• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于特征加權(quán)的蛋白質(zhì)交互識別

    2016-02-23 09:07:52吳紅梅
    計算機技術(shù)與發(fā)展 2016年2期
    關(guān)鍵詞:簽名檔蛋白質(zhì)單詞

    吳紅梅,牛 耘

    (南京航空航天大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,江蘇 南京 210016)

    基于特征加權(quán)的蛋白質(zhì)交互識別

    吳紅梅,牛 耘

    (南京航空航天大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,江蘇 南京 210016)

    在以單詞為特征的模型中,如果特征單詞在不同類別中的使用情況存在明顯差異,那么它對分類有著很重要的影響。因此文中基于大規(guī)模語料庫,研究不同的特征加權(quán)方法對PPI識別的影響。首先,通過搜索醫(yī)學(xué)文獻數(shù)據(jù)庫建立蛋白質(zhì)對的簽名檔,以單詞作為描述蛋白質(zhì)對關(guān)系的特征,構(gòu)建向量空間模型;然后,選擇不同的加權(quán)方法描述單詞重要性;最后,以K近鄰和SVM分類方法構(gòu)建分類器判斷蛋白質(zhì)對是否存在交互關(guān)系。實驗結(jié)果表明,根據(jù)特征向量單詞的重要性進行加權(quán),PPI識別精確度、召回率和準(zhǔn)確率有了明顯的提高。

    蛋白質(zhì)交互;大規(guī)模語料;特征加權(quán);K近鄰;支持向量機

    0 引 言

    蛋白質(zhì)是組成細胞最重要的成分,是生命的物質(zhì)基礎(chǔ),是生命活動的主要承擔(dān)者。蛋白質(zhì)交互(Protein-ProteinInteraction,PPI)是生物學(xué)研究的重要內(nèi)容,也是解決大量醫(yī)學(xué)難題的關(guān)鍵信息。因此,為了構(gòu)建蛋白質(zhì)交互網(wǎng)絡(luò),生物醫(yī)學(xué)領(lǐng)域的專家從醫(yī)學(xué)文獻中手工整理信息以統(tǒng)一的格式錄入數(shù)據(jù)庫,構(gòu)建了HPRD[1]、IntAct[2]、MINT[3]等數(shù)據(jù)庫。

    然而,隨著生物醫(yī)學(xué)的發(fā)展,越來越多的蛋白質(zhì)交互關(guān)系被發(fā)現(xiàn),記載這些蛋白質(zhì)交互信息的醫(yī)學(xué)文獻也隨之急劇增多,手工收集PPI信息的方式也難以滿足需求。為了幫助生物醫(yī)學(xué)領(lǐng)域的專家從文獻中獲取有效的信息,基于自然語言處理的蛋白質(zhì)交互識別已成為一項重要的研究內(nèi)容。

    1 相關(guān)工作

    目前,常用于從醫(yī)學(xué)文獻中識別PPI信息的技術(shù)主要包括:基于同現(xiàn)的方法[4]、基于規(guī)則的方法[5]和基于機器學(xué)習(xí)的方法[6-7]?;谕F(xiàn)的方法通過統(tǒng)計兩個蛋白質(zhì)的共現(xiàn)次數(shù)來判斷蛋白質(zhì)對之間的關(guān)系,這種方法只能抽取頻繁出現(xiàn)的模式,識別結(jié)果召回率較高而精確度較低[8]?;谝?guī)則的方法通過建立一些模式規(guī)則來匹配可能出現(xiàn)的PPI關(guān)系,雖然提高了精確度但召回率較低。然而,由于PPI關(guān)系模式的多樣性,預(yù)定義的規(guī)則不可能包含所有的PPI關(guān)系模式,并且手工建立規(guī)則需要巨大的開銷[9]。例如,F(xiàn)undel等[10]提出的規(guī)則是基于句子句法規(guī)則結(jié)構(gòu)中的依賴關(guān)系。Temkin等[11]利用帶語法產(chǎn)生規(guī)則的句子分析器來識別PPI。這些系統(tǒng)著眼于分析整個句子的句法特點,充分揭示句中成分之間的關(guān)系,能夠獲得更高的準(zhǔn)確率,但需要更高的計算能力和時間復(fù)雜度。

    近年來,越來越多的PPI識別技術(shù)采用基于機器學(xué)習(xí)的方法,主要包括兩大類:基于特征的方法和基于核函數(shù)的方法?;谔卣鞯姆椒ㄖ饕菑臉?biāo)注有交互關(guān)系的蛋白質(zhì)對的句子中抽取重要特征,例如詞匯、語法和語義特征建立模型,進而判斷蛋白質(zhì)對之間是否存在交互關(guān)系[12-13]?;诤撕瘮?shù)的方法通過對句子結(jié)構(gòu)的深入分析來構(gòu)建核函數(shù)。HausslerD[14]提出了針對離散結(jié)構(gòu)的卷積核;LodhiH等[15]將特征空間特定長度詞語子序列的內(nèi)積作為核函數(shù)的計算方式,提出了字符串核;BunescuRC等[16]提出了最短依賴路徑核,將句子以樹的形式表示,用兩個實體之間的最短路徑表示實體之間的關(guān)系。

