基于HNP模型智能预测方法设计与实现开题报告

1. 研究目的与意义

1.1研究的背景

一种生物体的基因组规定了所有构成该生物体的蛋白质，基因规定了蛋白质的氨基酸序列。虽然蛋白质由氨基酸的线性序列组成，但是它们只有折叠成特定的空间构象才能具有相应的活性和生物学功能。了解蛋白质的空间结构不仅有利于认识蛋白质的功能，也有利于认识蛋白质是如何执行其功能的。确定蛋白质的结构对于生物学研究是非常重要的。

目前，蛋白质序列数据库的数据积累的速度非常快，但是已知结构的蛋白质相对比较少。尽管蛋白质结构测定技术有了较为显著的进展，但是通过实验方法确定蛋白质结构的过程仍然非常复杂，代价较高，因此实验测定的蛋白质结构比已知的蛋白质序列要少得多。另一方面，随着dna测序技术的发展，人类基因组及更多的模式生物基因组已被或将被完全测序，dna序列数量将会急增，而由于dna序列分析技术和基因识别方法的进步，我们可以从dna推倒导出大量的蛋白质序列。

2. 研究内容和预期目标

研究内容:

(1) 了解蛋白质二级结构预测的相关背景知识。

(2) 掌握机器学习的算法知识，并将其运用。

3. 研究的方法与步骤

研究方法，步骤

1、了解蛋白质二级结构预测的背景知识，阅读大量相关书籍及论文。

2、熟练掌握机器学习算法，以应用于研究。

4. 参考文献

（1） 王向红, 章林溪, 赵得禄. 蛋白质分子的 HNP 格点模型[J]. 石油钻探技术, 2004 (2): 273-276.（2） 齐立省, 苏计国, 陈慰祖, 等. 基于 HNP 模型及相对熵的蛋白质设计方法在不同蛋白质体系中的应用[J]. 生物化学与生物物理进展,2008 (9): 17.（3） 黄文奇, 黄勤波, 石赫. 求解蛋白质结构预测问题的二维连续模型及其相应的拟物算法[D]. , 2004.（4） 章林溪, 赵得禄. 新颖的蛋白质格点模型[D]., 2001.（5） 娄立峰. 基于多信息融合的蛋白质结构预测研究[D]. 青岛科技大学, 2018.（6） 陶凤英, 郭雨珍. 利用粒子群算法在菱形网格上预测蛋白质结构 (英文)[J]. 生物信息学, 2017 (2): 6.（7） Mnih V, Kavukcuoglu K, Silver D, et al. Playing atari with deepreinforcement learning[J]. arXiv preprint arXiv:1312.5602, 2013.（8） Mnih V, Kavukcuoglu K, Silver D, et al. Human-level control throughdeep reinforcement learning[J]. Nature, 2015, 518(7540): 529-533.（9） Hausknecht M, Stone P. Deep recurrent q-learning for partiallyobservable mdps[C]//2015 AAAI Fall Symposium Series. 2015.（10） Azizzadenesheli K, Brunskill E, Anandkumar A. Efficient explorationthrough bayesian deep q-networks[C]//2018 Information Theory and ApplicationsWorkshop (ITA). IEEE, 2018: 1-9.

5. 计划与进度安排

(1)2022.3.10----2022.3.31查阅资料，撰写开题报告(2)2022.4.1----2022.4.6需求分析，熟悉开发工具(3)2022.4.7----2022.4.14设计概要并完善(5)2022.4.15----2022.5.8编写代码及设计,进行程序调试(6)2022.5.9----2022.5.20毕业论文资料收集，撰写论文提纲(7)2022.5.21----2022.5.30整理设计文档，撰写毕业论文，准备答辩