基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测

提出一个新的基于集成学习的预测器（TargetPCM），对蛋白质接触图（特别是中长程）进行高精度的预测。首先，TargetPCM使用加权朴素贝叶斯分类器（Weighted Na？ve Bayes classifier，WNBC）融合3个接触图预测器的输出，其中WNBC中的权重参数通过粒子群算法优化得到；其次，将WNBC融合后的输出和基于序列的特征进行组合，得到更具鉴别能力的特征；在此基础上，应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性，在包含98个非冗余蛋白质的数据集上进行了测试。结果表明：对于短程、中程和长程接触，TargetPCM的Top L/5精度比现有最好的集成预测器（NeBcon）分别提高了8.2%，16.1%和5.3%。在CASP11上进一步的验证表明，对于短程、中程和长程接触，TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器（MetaPSICOV）分别提高了7.4%，9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。