蛋白质结构预测,利用神经网络和支持向量机

资 源 简 介

蛋白质结构预测,利用神经网络和支持向量机

详 情 说 明

蛋白质结构预测是生物化学领域的重要课题，其中二级结构的预测是理解蛋白质三维构象的关键步骤。本文重点对比了神经网络和支持向量机在预测球状蛋白质二级结构中的表现。我们针对螺旋(H)、链(E)和线圈(C)三类结构构建了六组二分类器。

在神经网络方面，我们采用了弹性反向传播算法进行训练，避免了提前终止策略。实验测试了无隐层和单隐层结构，其中单隐层神经元的数量从1到40不等。支持向量机则采用高斯核函数，固定核参数为0.1，通过交叉验证优化成本参数C。

研究结果显示，两类模型在不同结构类型的预测精度存在差异：线圈结构的预测准确率约为69%，而链结构的预测可达到80%。特别值得注意的是，神经网络在无隐层或仅含1-2个隐层神经元时就能获得较好的预测效果。支持向量机的表现则显示出对成本参数C值的不敏感性。

最终结论挑战了生物信息学领域的普遍认知：在这项研究中，神经网络和支持向量机的预测精度并无显著差异，这与当前认为支持向量机在预测任务中具有优势的观点形成了有趣对比。