自动无监督查询算法与蛋白质亚细胞定位预测技术

### 自动无监督查询算法与蛋白质亚细胞定位预测技术 在信息提取和生物信息学领域，自动无监督查询算法以及蛋白质亚细胞定位预测技术有着重要的应用。下面将分别介绍这两方面的内容。 #### 1. 自动无监督查询算法 自动无监督查询算法主要用于信息提取，其整体流程包含多个步骤，并且在查询扩展过程中采用了多种技术。 ##### 1.1 算法流程 该算法的主要步骤如下： 1. **信息提取**：对文档进行信息提取，从文档中生成一组提取的模式，并将这些模式保存在模式库中。 2. **新查询检索**：运行上一步得到的新查询，从数据库中检索一组有前景的文档，然后回到第二步，整个过程重复进行，直到没有新的额外文档被检索到。 ```mermaid graph LR A[信息提取] --> B[生成模式并保存到模式库] B --> C[运行新查询] C --> D[检索文档] D --> E{是否有新文档} E -- 是 --> C E -- 否 --> F[结束] ``` ##### 1.2 查询扩展过程 查询扩展过程主要包括关键短语提取、关键短语排序和查询转换为析取范式（DNF）三个方面。 - **关键短语提取**：在DocSpotter中，关键短语提取包括构建提取模型和提取关键短语两个阶段，这两个阶段完全自动化。 - **关键短语排序**：采用Robertson - Spark Jones算法对候选关键短语进行重新加权，该算法在信息检索中表现良好，并且易于集成到DocSpotter中。 - **查询转换为DNF**：将查询转换为DNF的算法有基于分类、决策树和基于词库等多种。DocSpotter采用基于词性（POS）类别的翻译技术，该技术无需训练，易于集成到其他领域。具体来说，定义了四种不同的短语类别：MESH术语类别、非MESH名词类别、非MESH专有名词类别和动词类别。对于排名前N的关键短语，DocSpotter会查找MESH以确定每个关键短语是否存在相应的标题，然后将关键短语分类并转换为DNF和合取范式（CNF）。 ##### 1.3 评估 为了评估DocSpotter在蛋白质 - 蛋白质相互作用提取任务中的性能，进行了实验，并与SLIPPER进行了比较。 - **SLIPPER**：SLIPPER是一种基于监督规则的查询扩展技术，它学习简洁的规则，如“protein AND interacts” --> Useful，并将这些规则转换为搜索引擎语法中的合取查询。 - **实验结果**：实验结果表明，随着迭代次数的增加，DocSpotter能够检索到更多包含蛋白质 - 蛋白质对的文档。与SLIPPER相比，DocSpotter在所有四次迭代中的准确率都高出17.90% - 29.98%。 | 迭代次数 | 检索到的文档数 | 包含蛋白质 - 蛋白质对的文档数 | | ---- | ---- | ---- | | 第一次 | 30 | 18 | | 第二次 | 609 | 289 | | 第三次 | 832 | 352 | | 第四次 | 1549 | 578 | #### 2. 投票模糊k - NN预测蛋白质亚细胞定位 在生物信息学中，预测蛋白质的亚细胞定位对于理解蛋白质的功能至关重要。这里介绍一种基于归一化氨基酸对组成的投票模糊k - NN方法。 ##### 2.1 研究背景 随着蛋白质序列进入数据库的数量迅速增加，开发一种能够从蛋白质序列自动识别蛋白质亚细胞位置的强大工具变得尤为重要。以往的方法大多基于氨基酸组成，但这种方法会丢失蛋白质序列的顺序信息。因此，需要新的序列编码方案来捕捉序列顺序特征。 ##### 2.2 特征提取 为了提