==== |
====== |
========= |
======= |
===== |
==== |
==== |
==== |
======= |
======= |
============ |
| 一般文献 | 药物设计 | 药物数据库文献 | DNA序列分析 | 氨基酸序列分析 | 计算神经科学 | 医学图像处理 | AI顶刊文献 |
| 图神经网络 | 自然语言处理 |
1. A 2D Non-degeneracy Graphical Representation of Protein Sequence and Its Applications. CURRENT BIOINFORMATICS 卷: 15 期: 7 页: 758-766 出版年
背景：蛋白质序列比较是生物信息学的一个重要研究领域。许多无对准的方法已经被提出。
目的：为了挖掘蛋白质序列的更多信息，本研究基于氨基酸的理化性质，提出一种新的无比对方法。
方法：定义平均理化值（Apv）。对于给定的蛋白质序列，根据Apv和氨基酸的位置勾画出一条二维曲线，曲线上不存在环状和交叉。根据该曲线可以分析蛋白质序列的相似性/相异性。
结果与结论：以两组蛋白质序列为例说明了新方法的有效性，该方法能正确地对蛋白质序列进行分类，结果与ClustalW方法的结果具有很好的相关性。新方法简单有效。
2. DCGR: feature extractions from protein sequences based on CGR via remodeling multiple information. BMC BIOINFORMATICS 卷: 20 文献号: 351 出版年: JUN 20 2019
背景蛋白质特征提取在蛋白质序列的相似性分析以及蛋白质结构、功能和相互作用的预测等领域发挥着重要作用。基于图形表示的特征提取是最有效的方法之一。然而，大多数现有的方法都受到其方法的限制设计结果We介绍了一种基于混沌博弈表示的蛋白质序列特征提取方法DCGR，该方法是根据氨基酸的理化性质构造蛋白质序列的CGR曲线，然后进行转换利用CGR图像中点的分布，将CGR曲线转化为多维特征向量。在五个数据集上测试，DCGR显著优于最先进的特征提取方法：结论DCGR在从蛋白质序列中提取有效特征方面具有很强的实用性，因此在蛋白质序列的相似性分析中具有重要意义，蛋白质相互作用的研究和蛋白质功能的预测。免费提供https://sourceforge.net/projects/transcriptomeassembly/files/Feature%20Extraction。
3. A novel descriptor of protein sequences and its application. JOURNAL OF THEORETICAL BIOLOGY 卷: 347 页: 109-117 出版年: APR 21 2014
基于氨基酸的三种物理化学性质，提出了一种蛋白质序列的动态三维图形表示方法。图形坐标具有直接的生物学意义，可以反映蛋白质的固有结构。提取了主转动惯量和轴坐标范围信息作为一种新的混合描述符，并将其用于蛋白质一级序列的比较。同时，利用归一化描述向量的欧氏距离作为蛋白质相似性的定量度量，避免了蛋白质序列长度差异的影响。最后，以9个ND5（NADH脱氢酶亚基5）蛋白为例，说明了本文方法的有效性。
4. 20D-dynamic representation of protein sequences. GENOMICS 卷: 107 期: 1 页: 16-23 出版年: JAN 2016.
提出了一种比较蛋白质序列的新方法。氨基酸序列由一组点质量在20D空间中表示。应用在20D空间中行走的方法，得到空间中的点分布。将20D表示投影到2D或3D空间说明了特定氨基酸沿着序列的分布。提出了20D转动惯量作为蛋白质序列的新描述因子。
5. A novel numerical representation for proteins: Three-dimensional Chaos Game Representation and its Extended Natural Vector. COMPUTATIONAL AND STRUCTURAL BIOTECHNOLOGY JOURNAL 卷: 18 页: 1904-1913 出版年: 2020
混沌对策表示（CGR）最早被提出作为DNA的一种图像表示方法，并被推广到其他生物大分子的情况。与DNA的CGR图像相比，现有的蛋白质CGR图像在几何上不太优美，点在CGR图像中的分布含义也不太明显。在这项研究中，我们通过将20个氨基酸自然地分布在一个正十二面体的顶点上，提出了一种新的基于CGR方法的蛋白质序列三维图像表示方法。我们还将每个CGR图像与高维欧几里德空间中的一个向量相关联，称为扩展自然向量（ENV），以便分析CGR图像中包含的信息。基于蛋白质分类和系统发育分析的结果，我们的方法可以作为发现蛋白质间生物关系的精确方法。
6. Deep learning on chaos game representation for proteins. BIOINFORMATICS 卷: 36 期: 1 页: 272-279 出版年: JAN 1 2020
蛋白质序列的动机分类是生物信息学的一项重要任务，有着广泛的应用。不同的机器学习方法存在并应用于这些问题，如支持向量机（SVM）、随机森林（RF）和神经网络（NN）。所有这些方法都有一个共同点，即蛋白质序列在第一步必须是机器可读的和可比较的，因为存在不同的编码。这些编码通常基于序列的物理或化学性质。然而，由于深度神经网络（DNN）在图像识别方面的突出性能，我们采用频率矩阵混沌对策表示（FCGR）将蛋白质序列编码到图像中。在这项研究中，我们比较了支持向量机，RFs和DNNs的性能，训练FCGR编码的蛋白质序列。原始的混沌博弈表示（CGR）主要用于基因组序列的编码和分类，我们对其进行了改进，使其也适用于蛋白质序列，得到了n片表示，一个具有多个图标的图像。
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。