    然而,目前的機器學(xué)習(xí)方法主要以單個句子為依據(jù),從句子的句法、語法以及依賴關(guān)系等方面進行研究。這些方法能很好地從句子層面對蛋白質(zhì)交互關(guān)系進行描述及判斷,但是這種以句子為依據(jù)的判斷方法也存在著局限性。由于語法的復(fù)雜性和交互關(guān)系描述的間接性,僅僅依賴單個句子中的信息進行交互關(guān)系分析,往往難以得到準(zhǔn)確的判斷。

    因此針對以上問題,文獻[17-18]提出了基于大規(guī)模語料庫的PPI自動識別方法,將PPI自動識別問題轉(zhuǎn)化為文本分類問題,能夠更充分利用文本的上下文信息挖掘更多蛋白質(zhì)對交互識別的影響因素。然而,這個工作對所選擇特征單詞的重要性研究不足,因此文中研究不同的特征單詞重要性計算方法,通過向量加權(quán)方法研究特征單詞加權(quán)對蛋白質(zhì)對識別的影響。實驗結(jié)果表明,根據(jù)特征單詞進行加權(quán)后明顯提高了PPI識別精確度、召回率和準(zhǔn)確率。

    2 基于特征加權(quán)的PPI識別

    有交互關(guān)系的描述常用到一些單詞,而這些單詞在無交互關(guān)系的蛋白質(zhì)對的關(guān)系描述中卻很少出現(xiàn),例如,interact、bind。因此,加強這部分單詞的作用有助于PPI識別。文中以特征加權(quán)的方法,著重研究特征單詞權(quán)重對PPI識別的影響,具體步驟如下:

    首先,從醫(yī)學(xué)文獻中收集包含目標(biāo)蛋白質(zhì)對的句子,以對應(yīng)的句子集合作為該目標(biāo)蛋白質(zhì)對的簽名檔;然后,從簽名檔中提取特征,采取一定策略評估特征重要性,對特征加權(quán),構(gòu)建向量空間模型;最后,采用KNN和SVM這兩種分類算法對蛋白質(zhì)對進行分類,判斷蛋白質(zhì)對是否存在交互關(guān)系。

    2.1 獲取簽名檔

    生物醫(yī)學(xué)文本數(shù)據(jù)庫PubMed[19]是建立蛋白質(zhì)交互網(wǎng)絡(luò)的重要信息來源。現(xiàn)有的PPI識別工作都是建立在對PubMed一個子集上的分析。PubMed數(shù)據(jù)庫由美國國立醫(yī)學(xué)圖書館建立,收錄了全球70多個國家及地區(qū)出版的3 400余種生物醫(yī)學(xué)期刊上所發(fā)表的論文,已收錄超過2 100萬篇生物醫(yī)學(xué)文獻,提供生物醫(yī)學(xué)方面論文以及摘要的搜索。但是,PubMed數(shù)據(jù)庫未提供直接搜索句子的接口,所以文中分以下兩步來獲取包含目標(biāo)蛋白質(zhì)對的句子:

    (1)在PubMed數(shù)據(jù)庫中獲取同時含有目標(biāo)蛋白質(zhì)protein1和protein2的文獻摘要;

    (2)在第一步得到的文獻摘要中找出同時包含protein1和protein2的句子。

    因此,每個蛋白質(zhì)對都會有一個句子集合與之對應(yīng),形成蛋白質(zhì)對的簽名檔。在建好簽名檔之后,就可以利用上下文信息分析蛋白質(zhì)對是否存在交互關(guān)系。

    2.2 向量空間模型—特征提取

    從簽名檔中提取特征,采取一定策略評估特征的重要性,對特征進行加權(quán)處理。文獻[17]中選擇了單詞、短語結(jié)構(gòu)特征和依賴關(guān)系作為特征,實驗結(jié)果表明只以單詞為特征的識別結(jié)果較好。

    因此,文中將簽名檔中所有的句子去除停止詞、單字符單詞和數(shù)字,選擇至少在25篇簽名檔中出現(xiàn)的單詞作為特征。最終得到了4 867個特征,用這些特征單詞標(biāo)注蛋白質(zhì),構(gòu)建向量空間模型。

    2.3 向量空間模型—特征加權(quán)

    在蛋白質(zhì)對簽名檔中,常用于描述有交互關(guān)系的單詞較少用于描述無交互關(guān)系。因此,通過特征加權(quán)的方法,著重研究這部分單詞的重要性。選擇了信息檢索(Information Retrieval)和情感分析(Sentiment Analysis)中的權(quán)重計算方法,并設(shè)計了新的加權(quán)方法,研究特征加權(quán)對PPI識別的影響,具體見表1。

