sn=目二P SO 刀 J ( 1) w ork ,AN N)和支持向量机(Su ppor t Vector 两个具有 10 个节点的隐含层和只有一个节点 TP + F N TP 十F P Mach ine, SVM退 目前广泛使用的机器学习方 的输出层。另外，两个隐含层均采用了常用 为了公正地反映两种机器学习方法对剪 法。A NN 是由大量简单的神经元相互连接，模 的Sig oid 函数。在对神经网络进行训练和 接位点的预测性能，本研究采用了5 倍率交叉 拟人的大脑神经处理信息的方式，进行信息并 测试时，轴入的是经过编码的核昔酸序列片 验证的方法对其进行测试。具体方法是: 首 行处理和非线性转换的复杂网络系统。AN N 段，经过两层隐含层后，输出层的是。0- 1.0 间 洗 将数据集随机地平均分为五等份，然后取其 已广泛应用于人工智能、非线性动力学等研究 的一个实数 。即为该核管酸片段的分值。 中一份作为侧试数据 ，其它四份作为训练敌 领域中，并取得较好的效果w 。而 SV M 是墓 2. ，支持向. 机 据，随后依次轮换，直到完成对所有序列的测 于统计学习理论提出的一种新的机器学习方 支持向量机是一类新型的机器学 习方 试 。与 广 泛 使用 的剪 接 位点 预 侧 模型 法，墓于结构风险最小化(SRM ,stn ictu nal r isk 法。其基本思想是首先通过非线性变换将输 (WAM) 比较的结果如表 1 所示，而利用 ANN i - ati on) 的参数i)il练方法使得其具有 良好 人空间变换到一个高维空间，然后在这个新空 和SVM 对供体剪接位点进行预测时，不同敏 的泛化能力. 目前已广泛应用于文本挖掘tzi, 间中求取最优线性分类面。SVM 的非线性变 感度Sn 对应的专一性 Sp 如图 1所示。 语音识别ii i 、图像处理[. 等研究问题中。 换是通过定义适当的核函数实现的，选择不同 表 1 不同模型用干供体位点预测结果比较 蛋白质编码基因结构预测是生物信息学 形式的核函数 K 就可以生成不同的支持向量 领域的重要研究内容，对于 了解基因结构规 机。本工作使用的支持向量机为台湾大学林 Sn Sp (W.W Sp ( SVM ) Sp (ANN ) 0 .2 0 0 .47 0 .7 0 0 . 82 律，注释测序得到的海量基因组数据等具有重 智仁(Lin Ch ih- Sen )等iet } 发LIBSVM 程序