绑定机构
扫描成功 请在APP上操作
打开万方数据APP,点击右上角"扫一扫",扫描二维码即可将您登录的个人账号与机构账号绑定,绑定后您可在APP上享有机构权限,如需更换机构账号,可到个人中心解绑。
欢迎的朋友
检索详情页
首页 > 成果首页 > 生物数据驱动的机器学习理论及应用
添加标签
×
已添加(0/5):

推荐标签:

生物数据驱动的机器学习理论及应用
成果信息
立项支持
  • 公布年份:
    2016
  • 中图分类:
    TP18
  • 关键词:
  • 成果简介:
    该项目是人工智能技术及其交叉学科的基础理论与前沿领域研究课题。生物数据的海量累积与爆炸式增长,为机器学习方法实现大数据处理提供了机遇,同时对机器学习理论自身的发展提出了新的挑战,如何实现数据解读自动化、知识萃取智能化,并迅速准确地捕捉隐藏其中的复杂模式,提高对生物运行机制的理解,已经成为机器学习领域亟待解决的核心科学问题。该项目在多项国家自然科学基金支持下,在生物数据驱动的机器学习理论及应用方面取得系列研究成果,简述如下:定义残基保守性评分准则,基于相互作用残基空间集聚特性的量化描述,提出了进化保守性特征算子,对蛋白质结构与功能进行分析,揭示了自然选择法则在蛋白质进化过程中的约束作用机理。同时通过空间映射方法对原始数据进行低维重构,在新的度量空间内对蛋白质作用位点距离进行重新定义,突破了作用位点定义所带来的固有数据噪声瓶颈。该工作被多位国际同行称为Wang's方法,在蛋白质相互作用位点预测研究领域被评价为“标准”或“代表性”方法之一。发展新的群智能优化方法,克服传统方法中人为确定参数的缺点,仅基于数据本身的驱动,建立多层多子群粒子群优化模型,优化多分类器集成的选择机制和前馈神经网络的网络结构,在不需要任何先验知识的条件下,实现数据驱动的多目标多个最优解寻找和网络自适应编码,突破了传统的单一优化选择机制约束,有效地提高了模型的识别精度。该工作得到美国俄克拉何马州立大学G. Yen教授(IEEE Fellow)等专家的专门评论和肯定。构建大规模的质谱验证数据集,结合三种不同相似度算法对小分子进行识别,探寻最优保留指数阈值区间,填补了质谱分析中验证数据集缺失的空白,提高了小分子领域的定性分析能力。并提出了一种新的数据奇异点检测去除算法,基于疏水特性的进化信息,对氨基酸残基进行编码,在解决数据集不平衡问题的同时,获得高精度的蛋白质相互作用位点预测性能。英国牛津大学统计学系主任C. Deane教授专门评论了课题组利用奇异点检测来解决数据集不平衡问题的处理策略。 项目组8篇代表作被SCI他引170次,总他引309次;20篇重要论文被SCI他引387次,总他引775次。该项目成果得到了包括美国文理科学院(AAAS)院士R.Jernigan教授、瑞典皇家科学院与皇家工程院院士J.Nielsen教授、美国科学院院士B.Honig教授、土耳其科学院院士T.Haliloglu教授、国际计算生物学协会前主席B.Rost和现主席A.Valencia教授,以及多位ACM/IEEE Fellow等40多个国家和地区的专家学者的引用和积极评价。第一完成人是IEEE高级会员,担任3个国际期刊的编委;入选安徽省学术与技术带头人后备入选,是安徽省“智能控制与信息处理”省级科研创新团队负责人。
相关论文(与本文研究主题相同或者相近的论文)
我的标签
您可以为文献添加知识标签,方便您在书案中进行分类、查找、关联
请输入添加的标签
公   告

北京万方数据股份有限公司在天猫、京东开具唯一官方授权的直营店铺:

1、天猫--万方数据教育专营店

2、京东--万方数据官方旗舰店

敬请广大用户关注、支持!查看详情

手机版

万方数据知识服务平台 扫码关注微信公众号

万方选题

学术圈
实名学术社交
订阅
收藏
快速查看收藏过的文献
客服
服务
回到
顶部