    表1 權(quán)重公式

    注:N表示蛋白質(zhì)對總數(shù);N+表示有交互關(guān)系蛋白質(zhì)對數(shù);N-表示無交互關(guān)系蛋白質(zhì)對數(shù);a表示出現(xiàn)特征i的有交互關(guān)系蛋白質(zhì)對的簽名檔數(shù);c表示出現(xiàn)特征i的無交互關(guān)系蛋白質(zhì)對的簽名檔數(shù)。

    表1中,tp(termpresence)表示二值權(quán)重(0/1),即特征單詞出現(xiàn)權(quán)值為1,不出現(xiàn)權(quán)值為0。實驗中,以tp權(quán)重公式的實驗結(jié)果為基準(zhǔn)。idf(inversedocumentfrequency)是信息檢索中較為常見的權(quán)重公式,是一個詞語普遍重要性的度量。dsidf和dbidf是PaltoglouG[21]等對idf的一種改進。

    在這兩個公式中,當(dāng)有交互蛋白質(zhì)對和無交互蛋白質(zhì)對的簽名檔的數(shù)量相近時,而含有某個特征單詞的有交互蛋白質(zhì)對的簽名檔數(shù)多于無交互蛋白質(zhì)對簽名檔數(shù),那么這個特征單詞的權(quán)重較大。這兩種權(quán)值計算公式比較適合特征單詞在不同類別文檔中分布差異很大的語料集上使用。

    在特征單詞分布分析過程中發(fā)現(xiàn),有交互蛋白質(zhì)對和無交互關(guān)系蛋白質(zhì)對的簽名檔數(shù)量相近。而對一些特征單詞而言,包含它的有交互關(guān)系蛋白質(zhì)對的簽名檔的數(shù)量是無交互關(guān)系簽名檔數(shù)量的數(shù)十倍。筆者認為這些單詞對于識別有交互蛋白質(zhì)很重要,因此,提出了power這一權(quán)重公式,著重研究特征單詞對有交互關(guān)系蛋白質(zhì)對的識別的影響。根據(jù)公式power,若含有某個特征單詞的有交互關(guān)系的蛋白質(zhì)對的簽名檔數(shù)較多,無交互關(guān)系的蛋白質(zhì)對的簽名檔數(shù)較少,則它的權(quán)重較大。

    2.4 分類算法

    文中采用KNN和SVM這兩種分類算法構(gòu)建分類器?;谙嗨菩缘腒NN分類器中,以余弦相似度作為衡量標(biāo)準(zhǔn)。

    2.4.1K近鄰分類

    (1)

    余弦值越大,蛋白質(zhì)對相似度就越高;反之,蛋白質(zhì)對相似度越低。

    得到蛋白質(zhì)對實例的相似性之后,基于相似性采用K近鄰分類(KNN)算法對蛋白質(zhì)對進行分類。查詢訓(xùn)練數(shù)據(jù)中與目標(biāo)蛋白質(zhì)對最相似的K個蛋白質(zhì)對實例。這K個實例中哪種類別的實例多,就將目標(biāo)蛋白質(zhì)對分為哪一類。在此算法中,若多個實例與目標(biāo)蛋白質(zhì)對的距離一樣,則這個實例類別取這些實例中占多數(shù)的類別。

    2.4.2SVM分類

    SVM已被大量實驗證實為一種非常有效的分類算法,是基于機器學(xué)習(xí)的蛋白質(zhì)交互關(guān)系識別所采用的重要分類模型。文中采用LIBSVM[22]建立蛋白質(zhì)交互識別的分類器。

    3 實 驗

    3.1 實驗數(shù)據(jù)及設(shè)置

    將有交互關(guān)系的蛋白質(zhì)對作為正類樣例,無交互關(guān)系的蛋白質(zhì)對作為負類樣例。正類蛋白質(zhì)對來源于由專家手工收集信息建立的PPI數(shù)據(jù)庫HPRD,從中抽取在PubMed數(shù)據(jù)庫中存在的蛋白質(zhì)對作為有交互關(guān)系的蛋白質(zhì)對訓(xùn)練集,共1 420對。而對于負類,文中根據(jù)HPRD中包含的蛋白質(zhì)采用隨機組合的方法產(chǎn)生負類蛋白質(zhì)對(刪除HPRD已包含的蛋白質(zhì)對),最后只保留那些被PubMed數(shù)據(jù)庫中文獻記載的蛋白質(zhì)對作為無交互蛋白質(zhì)對的訓(xùn)練集,共有1 353對。因此,實驗數(shù)據(jù)集中共包含2 773對蛋白質(zhì)對。

    SVM分類算法識別過程中,采用五折交叉驗證,將正類蛋白質(zhì)對和負類蛋白質(zhì)對平均分成五份,分別從正類和負類中取出一份組合作為測試集,其余四份組合作為訓(xùn)練集。KNN算法識別過程中,采用留一交叉驗證法(leave-one-out)進行測試,即將一個蛋白質(zhì)對作為測試樣例,其余2 772對作為訓(xùn)練樣例。在以KNN算法為分類算法的實驗中,tp在K值為7時取得了最好的結(jié)果。所以,在其余的權(quán)重公式識別過程中將K值設(shè)置為7,將它們的識別結(jié)果與tp的識別結(jié)果進行比較。

