关键词： Learning systems  

摘要： Text Categorization (TC), also known as Text Classification, is the task of automatically classifying a set of text documents into different categories from a predefined set. If a document belongs to exactly one of the categories, it is a single-label classification task; otherwise, it is a multi-label classification task. TC uses several tools from Information Retrieval (IR) and Machine Learning (ML) and has received much attention in the last years from both researchers in the academia and industry developers. In this paper, we first categorize the documents using KNN based machine learning approach and then return the most relevant documents. © 2014 SERSC.

关键词： 编码基因   序列特征   酿酒酵母   转录本   反义   机器学习方法   合作伙伴   蛋白质  

摘要： Recent studies have found many antisense non-coding transcripts at the opposite strand of some protein-coding *** yeast,it was reported that such antisense transcripts play regulatory roles for their partner genes by forming a feedback loop with the protein-coding *** not all coding genes have accompanying antisense transcripts,it would be interesting to know whether there are sequence signatures in a coding gene that are decisive or associated with the existence of such antisense *** collected all the annotated antisense transcripts in the yeast Saccharomyces cerevisiae,analyzed sequence motifs around the genes with antisense partners,and classified genes with and without accompanying antisense transcripts by using machine learning *** weak but statistically significant sequence features are detected,which indicates that there are sequence signatures around the protein-coding genes that may be decisive or indicative for the existence of accompanying antisense transcripts.

关键词： 功能磁共振成像   机器学习   特征选择   模式分类   静息态   脑网络  

摘要： 人类大脑是自然界中最复杂的系统之一，由数量巨大的神经元通过亿万突触相互连接形成一个高度复杂而庞大的结构性网络，是人脑进行信息处理和认知表达的结构基础。随着脑科学研究的深入，越来越多的证据表明大脑的结构性网络和功能性网络密不可分，功能性网络是在结构性网络的基础上，对空间中存在一定距离的不同神经元或脑区之间动态活动相互整合的直观描述，它使各神经元之间、各脑区之间的活动能够协调进行。随着医学影像技术的发展，基于血氧水平依赖（Blood Oxygenation Level Dependent，BOLD）的功能磁共振成像(fMRI)技术，利用其数据构建的功能性脑网络，发现脑并不是一个单纯对外界刺激进行响应的处理器，而是存在着大量自发活动的自组织复杂系统，外界刺激与该系统的内在动力相互作用才能够产生外在的行为表现。因此，通过分析脑自发活动，我们可以获得脑功能更加全面的信息，对于理解脑信息处理机制，研究认知行为的脑基础，以及分析神经和精神疾病中的脑功能异常都具有重要的意义。本文以重大神经和精神疾病的临床应用为目标，以基于静息状态的fMRI技术为突破口，将磁共振影像技术，图像处理技术，信号处理技术，机器学习技术等手段相结合，在模式分类算法，基于功能脑网络的疾病特征识别和判别分析，语言网络的发育等方面进行了系统的研究。\n 基于静息态的fMRI技术研究已经发现BOLD信号自发波动在空间上的一致性，也就是我们常说的静息状态功能连接，已被发现与疾病状态下的脑功能异常有关。近年来，人工智能领域里的机器学习算法逐渐成为一种有力的数据分析工具，被越来越多的研究人员用于功能磁共振数据的研究，与传统单元分析方法不同，机器学习算法是一个多元模式分析方法，能够充分挖掘功能磁共振数据的多元本质并用于脑疾病的早期辅助诊断。本文提出一个基于自适应学习算法的分类器，该算法最大的特点就是把模式分类问题看成是一个样本子集选择的问题，在样本的选择过程中充分利用样本之间的互信息。我们基于该算法，以静息态功能语言网络为特征，评估语言网络的异常在精神分裂症患者临床诊断中的价值，实验发现该模型能有效地分类精神分裂症患者和正常人，分类正确率为83.6％，表明语言网络的异常可以作为一个潜在的生物学标记用于该疾病的临床诊断。\n 除疾病的诊断外，从脑网络角度，研究多个受累脑区在功能上的相互关系，有益于对疾病病理生理机制的理解，也有可能发现新的生物学标记。本文提出了基于支持向量机的多元自适应特征选择算法，以静息态功能连接为特征，系统研究了精神分裂症患者功能脑网络异常的分布情况。实验结果表明精神分裂症患者的功能连接异常主要分布在边缘系统和旁边缘系统。此外，我们还进一步发现精神分裂患者的脑网络小世界属性异常，即低内聚和高耦合现象。\n 本文采用基于线性支持向量机的多元模式分析方法，将上述的静息态fMRI技术应用到语言网络发育的研究中。语言获得是人类的一个最根本特征，而且很显然，是大脑承担着这项发育变化。一个孩子可以在几年获得任何一种自然语言，而不需要分析思维的帮助，也不需要额外的“语法”指导。这种特独的语言能力是如何伴随大脑发育的？本文将予以探索。

