生物信息学数据挖掘

背景

—–之前也跟大家讲了一些有关于自己经历的东西，接下来要跟大家分享的是自己在研究生阶段的所学所做的东西，研究生阶段还是很迷茫的，这个迷茫不像是本科阶段亦或是高中阶段，这个阶段的迷茫是完全自主的迷茫(当然不排除有些导师很闲有时间管你)，是需要做出创新的阶段，我的导师是院长，可想而知，忙的基本没有时间很细节的管我，大体上每周有一次周会，一次周报来询问下最近做的怎么样，最近的情况，具体的细节，只有靠自己。师兄师姐不用讲，自然跟我情况差不多，而且要找实习找工作，自然与你交流的时间也少很多，何况自己也不好意思一直打扰师兄师姐，毕竟大家都有自己的事，都有自己的生活。

—–还有一个原因，为什么要写这么一个博客，是因为，我自己本身也很喜欢逛博客，很喜欢看技术人员的生活，但是我有一点很少看到，那就是做研究的人员发的技术贴，我认为研究这个东西，首先就很有区分度，有一定的难度，特别是对于没人带的菜鸟来讲，当然我也是菜鸟，写这篇博客，只是为了记录自己的研究之路的成长并分享与大家。

2017上半年的想法

   上半年我想着是主要是从Rosetta入手，进行蛋白质三维结构预测，想着通过Rosetta蛋白质骨架预测，深入了解，然后对于Rosetta骨架预测的方法进行改进，从而更好的进行蛋白质三维结构预测，我找了许许多多这方面的论文（在附件），这些论文，对于蛋白质结构生物学预测的知识以及专有名词与用法很多，而对于机器学习的方法叙述与使用较少，而使我花大量的时间去研究蛋白质生物学，对于机器学习越走越远，由于我也是一名蛋白质预测的入门学生，初衷也是以蛋白质预测为背景，机器学习为方法，R和Python为工具来进行研究，而且开始阶段只能比着葫芦画瓢，因此我放弃了深入进行Rosetta蛋白质三维结构预测这一想法。

八月下旬的想法

   想法：放弃深入进行Rosetta三维结构蛋白质预测，并不意味着不用Rosetta了，转而，我想着是使用Rosetta生成的蛋白质集合作为数据集来进行蛋白质最优结构的挑选，因为从头预测蛋白质本身就是一次次不准确(准确这里指接近天然蛋白质，下同)的尝试，与其把时间花在生成更为准确的蛋白质三维结构，不如退而求其次，在Rosetta生成的蛋白质集合里面或者是现有的数据集里面提取更为准确的蛋白质，说不定会柳暗花明又一村，获得比花时间在从头预测得到的效果更好。
   实践：思路来源于该论文—黄旭，吕强，钱培德：蛋白质结构预测聚类算法的评估。论文中所讲的蛋白质结构预测的三个维度，第一个维度，衡量标准RMSD、GDT-TS、TM-score，第二个维度，数据集，第三个维度聚类算法，天然蛋白质就在这个三维坐标系的某一个位置，我需要做的，就是找出这个位置，而且比作者找的位置有更好的衡量标准，首先第一步，我实现了TMs