利用神经网络集成预测MHC-Ⅰ类分子结合肽

目的：利用神经网络集成（NNE）预测MHC-Ⅰ类分子结合肽。 方法： 基于HLA-A*0201编码的MHC-Ⅰ类分子结合肽数据库（含有628个9聚物）及其结合能力分类，利用NNE分别对具有无、低、中和高4类亲合性的结合肽进行分类预测；同时还进一步利用T细胞真实表位集（含50个表位）评估了NNE的预测性能。 结果： 集成数为12的NNE对上述分类的平均预测命中率可达0.8,而且NNE对潜在T细胞表位的预测能力也较高，约84%的真实表位归于高和中等亲合性的潜在抗原肽一类。 结论： 可以利用神经网络集成预测MHC-Ⅰ类分子结合肽，并进而预测相应的T细胞表位。经适当修改，NNE预测工具可扩展为能涵盖任意长度的Ⅰ类分子结合肽甚至可扩展到Ⅱ类分子结合肽的预测。     

一种基于主题的概率文档相关模型

现有文档关系分析模型难以从主题层次上判别文档相关性.为此,提出了一个基于主题的概率文档相关模型(TPDC).TPDC借助Latent Dirichlet Allocation模型学习文档的主题结构;在计算出主题后验概率和主题相似度的基础上推导出文档后验概率;基于文档后验概率构建文档相关性分析模型.实验结果证明,TPDC模型在文档检索精度和文档压缩程度两方面优于向量空间模型,因而更能胜任实际应用中的文档检索任务.     

基于自适应混合差分的快速视频目标检测法

目标检测是视频跟踪过程一项重要的处理技术.目前,国内外常用主流的目标检测方法有基于统计的方法和差分法.基于统计的方法(如GMM等算法)计算量较大,而且不适用于快速移动的刚性物体分析;差分法容易造成跟踪对象重叠部分的较大空洞,造成分割结果不连通,而且大多需要人工给定参数阈值.本文针对以上方法的不足,提出了一种适用于分析快速移动刚性物体的目标检测方法:自适应差分法.新方法采用了混合差分策略提高了对象分割质量,并用高斯初始化策略实现了阈值的自适应选取.实验结果表明:自适应差分法比GMM算法、相邻差分法和间隔差分法效果更优且抗噪能力更强,更易应用于实际.