统计学习理论是20世纪90年代逐渐成熟的机器学习理论, 以这种理论为基础的支持向量机与以往的学习机器相比具有支持小样本、不会陷入局部势井、鲁棒性好以及运算成本低等优势。 实现这种理论的支持向量机算法已经成为机器学习和知识挖掘的标准工具。
自从2001年支持向量机被**用于蛋白质二级结构的预测以来, 这种算法发展到蛋白质的结构类型、亚细胞结构和膜蛋白的结构等领域的预测中。 《蛋白质结构预测》详细介绍了依据统计学习理论构建支持向量机的方法、各种相关软件原理和使用方法, 并以二级结构和结构域为例介绍了以支持向量机为工具预测蛋白质结构的方法。 书中使用了大量的原创性实验结果, 理论联系实际, 详细阐述了以支持向量机为工具预测蛋白质结构的全过程。
《蛋白质结构预测》适合从事蛋白质结构基础研究的学生和科技工作者阅读。

蛋白质由氨基酸残基线性序列构成,折叠成特定的空间构象后,蛋白质就具有相应生物学活性和功能��了解氨基酸残基序列与其空间结构的关系,是全面认识蛋白质结构和其生物学功能的关系的重要前提。近些年来,蛋白质序列数据库的数据积累速度非常快,与之相比,蛋白质结构数据库的数据积累速度远不及序列数据库的数据积累速度。尽管蛋白质结构测定技术有了较为显著的进展,但是通过实验方法确定蛋白质结构的过程仍然非常复杂,实验周期很长。
另外,随着DNA测序技术的发展,人类基因组及很多模式生物基因组已经或将要完全测序,DNA序列数量将会急增。由于DNA序列分析技术和基因识别方法的进步,人们可以从DNA序列直接推导出大量的蛋白质序列,这将导致蛋白质序列数据数量急剧增加。了解了这些序列的结构,可以使它们直接为人类服务。
氨基酸残基序列的结构分析是对生物学家的极大挑战。20世纪60年代后期,Anfinsen首先发现去折叠蛋白或者说变性蛋白质在允许重新折叠的实验条件下可以重新折叠到原来的结构,这种天然结构对于蛋白质行使生物功能具有重要作用,蛋白质只有在折叠成其天然结构的时候才能具有完全的生物活性。因此Anfinsen提出了蛋白质折叠信息隐含在蛋白质N--NN构中的观点。以这种观点为基础,通过对蛋白质一级结构的研究,发现其折叠密码后,仅通过一级结构信息就能预测蛋白质空间结构。
蛋白质结构预测主要有两大类方法。一类是蛋白质分子特性理论分析方法或从头算方法,通过理论计算(如分子力学、分子动力学计算)进行结构预测。该类方法假设折叠后的蛋白质取能量*低的构象。从原则上来说,人们可以根据物理、化学原理,通过计算来进行结构预测。另一类蛋白质结构预测的方法是统计学方法。该类方法对已知结构的蛋白质进行统计分析、建立序列到结构的映射模型、进而根路映射模型对未知结构的蛋白质直接从氨基酸序列预测结构。这是进行蛋白质结陶预测较为成功的一类方法。这类方法包括经验性方法、结构规律提取方法、同源漠型化方法等。统计学方法本身就是不确定性方法,目前虽然还不能完全替代**类方法而成为预测蛋白质结构的主要方法,但是发展前景很广阔。其中以统计学习哩论为基础的支持向量机预测蛋白质结构的方法发展非常迅速。
统计学习理论是在20世纪90年代逐渐成熟的机器学习理论,以这种理论为基础的支持向量机与以往的学习机器相比具有支持小样本、不会陷入局部势井、具有很好的鲁棒性以及运算成本低等优势。

前言
第1章 蛋白质结构预测概述
1.1 蛋白质预测基本方法简介
1.2 蛋白质二级结构和结构域预测方法简介

第2章 相关知识背景
2.1 生物信息学
2.1.1生物信息学的定义、目的、内容和发展趋势
2.1.2基因组学
2.1.3蛋白质组学
2.1.4数据库
2.2 蛋白质序列、结构与功能的关系
2.3 机器学习
2.3.1机器学习的定义和特点
2.3.2基本的机器学习模型
2.3.3机器学习方法分类
2.3.4应用于生物信息学领域的机器学习方法

第3章 统计学习理论
3.1 学习问题的表示方法
3.1.1概述
3.1.2学习问题的一般表示
3.1.3学习问题的模型
3.1.4经验风险*小化原则
3.1.5复杂性和推广能力
3.1.6模式识别问题
3.2 统计学习理论的四个部分
3.2.1学习过程的一致性
3.2.2学习过程收敛速度的界
3.2.3控制学习过程推广能力的理论

第4章 构造支持向量机
4.1 优化理论
4.1.1问题公式化
4.1.2拉格朗日理论
4.1.3KKT理论
4.2 支持向量机
4.2.1支持向量机基本原理简介
4.2.2线性分类
4.2.3非线性分类
4.2.4多重分类

第5章 应用于支持向量机的主要算法
5.1 支持向量机算法中目前的研究状况
5.2 分解算法
5.3 顺序*小优化算法
5.3.1顺序*小优化算法的原理
5.3.2两个拉格朗日乘子的优化问题
5.3.3选择待优化拉格朗日乘子的启发式方法
5.3.4每次*小优化后的重置工作
5.3.5顺序*小优化算法的特点和优势

第6章 Libsvm简介
6.1 公式
6.1.1C一支持向量分类(二元)
6.1.2支持向量分类(二元)
6.2 二次规划问题的解决
6.2.1C-SVC的分解算法
6.2.2工作集的选择和停止循环的标准
6.2.3支持向量分类的分解方法
6.2.4解析解法
6.2.56和p的计算
6.3 压缩和缓存
6.3.1压缩
6.3.2缓存
6.4 多元分类
6.5 非平衡数据集
6.6 模型的选择
6.7 预测蛋白质结构中运用Libsvm的基本操作方法

第7章 蛋白质二级结构预测
7.1 蛋白质结构
7.1.1蛋白质的一级结构
7.1.2蛋白质的二级结构特征
7.1.3蛋白质结构域、三级结构与四级结构
7.2 蛋白质二级结构定义
7.2.1DSSP数据库中的蛋白质二级结构特征识别
7.2.2蛋白质二级结构鉴别方法
7.2.3DEFINE算法对于蛋白质二级结构的定义
7.2.4P.Cruve方法
7.3 蛋白质二级结构预测
7.3.1概述
7.3.2样本集的选择
7.3.3二级结构规类方法
7.3.4运用支持向量机进行蛋白质结构预测的样本提取方法与编码规则
7.3.5二级结构预测准确率评估方法
7.3.6蛋白质二级结构预测结果

第8章 蛋白质折叠类型的预测
8.1 简介
8.2 蛋白质结构域数据
8.2.1DALI算法和FSSP数据库--距离矩阵比对的蛋白质结构比较
8.2.2CATH蛋白质结构域数据库
8.2.3SCOP数据库
8.2.4SCOP、CATH和FSSP的关系
8.3 蛋白质结构域的支持向量机预测方法
8.3.1蛋白质结构域预测中的样本集选择
8.3.2编码方法
8.3.3拓扑预测准确率的评估方法
8.3.4分类器设计与软件使用方法
8.3.5结果与分析
8.4 小结
8.4.1结论
8.4.2讨论
参考文献
附表1Rsl26数据集
附表2cB513数据集
附表3蛋白质结构域拓扑层预测样本集
附表4蛋白质结构域同源超族层预测样本集
附表5蛋白质结构域序列家族层样本集
……