数据挖掘方法用于参与代谢的小分子生物学功能预测研究

---

文档主要内容

文档类型：博士论文
适用人群：生物信息学、计算生物学、代谢工程及数据挖掘领域的研究人员与研究生。

该文档聚焦于数据挖掘方法在代谢小分子生物学功能预测中的应用，系统研究了代谢途径中小分子与酶的相互作用机制。研究首先通过开发的计算程序对小分子进行表征，并采用改进的拟氨基酸组成对酶进行特征描述，为后续建模奠定基础。在特征选择环节，综合运用了mRMR算法、IFS（增量特征选择）算法与FFS算法，有效筛选出关键特征。建模过程采用最近邻算法，经10折交叉验证与独立测试集验证，预测正确率分别达到85.19% 和85.32%，其中正样本预测正确率分别为86.02% 与86.74%，较前人研究有显著提升。

针对蛋白质与RNA相互作用的研究，文档引入投票法进行建模。从Weka软件中选取34种分类算法，构建了四种投票系统。实验结果表明，投票法的预测性能全面优于单一分类算法，且通过算法选择与加权处理可进一步优化结果。其中，含算法选择的加权多数投票系统表现最佳，独立测试集的平均ACC（总体预测准确率）与平均MCC（马修斯相关系数）分别达到82.04% 与64.70%。

该研究为探索代谢与催化机理提供了新的思路，所构建的计算模型可有效预测小分子与酶的相互作用，并揭示蛋白质调控基因表达的潜在机制。文档中使用的特征选择与集成学习策略，对于处理高维生物数据具有重要参考价值，适用于代谢网络分析、药物靶点预测及酶功能注释等实际场景。