蛋白质结构类预测方法研究进展

蛋白质结构类型是蛋白质高级结构中基本原件的空间分布,是蛋白质高级结构与功能研究的基础,该研究对蛋白质组学具有重要意义。通过传统实验方法研究蛋白质结构类需要耗费大量的人力、财力、物力,也无法满足数据库中蛋白质序列爆炸性增长的现实需要。目前,基于已积累数据,探索理论计算方法预测蛋白质结构类是当前生物信息学的重要研究内容之一。本文对国内外亚细胞定位预测的研究现状进行了综述。     

蛋白质的结构预测

蛋白质结构预测的目的在于揭示蛋白质氨基酸序列与蛋白质空间结构之间的关系,进行蛋白质高级结构预测,为进一步的结构与功能研究及分子设计提供基础。蛋白质结构预测问题是分子生物学的中心法则中尚未解决的内容,被称之为第二代遗传密码问题。该问题的解决不仅具有理论意义,而且对于生物技术的发展具有重要的指导意义。     

蛋白质之歌

所有的生命体都含有蛋白质,每个蛋白质分子就是一串氨基酸,氨基酸有20多个不同种类。蛋白质拥有的氨基酸数量少则十几个,多则上千个。科学家们用不同的字母表示出蛋白质中氨基酸序列。他们中间有的人突发奇想,决定将每个序列中的氨基酸化学数值与音符对应起来,于是一首蛋白质之歌就诞生了。对于同一种蛋白质分子,如果音符对应的氨基酸化学数值不同,谱出的曲子也会不一样。比如说,有的人会根据氨基酸的可溶性比值来谱曲,也有人会根据氨基酸的带电荷来谱曲。听听曲子,就等于“听”了这种蛋白质的结构。而不同种类的蛋白质,什么地方相同,什么地…     

神经网络在蛋白质结构预测中的应用

蛋白质结构预测在生物信息学研究中占有重要地位.此文对神经网络在蛋白质结构预测中的应用作了评述。首先,简要地介绍了人工神经网络,然后对近年来用神经网络算法解决蛋白质结构预测的研究作了回顾,并分析了算法的效果和特点。最后,展望了用神经网络算法解决蛋白质结构预测问题的前景。     

融合多元生物数据预测蛋白相互作用关系

蛋白质相互作用关系预测是当前生物信息学研究的一个重大挑战。现有挖掘蛋白质相互作用关系方法大部分都是基于单种生物数据,这会影响结果的准确。本文融合蛋白质序列信息,结构信息和蛋白质相互作用网络信息,提出一种新的蛋白质相互关系预测算法。实验结果证明本算法优于现有的方法。     

蛋白质结构的预测相关问题探索

目前,许多方法在化学生物信息处理中的应用,建立了一系列的化学生物信息处理新技术引起广大学者的重视.本文主要探索了蛋白质结构的预测相关问题研究进展,包括蛋白质二级结构的预测、蛋白质结构类的预测以及蛋白质家族模体的预测,对于深入蛋白质分析化学研究具有一定作用.     

经济时间序列的状态空间预测

预测是研究经济时间序列的重要课题,而经济序列大都是非平稳的,因此经济序列的预测比一般平稳时间序列困难得多。利用状态空间模型对经济序列进行建模、预测,不仅方便易行,且效果很好。不仅可对经济时间序列所含趋势、周期、季节各分量进行预测,而且可对经济时间序列本身进行预测。本文就是讨论用状态空间模型对经济序列进行预测的方法与实现。     

结构比例时间序列的拟合与预测方法

结构比例时间序列的拟合与预测方法朱新生王永森（辽宁大学数学系ｌ１００３６）（沈阳汽车工学院ｌ１００１５）在经济问题的预测中，对结构比例数据的研究占有十分重要的地位。比如：考察我国或某省的劳动力在三个产业中占有比例的现状和发展趋势；考察我国农业、轻工业...     

基于GEP的经济时间序列组合预测方法研究

线性组合预测效果欠佳,非线性函数的挖掘也很困难,本文提出了基于基因表达式编程的非线性组合预测的新方法.理论分析和应用实例表明,相比模糊神经网络等组合预测而言,该方法具有很强的学习和仿真功能,在社会经济复杂系统中时间序列的组合建模和预测中具有很好的应用价值.     