    3.2 實驗結(jié)果及分析

    分類結(jié)果見表2和表3。

    表2 KNN分類結(jié)果 %

    從表2可以發(fā)現(xiàn),以idf為權(quán)重公式的PPI識別結(jié)果與tp相比未有提升。以dbidf和dsidf這兩種方法為權(quán)重公式的PPI識別結(jié)果提升較明顯,正類、負類的F值和準(zhǔn)確率有近3%~5%的提升。筆者設(shè)計的權(quán)重公式取得了最高的正類的召回率,正類的召回率比tp提升了5.5%,正類F值也有一定的提升。采用dbidf、dsidf和power這三種加權(quán)方法的KNN分類算法,蛋白質(zhì)交互關(guān)系的識別結(jié)果都有了一定的提升。這說明,特征單詞在正類和負類蛋白質(zhì)對簽名檔有很大的差別,對蛋白質(zhì)對交互關(guān)系識別起到很大的幫助。

    表3 SVM分類結(jié)果 %

    從表3中發(fā)現(xiàn),idf、dbidf和dsidf這三種方法的識別結(jié)果較tp沒有明顯提升。而筆者設(shè)計的權(quán)重公式正類精確度達到了92.7%,比tp提高了18.9%。負類蛋白質(zhì)對的F值比tp提高了7%,并且總體分類準(zhǔn)確率較tp提高了3.3%。這說明,采用power為權(quán)重公式的分類器能有效識別有交互關(guān)系的蛋白質(zhì)對,被誤分的負類蛋白質(zhì)對較少。在需要準(zhǔn)確識別有交互蛋白質(zhì)對的系統(tǒng)中,提出的方法能夠起到很好的效果。

    在簽名檔集中,正類和負類蛋白質(zhì)對的簽名檔的數(shù)量相近,一些特征在正類蛋白質(zhì)對的簽名檔中較常出現(xiàn),在負類蛋白質(zhì)對的簽名檔中較少出現(xiàn)。這些特征單詞有助于識別有交互關(guān)系的蛋白質(zhì)對,因此,采用的dbidf、dsidf和power這三種公式賦予了這些單詞較大的權(quán)重,使正類蛋白質(zhì)對的特征向量能明顯區(qū)別于負類蛋白質(zhì)對的特征向量,提高蛋白質(zhì)對交互關(guān)系的識別。在正類和負類簽名檔中分布存在明顯差異的單詞對于蛋白質(zhì)對交互關(guān)系識別有著很大的作用,給這部分單詞賦予一個較大的權(quán)值,有助于識別有交互關(guān)系的蛋白質(zhì)對。

    4 結(jié)束語

    區(qū)別于其他基于單句的機器學(xué)習(xí)方法,文中直接以蛋白質(zhì)對為研究對象,根據(jù)現(xiàn)有的PPI數(shù)據(jù)庫構(gòu)建大規(guī)模語料庫為依據(jù)提取特征,用特征向量表示蛋白質(zhì)對的關(guān)系。根據(jù)特征單詞在正類和負類蛋白質(zhì)對簽名檔中分布的差異,采用不同的權(quán)值計算公式研究特征詞語的重要性。最后,采用K近鄰和SVM分類算法構(gòu)建分類器,通過文本分類的方法識別目標(biāo)兩個蛋白質(zhì)對之間是否存在依賴關(guān)系。

    大量的蛋白質(zhì)對交互關(guān)系信息隱藏在文獻中,而基于大規(guī)模語料庫的PPI識別能充分利用已有的PPI數(shù)據(jù),無需進行額外的人工標(biāo)注,識別結(jié)果可直接用于PPI網(wǎng)絡(luò)的構(gòu)建。文中著重研究特征詞語的重要性,從實驗結(jié)果可以發(fā)現(xiàn),根據(jù)特征單詞在不同類別文檔中出現(xiàn)的差異,對特征向量根據(jù)特征詞語重要性進行加權(quán)后,PPI的識別結(jié)果有了明顯提升。

    [1]PrasadTSK,GoelR,KandasamyK,etal.Humanproteinreferencedatabase-2009update[J].NucleicAcidsResearch,2009,37:767-772.

    [2]KerrienS,Alam-FaruqueY,ArandaB,etal.IntAct-opensourceresourceformolecularinteractiondata[J].NucleicAcidsResearch,2007,35:561-565.

    [3]CeolA,AryamontriAC,LicataL,etal.MINT,themolecularinteractiondatabase:2009update[J].NucleicAcidsResearch,2010,38:532-539.

    [4]BunescuR,MooneyR,RamaniA,etal.Integratingco-occurrencestatisticswithinformationextractionforrobustretrievalofproteininteractionsfromMedline[C]//Proceedingsoftheworkshoponlinkingnaturallanguageprocessingandbiology:towardsdeeperbiologicalliteratureanalysis.[s.l.]:AssociationforComputationalLinguistics,2006:49-56.

