敖培　張紀(jì)　李明　楊百順

摘 要：由于基于蛋白質(zhì)結(jié)晶的X射線晶體成像技術(shù)存在成功率較低的問(wèn)題，因此引入計(jì)算方法篩選容易結(jié)晶的蛋白質(zhì)序列對(duì)于節(jié)約測(cè)定蛋白質(zhì)序列實(shí)現(xiàn)成本意義重大。該文提出一種基于旋轉(zhuǎn)森林的集成極端學(xué)習(xí)機(jī)分類方法，用以提高蛋白質(zhì)結(jié)晶偏好預(yù)測(cè)的準(zhǔn)確性。選擇蛋白質(zhì)序列及序列衍生的信息和蛋白質(zhì)相關(guān)的物理、化學(xué)等性質(zhì)在內(nèi)的20個(gè)特征作為分類特征，采用旋轉(zhuǎn)森林增加集成極端學(xué)習(xí)機(jī)基分類器之間的差異性。實(shí)驗(yàn)結(jié)果表明，該文方法具有較高預(yù)測(cè)精度。

關(guān)鍵詞：旋轉(zhuǎn)森林 極端學(xué)習(xí)機(jī) 蛋白質(zhì)結(jié)晶

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）01（c）-0023-01

該文選擇蛋白質(zhì)序列及序列衍生的信息和蛋白質(zhì)相關(guān)的物理、化學(xué)等性質(zhì)在內(nèi)的20個(gè)特征作為分類特征，采用旋轉(zhuǎn)森林增加集成極端學(xué)習(xí)機(jī)基分類器之間的差異性，建立了集成改進(jìn)的極端學(xué)習(xí)機(jī)蛋白質(zhì)結(jié)晶偏好預(yù)測(cè)模型，以有效提高預(yù)測(cè)的準(zhǔn)確性。

1 極端學(xué)習(xí)機(jī)

極端學(xué)習(xí)機(jī)[1]（ELM，Extreme Learning Machine）在隨機(jī)給定輸入權(quán)值與神經(jīng)元參數(shù)的基礎(chǔ)上，將傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練問(wèn)題轉(zhuǎn)化為求解線性方程組，以直接計(jì)算輸出權(quán)值的最小二乘解的方式完成網(wǎng)絡(luò)訓(xùn)練過(guò)程。

2 旋轉(zhuǎn)森林算法

旋轉(zhuǎn)森林[2]（ROF，Rotation Forest）主要是對(duì)集成分類器的原始樣本特征進(jìn)行處理，通過(guò)一定的特征提取變換獲得集成所需的新樣本，并且在保證分類準(zhǔn)確性的前提下，增加集成分類器個(gè)體間的差異性。

3 基于ROF的極端學(xué)習(xí)機(jī)集成預(yù)測(cè)算法

為了提高集成系統(tǒng)中各分類器之間的差異性，該文提出了一種是用ROF集成多個(gè)ELM神經(jīng)網(wǎng)絡(luò)分類器的方法。具體步驟如下。

步驟1：訓(xùn)練數(shù)據(jù)集輸入初始樣本集X，樣本包括D個(gè)特征，集成ELM神經(jīng)網(wǎng)絡(luò)分類器個(gè)數(shù)L。

步驟2：對(duì)X的D個(gè)特征進(jìn)行等劃分，獲得K個(gè)具有不同特征的樣本子集，Xk表示第D個(gè)樣本子集每個(gè)子集具有D個(gè)特征：M=D/K。

步驟3：對(duì)K個(gè)子集進(jìn)行如下處理：

對(duì)Xk進(jìn)行bootstrap重抽樣，獲得新樣本Xknew；

采用主成分分析對(duì)Xknew進(jìn)行變換處理，獲得主成分系數(shù)向量：ak1，ak2，…，

（M*≤M）；

循環(huán)步驟1）和2），獲得K組主成分系數(shù)，合并得主成分系數(shù)組R。

步驟4：對(duì)R重新排列的R*，獲得新樣本Xnew：Xnew=XR*。

步驟5：用Xnew作為ELM神經(jīng)網(wǎng)絡(luò)分類器的樣本訓(xùn)練一個(gè)集成子分類器Cl（l=1，…，l），循環(huán)次獲得集成ELM神經(jīng)網(wǎng)絡(luò)分類器組：Ω={C1，…，Cl}。

步驟6：分別使用個(gè)ELM神經(jīng)網(wǎng)絡(luò)分類器對(duì)測(cè)試樣本集進(jìn)行分類，獲得預(yù)測(cè)函數(shù){fl}和預(yù)測(cè)標(biāo)記{hl}。

步驟7：對(duì)預(yù)測(cè)函數(shù)和預(yù)測(cè)標(biāo)記進(jìn)行投票處理，獲得ELM神經(jīng)網(wǎng)絡(luò)集成分類器最終預(yù)測(cè)標(biāo)記Hend。

4 基于集成改進(jìn)ELM的蛋白質(zhì)結(jié)晶偏好預(yù)測(cè)

該文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于PepcDB數(shù)據(jù)庫(kù)中的蛋白質(zhì)鏈，特征選取和計(jì)算方法見(jiàn)參考文獻(xiàn)[2]。經(jīng)過(guò)篩選，分別選擇952條不可結(jié)晶數(shù)據(jù)和可結(jié)晶數(shù)據(jù)集合。從這1904條數(shù)據(jù)集中隨機(jī)抽取1522條數(shù)據(jù)作為訓(xùn)練集，其余的作為測(cè)試集。采用第4部分所提出的的方法進(jìn)行預(yù)測(cè)。為了驗(yàn)證采用本文算法進(jìn)行預(yù)測(cè)的效果，選擇集成RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，集分類器個(gè)數(shù)均選擇為10，如表1所示。從表1中可以看出，采用本文方法的平均預(yù)測(cè)準(zhǔn)確率達(dá)到85.24%，而集成RBF神經(jīng)網(wǎng)絡(luò)模型的測(cè)試準(zhǔn)確率僅為79.04%。

5 結(jié)語(yǔ)

該文采用旋轉(zhuǎn)森林算法提高集成極端學(xué)習(xí)機(jī)基分類器之間的差異性，并將改進(jìn)后的集成分類器用于對(duì)蛋白質(zhì)結(jié)晶偏好進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，與集成RBF神經(jīng)網(wǎng)絡(luò)模型相比，該文方法具有較高預(yù)測(cè)精度。

參考文獻(xiàn)

[1] YU Q，MICHE Y，EIROLA E， et al.Regularized extreme learning machine for regression with missing data[J].Neurocomputing，2013，102：45-51.

[2] 毛莎莎，熊霖，焦李成，等.利用旋轉(zhuǎn)森林變換的異構(gòu)多分類器集成算法[J].西安電子科技大學(xué)學(xué)報(bào)：自然科學(xué)版， 2014，41（5）：55-61.endprint