作者姓名：沈红斌 
　　论文题目：数据挖掘的建模及在生物信息学中的应用研究
　　作者简介：沈红斌，男，1979年8月出生，2004年4月师从于上海交通大学杨杰教授，于2007年3月获博士学位。

　　中文摘要
　　随着科学技术的飞速发展，经济和社会都取得了极大的进步，与此同时，在各个领域产生了大量的数据，如何从这些数据中发现有价值的知识及规律，成为目前理论与实践研究的热点与难点。与此同时，生命科学技术的快速发展也产生了大量的生物数据，单纯地利用传统的生物实验方法将很难快速且全面的处理如此多生物数据，从而必然制约了生命科学及制药工程的快速发展。在这种情况下，生物信息学应运而生。生物信息学是一门生物学与信息科学交叉而形成的年轻学科，旨在运用信息学、物理学、化学、数学、计算机科学、系统科学的理论和方法来研究生物系统和生物过程的信息量和信息流，在已有数据的基础之上发现相应的规律和知识并进而用来进一步指导与解释生物实验与生命现象，加速对生命本质特征的认识。本论文在数据挖掘及生物信息学理论与方法上进行了深入的研究与探索。
　　聚类分析是数据挖掘研究中的重要内容，成为各学科研究中的重要工具。但在现实生活中，常常遇到高维数据集的处理且在大多数情况下，这些数据集对于各个聚类存在属性不平衡的现象。根据这一点，本文创新性提出了在核特征空间中的属性加权核聚类算法，实验表明新聚类算法能很好地反映各属性对于各个聚类的重要性，因而取得了比传统聚类算法更好的结果。传统聚类算法的应用对象往往局限于单一独立的数据集，但在很多情况下一个数据集要和其他数据集相互发生关联。基于信息理论，本文首先提出了一合作聚类算法，反映了数据集间的相互作用关系，结果表明聚类结果将受到其他数据集的影响。我们同时也从理论上证明了这两个算法的收敛性。
　　蛋白折叠是比蛋白的三维结构更深层次的知识信息，因而是更加困难的研究课题，同时，从蛋白序列预测蛋白折叠类型能够进一步为预测该蛋白的三维结构提供极有价值的信息。本文从生物系统的复杂性角度出发，创新性地提出了基于集成分类器框架的蛋白折叠预测系统，从多个生物特征角度对序列信息源及特征进行融合决策预测，结果证明所得到的集成预测系统是非常有效的，把蛋白折叠的预测精度提高了6-21%。
　　蛋白的三维结构是标识所有蛋白折叠类型的重要属性。即使蛋白之间所包含的序列信息或者其功能特性有所不同，其所包含的折叠类型或者结构类型也可能是相似的。鉴于此，Levitt和Chothia把蛋白分成以下的4种结构类型：(1) all- ，(2) all- ，(3) 和 (4) 。从蛋白序列出发，预测蛋白的结构类型是蛋白质科学中的重要研究课题。本文首次有机地将有监督聚类算法与模糊系统学习算法结合在一起进行蛋白三级结构预测，提高了蛋白结构预测的精度，该工作第一次将模糊系统学习方法引入到蛋白结构预测中，为生物信息学进一步的研究开辟了新的思路。
　　膜蛋白是一种非常重要的蛋白，占人体蛋白总数的约1/3，但目前已经知道的膜蛋白结构只占1%左右。膜蛋白的主要功能之一是离子通道，我们的认知、感觉、情绪等的产生都是由于这些通道在不停地开关，所以，膜蛋白对人体的重要性是不言而喻的，如phospholamban离子通道蛋白对心脏功能有着重要作用。绝大多数疾病都是由于某一特定的膜蛋白不足引起的，现在市场上销售的80%的药物都集中在膜蛋白上。因此，研究膜蛋白的序列特征以及其三维结构对于了解膜蛋白的功能起着重要的作用，已经成为结构生物学中的研究热点，但同时由于膜蛋白不溶于水的特性也使得生物实验方法求解膜蛋白结构非常困难，这就为我们利用计算方法从序列预测膜蛋白拓扑结构提出了挑战及崭新的课题。本文创新性地提出了基于集成分类器模型及蛋白序列进化信息的新颖PsePSSM离散化模型，提出了融合序列功能域特征及PsePSSM特征的蛋白属性预测框架，并成功应用于膜蛋白拓扑结构预测及酶蛋白功能家族预测，新预测模型在8类膜蛋白的拓扑结构上准确率达到了85%以上，比传统方法的预测精度提高了约30%。
　　蛋白在细胞中的位置信息与其功能特性是密切相关的，甚至即使我们知道了一个蛋白的功能特性，了解该蛋白在细胞中行使功能的位置也是非常重要的。例如，细胞核包含了细胞的遗传因子DNA，控制着细胞的整个活动过程等。但随着人类基因项目的成功实施，人类所发现的新蛋白数目呈现指数增长的趋势，根据国际蛋白数据库UniProtKB/Swiss-Prot的统计，2006年6月份的蛋白数目达到了223,100，比1986年增加了56倍多。面对如此快的蛋白合成速度，单纯依靠生物实验方法测定蛋白的亚细胞位置是几乎不可能完成的任务，迫切希望能通过生物信息学的研究在已经掌握的相关知识的基础上提出预测分析新蛋白的亚细胞位置，为加快生命科学研究及制药工程服务。本文首次在国际上提出并探讨了a) 蛋白在细胞中多个位置出现的预测模型；b) 蛋白在细胞核中出现的位置的预测模型，即 “亚亚细胞位置预测模型”，获得国际学术界的认可；c) 本文首次将亚细胞定位的预测研究推广到覆盖22个亚细胞位置，极大地提高了预测模型的实用价值，并提出了融合蛋白序列高层基因本体特征及序列自身氨基酸特征的蛋白亚细胞位置预测方法，提出了面向不同物种的亚细胞定位的预测新思路；结果表明新算法方法在严格的数据集上获得了比传统算法方法高出35%以上的预测精度，所开发的工具被广泛应用于生物实验中。
　　为了推广理论研究成果的应用，我们在科学研究中还建立了15个在线的生物信息学网站平台：，全世界的相关领域生物学家只要通过互联网提交生物数据，就能得到网站即时运算返回的结果。经不完全统计，网站已被使用了1,100,000余次，极大地推动了生物信息学理论研究的应用成果化。国际上许多生物学家在发表的学术论文中应用了经我们所开发的生物信息学应用平台分析运算得到的相关数据来验证他们的实验结果，获得了良好的评价。

　　关键词：数据挖掘，聚类分析，生物信息学，机器学习，信息理论，证据理论，集成分类器，蛋白结构预测，蛋白亚细胞位置预测，膜蛋白识别，细胞网络，蛋白进化理论