    [5]KoikeA,KobayashiY,TakagiT.Kinasepathwaydatabase:anintegratedprotein-kinaseandNLP-basedprotein-interactionresource[J].GenomeResearch,2003,13:1231-1243.

    [6] 楊志豪,洪 莉,林鴻飛,等.基于支持向量機的生物醫(yī)學(xué)文獻蛋白質(zhì)關(guān)系抽取[J].智能系統(tǒng)學(xué)報,2008,3(4):361-369.

    [7] 崔寶今,林鴻飛,張 霄.基于半監(jiān)督學(xué)習(xí)的蛋白質(zhì)關(guān)系抽取研究[J].山東大學(xué)學(xué)報:工學(xué)版,2009,39(3):16-21.

    [8]GrimesGR,WenTQ,MewissenM,etal.PDQWizard:automatedprioritizationandcharacterizationofgeneandproteinlistsusingbiomedicalliterature[J].Bioinformatics,2006,22(16):2055-2057.

    [9]AnaniadouS,KellDB,TsujiiJ.Textmininganditspotentialapplicationsinsystemsbiology[J].TrendsinBiotechnology,2006,24(12):571-579.

    [10]FundelK,KüffnerR,ZimmerR.RelEx-relationextractionusingdependencyparsetrees[J].Bioinformatics,2007,23(3):365-371.

    [11]TemkinJM,GilderMR.Extractionofproteininteractioninformationfromunstructuredtextusingacontext-freegrammar[J].Bioinformatics,2003,19(16):2046-2053.

    [12]QianW,FuC,ChengH.Semi-supervisedmethodforextractionofprotein-proteininteractionsusinghybridmodel[C]//Proceedingsofthe2013thirdinternationalconferenceonintelligentsystemdesignandengineeringapplications.[s.l.]:IEEEComputerSociety,2013:1268-1271.

    [13] Niu Y,Otasek D,Jurisica I.Evaluation of linguistic features useful in extraction of interactions from PubMed;application to annotating known,high-throughput and predicted interactions in I2D[J].Bioinformatics,2010,26(1):111-119.

    [14] Haussler D.Convolution kernels on discrete structures[R].California:University of California at Santa Cruz,1999.

    [15] Lodhi H,Saunders C,Shawe-Taylor J,et al.Text classification using string kernels[J].Journal of Machine Learning Research,2002,2(3):419-444.

    [16] Bunescu R C,Mooney R J.A shortest path dependency kernel for relation extraction[C]//Proceedings of the conference on human language technology and empirical methods in natural language processing.[s.l.]:Association for Computational Linguistics,2005:724-731.

    [17] 封二英,牛 耘,魏 歐,等.基于關(guān)系相似性的蛋白質(zhì)交互自動識別[J].計算機科學(xué),2013,40(6):229-232.

    [18] 封二英,牛 耘,魏 歐.基于大規(guī)模文本的蛋白質(zhì)交互關(guān)系自動提取[J].計算機應(yīng)用,2012,32(S1):147-150.

    [19] U.S.National Library of Medicine.PubMed[EB/OL].2011.http://www.ncbi.nlm.nih.gov/pubmed/.

    [20] Sparck J K.A statistical interpretation of term specificity and its application in retrieval[J].Journal of Documentation,1972,28(1):11-21.

    [21] Paltoglou G,Thelwall M.A study of information retrieval weighting schemes for sentiment analysis[C]//Proceedings of the 48th annual meeting of the association for computational linguistics.[s.l.]:Association for Computational Linguistics,2010:1386-1395.

    [22] Chang C C,Lin C J.LIBSVM:a library for support vector machines[J].ACM Transactions on Intelligent Systems & Technology,2007,2(3):389-396.

    Identification of Protein-protein Interaction Based on Feature Weighted

    WU Hong-mei,NIU Yun

    (School of Computer Science and Technology,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China)

    In a model characterized by word,if the use of feature word in different categories exists obvious differences,it will have a very important impact on classification.Based on a large-scale corpus,study the effects of different methods of feature weighting on protein-protein interaction identification.Firstly,the signature of a protein pair is obtained by searching large scale biomedical text.Taking the words as the features which describe the relationship between the protein pair,construct Vector Space Model (SVM).Then,select different weighting methods to describe the importance of words.Finally,KnearestneighborandSVMclassifierareappliedtoidentifyPPIs.Accordingtotheexperimentalresults,PPIrecognitionaccuracyandrecallandprecisionhavebeensignificantlyimprovedwhenthefeaturevectorsareweighted.

    protein-protein interaction;large-scale corpus;feature weighted;Knearestneighbor;SVM

