一种新的预测蛋白质二级结构的模型—贝叶斯神经网络  

BNN: A Novel Model for Prediction of Protein Secondary Structure

作　　者：邵建林[1] 徐东[2] 王兰州[1] 王翼飞[2] 

机构地区：[1]中国计量学院生命科学学院,浙江杭州310018 [2]上海大学理学院,上海200436

出　　处：《计量学报》2006年第3期281-285,共5页Acta Metrologica Sinica

基　　金：国家863高技术研究发展计划(2002AA234021);中国计量学院自然科学基金(XZ0443)

摘　　要：提出了一种新的基于贝叶斯神经网络(BNN)的蛋白质二级结构预测方法。计算结果表明,BNN的性能优于反向神经网络(BPNN),平均Q3精度在四组交叉证实数据集与测试数据集下分别提高了3.65%和4.01%;还提出了一种有效缩短马尔可夫链蒙特卡罗(MCMC)模拟过程中“burn in”阶段的交叉证实初值选取方法。A novel model based on Bayesian neural networks for prediction of protein secondary structure is provided and a comparison of the performance of Bayesian neural networks （BNN） with traditional BP neural networks （BPNN） is made. Results indicate that BNN outperforms the BPNN, improving 3.65 % and 4.01% with average Q3 on the 4-fold cross-validation data sets and test data set respectively. In addition, a so-called cross-validation method for setting initial values, which shortens the burnin phase during Markov chain Monte-Carlo （MCMC） simulation substantially is advanced.

关 键 词：计量学 蛋白质二级结构 贝叶斯神经网络 马尔可夫链蒙特卡罗模拟 方差信息准则 BGR收敛性诊断 

分 类 号：TB99[一般工业技术—计量学]