三种基于图拉普拉斯的半监督学习方法在蛋白质功能预测问题中的应用
机器学习
2013-07-12 v3 计算工程、金融与科学
定量方法
机器学习
摘要
蛋白质功能预测是现代生物学中的重要问题。本文将未归一化、对称归一化和随机游走图拉普拉斯-based 半监督学习方法应用于由多个网络整合而成的集成网络，以预测这些网络中所有酵母蛋白的功能。这些多个网络包括：基于 Pfam 结构域构建的网络、蛋白质复合物共参与网络、蛋白质 - 蛋白质相互作用网络、遗传相互作用网络，以及基于细胞周期基因表达测量构建的网络。由于凸优化方法的时间复杂度较高，多个网络采用固定权重进行组合，而非使用凸优化来确定组合权重。这种简单的组合方法不会影响三种半监督学习方法的准确性性能指标。实验结果表明，对于集成网络，基于未归一化和对称归一化图拉普拉斯的方法表现略优于基于随机游走图拉普拉斯的方法。此外，这三种半监督学习方法在集成网络上的准确性性能指标远优于它们在单个网络上的最佳准确性性能指标。
引用
@article{arxiv.1211.4289,
title = {Application of three graph Laplacian based semi-supervised learning methods to protein function prediction problem},
author = {Loc Tran},
journal= {arXiv preprint arXiv:1211.4289},
year = {2013}
}
备注
16 pages, 9 tables