    2015-05-10

    2015-08-13

    時間:2016-01-26

    國家自然科學(xué)基金資助項目(61202132,61170043)作者簡介:吳紅梅(1991-),女,碩士研究生,研究方向為自然語言處理;牛 耘,博士,副教授,CCF會員,研究方向為自然語言處理。

    http://www.cnki.net/kcms/detail/61.1450.TP.20160126.1517.026.html

    TP

    A

    1673-629X(2016)02-0114-04

    10.3969/j.issn.1673-629X.2016.02.026

    猜你喜歡
    簽名檔蛋白質(zhì)單詞
    蛋白質(zhì)自由
    肝博士(2022年3期)2022-06-30 02:48:48
    人工智能與蛋白質(zhì)結(jié)構(gòu)
    海外星云(2021年9期)2021-10-14 07:26:10
    單詞連一連
    無敵簽名檔
    看圖填單詞
    簽名檔
    簽名檔
    看完這些單詞的翻譯,整個人都不好了
    蛋白質(zhì)計算問題歸納
    親親寶貝.人見人愛簽名檔
    国产高清激情床上av| 最近最新免费中文字幕在线| 夜夜夜夜夜久久久久| 精品第一国产精品| 侵犯人妻中文字幕一二三四区| 三上悠亚av全集在线观看| 他把我摸到了高潮在线观看| 中亚洲国语对白在线视频| 色综合欧美亚洲国产小说| 亚洲午夜理论影院| 午夜视频精品福利| 19禁男女啪啪无遮挡网站| 91国产中文字幕| 伦理电影免费视频| 成年版毛片免费区| 欧美在线黄色| 国产成人精品久久二区二区91| 欧美色视频一区免费| 久久热在线av| 妹子高潮喷水视频| 国产精品九九99| 制服诱惑二区| 国产99久久九九免费精品| 久久香蕉精品热| 久热这里只有精品99| 久久久久久久精品吃奶| 午夜成年电影在线免费观看| 九色亚洲精品在线播放| 国产欧美日韩一区二区三| 电影成人av| 大片电影免费在线观看免费| 成年人午夜在线观看视频| 午夜福利视频在线观看免费| 狠狠婷婷综合久久久久久88av| 视频区图区小说| 丁香六月欧美| 国产欧美日韩一区二区三区在线| 女人久久www免费人成看片| 国产熟女午夜一区二区三区| 亚洲 欧美一区二区三区| 黑人巨大精品欧美一区二区mp4| 一区福利在线观看| 亚洲精品自拍成人| 久久影院123| 国产精品免费视频内射| 热99久久久久精品小说推荐| 亚洲五月婷婷丁香| 成人18禁在线播放| 亚洲av片天天在线观看| 久久久久国产精品人妻aⅴ院 | 亚洲第一青青草原| 日韩欧美一区视频在线观看| 日韩欧美一区视频在线观看| 国产欧美日韩一区二区三| 午夜福利欧美成人| 一级a爱片免费观看的视频| 日本五十路高清| 精品亚洲成国产av| 国产不卡一卡二| 午夜福利乱码中文字幕| a级片在线免费高清观看视频| 亚洲精品美女久久av网站| 俄罗斯特黄特色一大片| 日本一区二区免费在线视频| 欧美另类亚洲清纯唯美| 黄色毛片三级朝国网站| 欧美性长视频在线观看| 777久久人妻少妇嫩草av网站| 国产精品久久久久成人av| 欧美日韩国产mv在线观看视频| 亚洲自偷自拍图片 自拍| 又黄又粗又硬又大视频| 亚洲一区二区三区不卡视频| 757午夜福利合集在线观看| 黄色成人免费大全| 身体一侧抽搐| 国产精品综合久久久久久久免费 | 国产av又大| 黄片播放在线免费| 国产在线一区二区三区精| 99精国产麻豆久久婷婷| 国产精品亚洲av一区麻豆| 亚洲自偷自拍图片 自拍| 精品一区二区三卡| 欧美日韩成人在线一区二区| 啦啦啦视频在线资源免费观看| 欧美+亚洲+日韩+国产| 成人免费观看视频高清| 国产成人欧美在线观看 | 大香蕉久久成人网| 免费在线观看日本一区| 999久久久国产精品视频| 日韩熟女老妇一区二区性免费视频| 精品久久久久久电影网| 成年人午夜在线观看视频| 人妻 亚洲 视频| 一边摸一边抽搐一进一小说 | 俄罗斯特黄特色一大片| 色综合欧美亚洲国产小说| 国产精品一区二区精品视频观看| 欧美黑人欧美精品刺激| 性少妇av在线| 老司机在亚洲福利影院| 国产欧美日韩精品亚洲av| 久99久视频精品免费| 