印度河脚本确实是文字

尽管在过去存在着争议,但现在研究人员说,印度河地区人的古代脚本（目前尚未破译）确实应该归属为一种人类的语言。它在结构上与DNA序列、电脑程序语言或其他的符号系统不同。在一篇文章中．Rajesh Rao及其同事介绍了他们是如何对该印度河书写文本与其他的语言学（如苏美尔文字、古泰米尔语、黎俱吠陀梵文、英文等）,非语言学（如人类的DNA序列和细菌的蛋白质序列）及人造系统（如Fortran电脑语言）进行了符号序列统计结构方面的比较的。     

ARMA模型在金融机构现金收入中的应用

ARMA模型是一类常用的随机时间序列模型,它是一种精度比较高的序列短期预测方法,本文主要是通过分析数据的特征,建立一个合理的ARMA模型,利用这个模型对我国经济进行合理的预测.     

神经网络在蛋白质折叠预测中的应用

蛋白质的生物功能是由它们的空间折叠结构决定的,理解蛋白质的折叠过程是生物信息学领城中极具挑战的问题之一.求解精度和计算时间是蛋白质折叠结构预测中要解决的主要问题,神经网络具有较强的逼近非线性函数的能力,并具有自适应学习的优点,以及良好的寻优能力.笔者对如何使用神经网络方法解决蛋白质折叠预测问题进行了分析与展望.     

流程工业中基于混沌时间序列的成本预测研究

针对流程工业中连续性生产过程的时间序列特点,采用基于混沌时间序列的Lyapunov指数计算和预测方法对成本进行了预测研究。     

神经网络方法在蛋白质结构预测中的研究与应用

蛋白质结构预测在生物信息学研究中占有重要地位。对神经网络在蛋白质结构预测中的应用作了评述。首先,简要地介绍了人工神经网络,然后对近年来用神经网络算法解决蛋白质结构预测的研究作了回顾,并分析了算法的效果和特点。最后,展望了用神经网络算法解决蛋白质结构预测问题的前景。     

共积序列方法和长短期模型的结合

本文主要是探讨一种新的预测方法,为长、短期预测的结合寻找一条简洁实用的途径。 1 问题的提出在各种预测方法中,时间序列分析方法无疑占有重要的地位。其主要优点是短期预测精度较高。但也存在不少缺点:建模所需的数据样本大;建模和检验工作比较复杂,而且,时间序列模型用于长期预测时,误差往往很大,这主要是由于模型阶次的限次,不能反映较长     

基于遗传算法优化RBF网络的预测混沌时间序列

提出用遗传算法优化径向基函数(RBF)神经网络,使其更接近非线性映射和更快的学习收敛速度.然后用改进后的RBF神经网络预测混沌时间序列.实验结果表明,基于RBF网络的混沌时间序列具有很强的拟合能力、误差小、取得更好的效果.     

浅谈时间序列分析模型基本理论

时间序列模型就是利用时间序列的相关性质建立起来的,是一种先进的统计方法,当有足够多的数据来构成一个时间序列,此时建立起来的时间序列模型通常可以得到很好的预测效果。     

卫星钟差数据的时间序列分析建模及异常值探测

对卫星钟差进行预报,需要建立准确的卫星钟差模型.卫星钟差的时间序列建模就是一种有效的建模方法.但是时间序列中若含有异常值,就会使传统的建模、估计及检验方法陷入困境,从而不能准确的预测和控制.结合钟差实测数据特点,对卫星钟差数据进行时间序列建模并探测序列中的异常值,比较模型修正前后预报的结果,说明了建模的效果.     

马尔科夫模型与时间序列法组合预测产品销量

在现代企业管理中,营销管理、目标管理、成本管理已广泛应用,但这些规律理论应用的基础是对来年销售量的预测。文章根据个体消费者的消费随机性特点、空调年销售规律变化特点,根据马尔科夫模型随机性、稳定性特点以及时间序列法对短期预测和变化规律稳定的预测精确度较高的特点,提出对空调的销售量进行预测的马尔科夫模型与实践序列法相结合的方法。     

小波变换在蛋白质结构预测中的应用

蛋白质的结构决定蛋白质的生物功能,疏水性在蛋白质结构的形成过程中起到了关键性作用。本文在分析了α螺旋和β折叠的周期性基础上,将氨基酸序列映射为疏水值序列并对其进行小波分析然后再做傅立叶变换从而得到平均功率谱图(PSD)。结果表明采用连续小波变换能有效提取蛋白质二级结构的特征信息。