基于三层集成多标记学习的蛋白质多亚细胞定位预测.docxVIP

基于三层集成多标记学习的蛋白质多亚细胞定位预测 　　摘要：针对多标记学习和集成学习在解决蛋白质多亚细胞定位预测问题上应用还不成熟的状况，研究基于集成多标记学习的蛋白质多亚细胞定位预测方法。首先，从多标记学习和集成学习相结合的角度提出了一种三层的集成多标记学习系统框架结构，该框架将学习算法和分类器进行了层次性分类，并把二分类学习、多分类学习、多标记学习和集成学习进行有效整合，形成一个通用型的三层集成多标记学习模型；其次，基于面向对象技术和统一建模语言对系统模型进行了设计，使系统具备良好的可扩展性，通过扩展手段增强系统的功能和提高系统的性能；最后，使用Java编程技术对模型进行扩展，实现了一个学习系统软件，并成功应用于蛋白质多亚细胞定位预测问题上。通过在革兰氏阳性细菌数据集上进行测试，验证了系统功能的可操作性和较好的预测性能，该系统可以作为解决蛋白质多亚细胞定位预测问题的一个有效工具。　　关键词：蛋白质多亚细胞定位预测；多标记学习；集成学习；面向对象技术；Java　　中图分类号：TP391　　文献标志码：A　　0引言　　蛋白质亚细胞定位对于确定蛋白质功能、阐明蛋白质相互作用机制和新药物开发等都具有重要意义。蛋白质亚细胞定位的传统方法是通过生物化学实验进行测定，如荧光检测法[1]和谱分析法[2]等。虽然实验方法准确度高，但费时耗力、代价昂贵，实验中还会出现偶然因素的干扰，致使测定工作冗长且不稳定。DBMLoc数据库[3]的统计结果表明，具有多个亚细胞位置的蛋白质数量不断增长且功能特殊，如何对这类蛋白质进行亚细胞定位是一个非常值得研究的问题。然而，相对于单亚细胞定位而言，不论是采用实验方法，还是基于计算技术的预测方法，蛋白质多亚细胞定位问题都具有更大的挑战性[4]。在过去的20多年中，针对蛋白质的单亚细胞定位预测，利用统计学习和监督学习已取得了较大的成功[5-6]。但对于蛋白质的多亚细胞定位预测，自XX年Chou等[7]和Gardy等[8]分别开始研究以来，目前还远未达到人们所期待的水平，需要进行更深入的探索[9]。　　从机器学习的角度来看，蛋白质多亚细胞定位预测问题属于多标记学习的范畴。在多标记学习框架中，每个对象由一个示例描述，该示例具有多个而不再是唯一的类别标记，学习的目标是将所有合适的类别标记赋予待测示例。近年来，虽然多标记学习技术得到了较快的发展[10]，但在解决蛋白质多亚细胞定位预测问题上的应用却不太成熟，特别是能够将集成学习与多标记学习相结合的研究还很少，尚有很多内容需要研究：第一，针对蛋白质数据的海量、关联性和不完整等复杂特征，需要设计更加适合于解决蛋白质多亚细胞定位问题的学习算法，或者引入更多现有的多标记学习方法，以扩展多标记学习技术在该领域的应用；第二，需要将多标记学习和集成学习更好地结合来构建学习系统，以充分发挥集成学习的优势；第三，需要设计扩展性好、易于使用且具有一定通用性的学习系统平台，为相关研究人员提供良好的技术和服务支持。　　基于上述思路，本文提出了一种三层集成多标记学习框架，通过将学习算法和分类器进行层次性分类，并把多种学习模型合理地综合在一起，形成了一种通用型的集成多标记学习模型；在该模型基础上，使用面向对象技术并结合统一建模语言设计了一个可扩展的多层集成多标记学习系统；最后构建了一套基于Java技术的集成多标记学习软件，为基于机器学习的蛋白质多亚细胞定位预测提供了一条有效途径。　　1学习系统的框架结构　　为了能更清晰地对系统进行描述和便于理解，这里将“学习算法”和“分类器”这两个概念进行了必要的区分：学习算法是指解决某个一般性学习问题的一种方法，如K最近邻和支持向量机等；而分类器则是一个学习算法针对某个特定的分类问题在给定的基准训练数据集上的一个具体实现，是解决某个一般性分类问题的实例，它通常是由某个学习算法通过优化算法结构或优化其中的某些参数而产生出来的。　　在集成多标记学习框架下，本文把学习算法分为二分类学习算法、面向标记集的学习算法和集成多标记学习算法三大类；相应地，分类器分为二分类器、多标记分类器和集成分类器三大类。图1所示是本文所建立的集成多标记学习系统的框架体系结构以及各部分之间的依赖关系。该结构共包括三层：二分类学习层、多标记学习层和集成学习层。二分类学习层针对二分类学习算法和二分类器，多标记学习层针对面向标记集的学习算法和多标记分类器，集成学习层针对集成多标记学习算法、集成策略和集成分类器。值得注意的是，属于同一层的分类器可以由位于同层但不同种类的学习算法产生出来，例如：对于一个二类分类器，既可以使用KNN算法生成，也可以通过SVM算法获得。　　二分类学习层　　二分类学习层是三层中最为简单的一层，任何能够解决二分类问题的算法都可以归到这一层。一个二分类算法用