天天躁日日躁夜夜躁夜夜| 波多野结衣av一区二区av| 亚洲精品中文字幕一二三四区| 国产精品久久电影中文字幕 | av网站免费在线观看视频| 男女高潮啪啪啪动态图| 老熟妇仑乱视频hdxx| 国产免费现黄频在线看| 欧美成人免费av一区二区三区 | 日韩欧美免费精品| 欧美大码av| 久久久久久免费高清国产稀缺| 欧美日本中文国产一区发布| 亚洲av第一区精品v没综合| 美女扒开内裤让男人捅视频| 亚洲精品在线美女| 久久久国产精品麻豆| 很黄的视频免费| 国产成+人综合+亚洲专区| 久久国产乱子伦精品免费另类| 少妇裸体淫交视频免费看高清 | 女人被狂操c到高潮| 国产精品国产高清国产av | 久久 成人 亚洲| 村上凉子中文字幕在线| 1024视频免费在线观看| 人妻丰满熟妇av一区二区三区 | 久久久国产成人免费| 黑人操中国人逼视频| 国产真人三级小视频在线观看| 色精品久久人妻99蜜桃| 久久 成人 亚洲| 色在线成人网| 亚洲av欧美aⅴ国产| 9色porny在线观看| 极品少妇高潮喷水抽搐| 日韩大码丰满熟妇| 欧美日韩国产mv在线观看视频| 一a级毛片在线观看| 又大又爽又粗| 日日爽夜夜爽网站| 欧美精品高潮呻吟av久久| 色精品久久人妻99蜜桃| 午夜91福利影院| 精品视频人人做人人爽| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲va日本ⅴa欧美va伊人久久| 久久久精品免费免费高清| 久久精品亚洲av国产电影网| 日韩免费高清中文字幕av| 国产av一区二区精品久久| 69精品国产乱码久久久| 色老头精品视频在线观看| 1024香蕉在线观看| 国产97色在线日韩免费| 动漫黄色视频在线观看| 少妇裸体淫交视频免费看高清 | 窝窝影院91人妻| 亚洲欧美日韩另类电影网站| 欧美国产精品va在线观看不卡| 日韩一卡2卡3卡4卡2021年| 国产男女内射视频| 黑人操中国人逼视频| 精品少妇一区二区三区视频日本电影| 国产淫语在线视频| 欧美激情高清一区二区三区| 国产精品 国内视频| 天天影视国产精品| 成人亚洲精品一区在线观看| x7x7x7水蜜桃| 两个人看的免费小视频| 一边摸一边抽搐一进一出视频| 91麻豆精品激情在线观看国产 | 国产免费现黄频在线看| 香蕉国产在线看| 国产亚洲欧美精品永久| 中文字幕av电影在线播放| 亚洲欧美精品综合一区二区三区| 777久久人妻少妇嫩草av网站| 自拍欧美九色日韩亚洲蝌蚪91| av一本久久久久| 亚洲色图av天堂| 欧美在线黄色| 久久精品国产亚洲av高清一级| 欧美另类亚洲清纯唯美| 亚洲伊人色综图| 亚洲五月天丁香| 啦啦啦视频在线资源免费观看| 亚洲国产看品久久| 免费观看a级毛片全部| 老司机深夜福利视频在线观看| 国产精品免费一区二区三区在线 | 一本综合久久免费| 日本精品一区二区三区蜜桃| 欧美成人免费av一区二区三区 | 亚洲七黄色美女视频| 精品第一国产精品| 亚洲精品久久成人aⅴ小说| 操出白浆在线播放| 亚洲成人免费电影在线观看| 天天操日日干夜夜撸| 亚洲精品久久午夜乱码| 国产精品香港三级国产av潘金莲| 久久这里只有精品19| 97人妻天天添夜夜摸| av有码第一页| 国产精品一区二区免费欧美| av在线播放免费不卡| 国产精品美女特级片免费视频播放器 | 香蕉丝袜av| 制服人妻中文乱码| 天天影视国产精品| 国产精品秋霞免费鲁丝片| 777久久人妻少妇嫩草av网站| 成人亚洲精品一区在线观看| 淫妇啪啪啪对白视频| 丁香欧美五月| 99久久精品国产亚洲精品| 国产精品亚洲一级av第二区| 天堂中文最新版在线下载| 我的亚洲天堂| 一区二区日韩欧美中文字幕| 中出人妻视频一区二区| 日本五十路高清| 成人手机av| av不卡在线播放| www.999成人在线观看| 熟女少妇亚洲综合色aaa.