关键词： 基质金属蛋白酶-13   选择性抑制剂   机器学习方法   支持向量机   随机森林   虚拟筛选  

摘要： 基质金属蛋白酶-13(MMP-13)为预防和治疗骨关节炎(OA)提供了充满希望的靶标.通过抑制剂来阻断MMP-13的活性将会对治疗OA疾病产生潜在的作用.然而,宽谱抑制剂同样抑制MMP家族的其它成员,特别是MMP-1,这将会导致肌与骨的综合症.因此,设计和发现潜在的MMP-13相对于MMP-1的高效选择性抑制剂,在对治疗OA新型药物的研发中具有相当重要的现实意义.本研究通过两种机器学习方法(ML):支持向量机(SVM)和随机森林(RF)来建立分类模型,用于预测不同结构的MMP-13对MMP-1的选择性抑制剂.所建这些模型的预测效果都已经达到了令人满意的精度.在这两种ML模型中,RF对于MMP-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%.同时,与MMP-13对MMP-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来.最后,用预测效果最好的RF模型虚拟筛选了ZINC数据库的"fragment-like"子集,从而得到了一系列潜在的候选药物.研究表明,机器学习方法,特别是RF方法,对于发现潜在的MMP-13选择性抑制剂十分有效.同时还得到了一些与MMP-13的选择性抑制相关的分子描述符.

关键词： 天然产物   合成分子   机器学习   打分模型   药物设计  

摘要： 随着药学的发展，人们逐渐发现通过化学合成的方式寻找新药具有研发成本高，研发周期很长，筛选命中率太低并且毒性很高等缺点，科学家们现在开始更多的从天然产物中寻找新药，天然产物成为药物发现的重要源泉。\n 本课题首先研究了Etrl等人已发表的基于分子片段分离天然产物的方法，并通过实验证明该方法在预测分子量较大的天然产物时所存在的不足，之后本课题以多种机器学习算法为基础构建了化合物类天然产物性评价的打分方法，并对比了Etrl等人的方法。\n 本文用14132个天然产物分子和42490个合成分子做训练集，用Dragon6.0软件计算得到了2514个分子描述符，并使用WEKA软件内设的CFS算法选出其中相关性最好的46个分子描述符进行模型的构建，构建好类天然产物性打分模型后，用测试集进行预测。结果显示决策树算法对天然产物的预测正确率为93.7％，对合成分子的预测正确率为97.7％，总预测正确率为96.7％;随机森林算法对天然产物的预测正确率为98.9％，对合成分子的预测正确率为99.8％，总预测正确率为99.6％;朴素贝叶斯算法对天然产物的预测正确率为97.6％，对合成分子的预测正确率为98.6％，总的预测正确率为98.3％。\n 结果表明，本课题基于机器学习方法构建类天然产物性打分模型不仅对总样本的预测正确率较高，而且对正负样本都有很高的预测正确率，能对天然产物和合成分子进行很好的分离，与Etrl等人的方法相比有更好的准确率和普适性。

关键词： 机器学习   人工智能   李群机器学习   核机器学习   流形学习  

摘要： 本文以什么是机器学习、机器学习的发展历史和机器学习的主要策略这一线索,对机器学习进行系统性的描述。接着,着重介绍了流形学习、李群机器学习和核机器学习三种新型的机器学习方法,为更好的研究机器学习提供了新的思路。

