基于支持向量机和极限学习机的功能位点识别的任务书.docx

基于支持向量机和极限学习机的功能位点识别的任务书
一、任务背景
生物信息学是在生物学、计算机科学、数学、信息学等诸多学科的交叉融合下形成的一门新兴学科，它利用计算机技术和信息学方法研究生物信息，如基因序列、蛋白质结构和功能等。其中，功能位点是生物分子的结构中一些关键性质的位置，对于生物学研究非常重要。因此，功能位点识别成为了生物信息学领域的一个重要问题。
功能位点识别是一项基于生物分子序列进行分析和预测的技术，其本质是通过对生物分子序列中的特征进行提取和分析，从而预测序列中具有关键生物学功能的位置。支持向量机（SupportVectorMachine，SVM）和极限学习机（ExtremeLearningMachine，ELM）是两种常用于生物信息学领域的机器学习算法，在功能位点识别任务中也常常被使用。
二、任务描述
本次任务要求实现基于支持向量机和极限学习机的功能位点识别。具体要求如下：
1.首先从生物序列数据集中提取关键特征，例如：氨基酸序列、化学性质、二级结构和稳定性等等。
2.分别使用支持向量机和极限学习机对特征进行训练，并预测序列中的功能位点位置。
3.通过比较两种算法的表现，分析它们在功能位点识别任务中的优缺点，并提出可能的改进策略。
三、任务要求
具体实现时，需要注意以下要求：
1.选择适当的生物序列数据集，并确保数据集的质量和可靠性。
2.在特征提取阶段，考虑哪些特征对功能位点的识别有决定性作用，从而剔除噪声和无用信息。
3.模型的训练和测试需要进行合理的优化，并参考相关文献确定模型参数。
4.请尽可能清晰地呈现实验结果，检查代码是否正确并保证实验数据的可重现性。
5.对于分析结果和改进策略，应展开深入的思考和分析，并结合相关文献进行详细论述。
四、参考文献
[1]KumarR,etal.Functionalsitepredictionofproteinsusingmachinelearningand3Dstructuralinformation.[J]JournalofComputationalBiology,2008,4(11):598-608.
[2]WangS,etal.ReviewofSupportVectorMachineAlgorithmintheAnalysisofProteinStructure.[J]InternationalJournalofBiometrics&Biostatistics,2015,2(6):168-176.
[3]HuangGB,etal.Extremelearningmachines:asurvey.[J]InternationalJournalofMachineLearningandCybernetics,2014,5(2):121-136.
[4]CarpenterB,etal.Combiningsupportvectormachinesandneuralnetworksforimprovedproteinsecondarystructureprediction.[J]Proteins:Structure,Function,andBioinformatics,2005,61(4):943-951.