关键词： 软件产品   质量缺陷   预测性能   非均衡分类   随机森林算法   代价敏感  

摘要： 软件缺陷的存在不仅危害软件产品质量，还增加软件组织的管理成本，延缓了开发和发布进度。软件缺陷预测可以通过历史数据、已经发现的缺陷等表征软件相关产品、过程、资源特征的软件度量数据，来预测软件的缺陷数目和分布，是一种重要的缺陷预防和控制方式。目前软件缺陷预测的研究主要是从历史数据获取来源和预测方法这两方面入手。然而，获取到的软件历史缺陷数据往往是非均衡的，易错样本比例往往不足20％。传统的预测方法通常会以预测整体准确率为目标，而忽略少数类样本，进而给易错数据样本带来极大的误分率。因此，缺陷预测是一个非均衡分类问题。\n 非均衡分类问题是目前机器学习领域的一个热门课题，涵盖了从数据预处理角度和算法改进角度入手的两大研究方法。基于抽样的非均衡分类方法也有很多相关研究，然而对于最优的抽样方法和最优的分类算法，以及如何选择合适的抽样比例，都没有得到一个统一的结论，很多研究往往是单维度地考虑抽样方法或分类算法的优劣。\n 针对这一问题，本文提出使用经验研究的方法，在软件工程领域采用所提出的非均衡分类模型进行软件缺陷分类预测，多维度对比分析各类抽样方法、抽样比例和机器学习算法对缺陷预测中数据分布非均衡问题的解决能力。本文将该模型应用于真实的NASA数据集进行案例研究。通过经验性地系统化对比分析12种已有抽样与分类算法组合的预测性能优劣，得到SpreadSubsampling和随机森林结合的方法(SP-RF)综合表现最好，但具有较高伪正率(FPR)。\n 为了进一步提高预测性能，针对原始SP-RF方法会对原始数据带来较大的噪音及信息缺失等不足，从不同角度提出了两种基于SP-RF的改进算法，分别为内置均衡化抽样的自适应随机森林改进算法(IBSBA-RF)和基于样本分布加权投票的自适应随机森林算法(VBRF)。实验表明，IBSBA-RF算法可以显著降低预测结果的FPR，并且进一步提高了预测结果的AUC和Balance值。此外，本文还根据IBSBA-RF方法和VBRF方法设计并实现了支持基于非均衡分类模型的缺陷预测工具。

关键词： 自然语言处理   词义消歧   特征工程   机器学习方法   机器翻译  

摘要： 汉语的一词多义现象使机器对自然语言的处理带来了许多困难，很多自然语言处理领域的问题归根结底都是解决词语的歧义问题。如何才能让计算机理解一个歧义词在其特定的上下文中准确的含义是词义消歧需要解决的首要问题。词义消歧对于很多自然语言处理的应用问题都有非常重要的作用，诸如信息检索、机器翻译、文本分类和自动文摘等。 本文研究的是统计学习方法中的有指导的词义消歧方法，这种方法与机器学习方法的结合是当前主流的词义消歧方法。而且这种方法的灵活性好，扩展性高，同时还能够应付语言的发展变化，受到了国内外学者的一致好评。本文主要有以下几部分的研究内容： 首先，研究了词义消歧的多种分类方法，介绍了比较权威的词义消歧评测体系，并提出了在词义消歧的过程中可能遇到的问题及解决方案。 其次，研究了词义消歧特征工程的两方面内容：特征的提取和特征的选择。在特征提取部分，研究了基于滑动词窗和基于句法分析树的特征提取方法，重点阐述了句法分析树的建立过程以及基于句法分析树的特征提取方法的算法流程。在特征选择部分，研究了基于词的特征提取方法，利用句法信息的特点，提出了将句法信息和词性信息融合的特征选择方法。同时，根据朴素贝叶斯模型的鲁棒性和适用性等特点，优化了基于句法树的贝叶斯词义消歧分类模型。 最后，研究了词义消歧模块在机器翻译中的应用。在实际机器翻译系统中加入了词义消歧模块，虽然研究并不完善，得到的结果也不是很令人满意，但也能给机器翻译提供一定的现实意义。

关键词： 内侧颞叶癫痫   机器学习   扩散张量成像   基于纤维束的空间统计方法   白质   白质网络  

摘要： 第一部分应用机器学习方法及DTI-TBSS技术对内侧颞叶癫痫患者全脑白质的研究 目的 以往的研究表明内侧颞叶癫痫患者的脑白质损伤不仅仅局限于颞叶白质,而是广泛分布于全脑白质区域,但是由于样本量以及研究技术的不同,这些发现常常发生变化,有时甚至得到相反的结果;而且传统的组水平的统计学方法无法在个体水平评估异常脑白质区域的疾病鉴别能力。当前机器学习方法已经广泛的应用于磁共振数据分析,因为它能够从影像数据中提取出新的信息和感兴趣的模式,找到基于全脑影像数据的生物学标记,并从个体水平区别病人与正常被试。本文利用机器学习方法、磁共振扩散张量成像技术(diffusion tensor imaging, DTI)以及基于纤维束的空间统计方法(Tract-based spatial statistics, TBSS)研究内侧颞叶癫痫患者全脑白质微结构改变情况,探讨机器学习方法,基于全脑DTI数据,能否将左侧、右侧内侧颞叶癫痫患者以及正常对照在个体水平区分开来,并达到较高的识别率;找到最具有疾病区分能力的白质区域,并作为内侧颞叶癫痫的生物学标记进行讨论,为内侧颞叶癫痫的临床诊断、治疗、术前及术后评估提供客观的科学依据。 材料和方法 1.研究对象 研究被试包括66人,其中内侧颞叶癫痫组32人,均为右利手[其中左侧内侧颞叶癫痫17人,男性11例,女性6例,年龄：24(18-42)岁,教育程度：12(6-16)年,病程：11(0.5-26)年,发病年龄：14(3-32)岁;右侧内侧颞叶癫痫15人,男性9例,女性6例,年龄：32(19-43)岁,教育程度：12(9-12)年,病程：11(3-33)年,发病年龄：18(5-34)岁],全部来自广东三九脑科医院住院病人,健康对照组34人[男性20人,女性14人,年龄：25.5(18-44)岁,教育程度：12(6-16)年]。三组之间的性别、年龄及受教育程度均没有显著性差异。左侧和右侧内侧颞叶癫痫组的病程及发病年龄均没有显著性差异。所有内侧颞叶癫痫患者均为住院病人,均行常规MRI检查,以及视频脑电检查,脑电图包括头皮电极或/和蝶骨电极。内侧颞叶癫痫纳入标准：①癫痫发作类型与临床症状符合1981年以及1989年国际抗癫痫联盟的诊断和分类标准;②发作期或发作间期脑电图EEG显示异常放电起源于颞部;③MRI检查于FLAIR序列显示患侧海马信号增高,体积缩小。排除标准：①颅内占位性病变(如肿瘤、血管畸形及皮层发育不良等),颅脑外伤及精神类疾病等;②EEG定位与海马硬化的位置不符;③双侧海马硬化。健康对照组既往无任何神经系统疾病,临床神经系统检查未见明显阳性体征,常规MRI扫描脑内未见明显异常信号灶。所有检查对象均知情同意。 2.磁共振DTI数据采集 磁共振DTI数据采集使用飞利浦1.5T磁共振扫描仪(Philips Gyroscan Intera1.5T),并采用6通道相位陈列(神经血管线圈6,NV6)线圈接受核磁共振信号。DTI数据采集采用单次激发自旋回波平面序列,平行于大脑前后联合得到全脑轴位弥散加权成像。b=800s/mm2共32组图像(32个扩散梯度方向),和一组扩散敏感系数b=0的非扩散加权图像。磁共振扫描具体参数如下：TR=11000ms:TE=72ms;翻转角(flip angle):900;矩阵(matrix size)=144×144:视野(FOV)=230mmx230mm:激励次数(NEX)=1;层厚=2.0mm;层间距=0;层数=67。 3.数据预处理和图像分析 首先,将原始的DICOM格式的数据转化为用于数据分析的NIFTI格式。然后利用McFliirt (FSL工具)将四维的扩散张量图像配准到第一幅图像,以便于消除头动误差。之后,利用FSL软件将配准后的扩散张量图像进行失真校正(电涡流引起)。完成这些步骤后,利用FSL脑提取工具(BET)将处理后的图像进行脑提取,最后利用DTIFit (FMRIB Software Library’s Diffusion Toolbox)在每个体素中建立扩散张量模型,并生成FA值图像。 接下来,利用TBSS来找到左、右侧患者组及健康对照组之间白质FA值存在差异的区域。首先通过将每个被试的FA值图像互相配准得到一幅目标图像,以此来确定最具有代表性的被试。然后使用仿射变换将这个目标图像标准化到MNI152标准空间中。将所有被试配准到目标图像再使用FNIRT (FSL工具)非线性将它们配准到分辨率为1×1×1mm的MNI152空间。这个过程创建了一个平均FA值骨架,这个骨架表示这组被试中所有纤维束的共同中心。所有被试配准后的数据都投射到FA值骨架上,得到的结果数据用于体素级别的分类。 4.分类 首先,FA骨架图像被连成特征向量,并形成一个大的特征矩阵。由于FA骨架

关键词： Heuristic methods  

摘要： Quantitative structure activity relationship (QSAR) models for prediction of the ECinf50/inf of the peroxisome proliferator-activated receptors (PPARs) have been developed basis on the linear heuristic method(HM). Molecular descriptors were used to represent the characteristics of compounds. HM was used to pre-select the whole descriptor sets and to build the linear model. The new compounds were designed according to the QSAR models. The same descriptors were applied in the model and the satisfied ECinf50/inf values were obtained for the designed compounds. The selected descriptors will help for new drug design and the models are available for predicting the ECinf50/inf of the new drugs. © 2014, Journal of Chemical and Pharmaceutical Research. All rights reserved.