| 18禁观看日本| a在线观看视频网站| 亚洲一区二区三区不卡视频| 久久久国产精品麻豆| 国产aⅴ精品一区二区三区波| 久久久国产欧美日韩av| 一区在线观看完整版| 欧美激情久久久久久爽电影 | 99热只有精品国产| 多毛熟女@视频| videos熟女内射| 两性夫妻黄色片| 国产精品国产高清国产av | 国产乱人伦免费视频| 90打野战视频偷拍视频| av国产精品久久久久影院| 精品人妻在线不人妻| 91成年电影在线观看| 丰满人妻熟妇乱又伦精品不卡| 男女午夜视频在线观看| 免费在线观看黄色视频的| 一边摸一边做爽爽视频免费| 一级片免费观看大全| 王馨瑶露胸无遮挡在线观看| 国产一区二区三区综合在线观看| 中文字幕最新亚洲高清| 99re在线观看精品视频| 欧美黄色淫秽网站| 丝瓜视频免费看黄片| 桃红色精品国产亚洲av| 又黄又爽又免费观看的视频| 亚洲av电影在线进入| 黑人欧美特级aaaaaa片| 1024香蕉在线观看| 丰满人妻熟妇乱又伦精品不卡| 久久国产乱子伦精品免费另类| 日韩有码中文字幕| 久久婷婷成人综合色麻豆| 亚洲av欧美aⅴ国产| 在线观看舔阴道视频| 99re6热这里在线精品视频| 免费久久久久久久精品成人欧美视频| av天堂在线播放| 69精品国产乱码久久久| 老汉色∧v一级毛片| 一级片免费观看大全| 国产免费男女视频| 99精国产麻豆久久婷婷| 男男h啪啪无遮挡| 欧美激情 高清一区二区三区| 欧美一级毛片孕妇| 新久久久久国产一级毛片| 国产熟女午夜一区二区三区| 999精品在线视频| 久久天躁狠狠躁夜夜2o2o| 好看av亚洲va欧美ⅴa在| 日本黄色日本黄色录像| 亚洲在线自拍视频| 深夜精品福利| 精品久久久久久久久久免费视频 | 欧美日韩中文字幕国产精品一区二区三区 | 国产一区二区激情短视频| 欧美大码av| 欧美黑人精品巨大| 免费久久久久久久精品成人欧美视频| 精品国产一区二区三区四区第35| 精品久久蜜臀av无| 亚洲美女黄片视频| 欧美黄色淫秽网站| 午夜福利视频在线观看免费| 女人被狂操c到高潮| 日韩欧美国产一区二区入口| 久久久精品国产亚洲av高清涩受| 老熟女久久久| 99热国产这里只有精品6| 国产99白浆流出| 视频在线观看一区二区三区| 女同久久另类99精品国产91| 亚洲av欧美aⅴ国产| 欧美乱色亚洲激情| 国产精品av久久久久免费| 精品高清国产在线一区| 久久久水蜜桃国产精品网| 最新美女视频免费是黄的| 80岁老熟妇乱子伦牲交| 免费久久久久久久精品成人欧美视频| 无遮挡黄片免费观看| 免费在线观看黄色视频的| 老汉色∧v一级毛片| 这个男人来自地球电影免费观看| 亚洲欧美激情在线| 久久精品91无色码中文字幕| 国产精品一区二区精品视频观看| 最近最新免费中文字幕在线| 变态另类成人亚洲欧美熟女 | 国内毛片毛片毛片毛片毛片| 亚洲av成人一区二区三| 亚洲av电影在线进入| 免费在线观看日本一区| 亚洲精品美女久久av网站| 我的亚洲天堂| 精品人妻熟女毛片av久久网站| 搡老乐熟女国产| 国产真人三级小视频在线观看| 久久久国产成人精品二区 | 成人亚洲精品一区在线观看| 一区二区三区国产精品乱码| 91成年电影在线观看| 午夜免费鲁丝| 国产午夜精品久久久久久| 国产精品一区二区在线不卡| 精品国产美女av久久久久小说| 亚洲精品国产一区二区精华液| 日韩成人在线观看一区二区三区| 亚洲精品乱久久久久久| 丁香欧美五月| 国产单亲对白刺激| 村上凉子中文字幕在线| 99久久综合精品五月天人人| 搡老岳熟女国产| 久久草成人影院| 亚洲少妇的诱惑av| 亚洲免费av在线视频| 久久精品国产a三级三级三级| 免费观看a级毛片全部| 精品国产亚洲在线| 青草久久国产| 老司机靠b影院| 一级作爱视频免费观看| 国产精品综合久久久久久久免费 | 国产精品自产拍在线观看55亚洲 | 久久久久久久久久久久大奶| 一级a爱视频在线免费观看| 人成视频在线观看免费观看| 曰老女人黄片| 视频在线观看一区二区三区| 亚洲三区欧美一区| 一区在线观看完整版| 国产精品久久久久久精品古装| 嫁个100分男人电影在线观看| 亚洲专区国产一区二区| 大香蕉久久成人网| 亚洲精品中文字幕在线视频| 欧美日韩福利视频一区二区| 久久人人97超碰香蕉20202| 欧美人与性动交α欧美精品济南到| 国产无遮挡羞羞视频在线观看| 久久精品亚洲av国产电影网| 国产欧美日韩一区二区三区在线| 国产成人一区二区三区免费视频网站| 免费黄频网站在线观看国产| 首页视频小说图片口味搜索| 99re在线观看精品视频| 正在播放国产对白刺激| 亚洲,欧美精品.| 我的亚洲天堂| av有码第一页| 成人永久免费在线观看视频| 在线看a的网站| 欧美国产精品va在线观看不卡| 日本a在线网址| 老熟妇乱子伦视频在线观看| 又大又爽又粗| 国产高清视频在线播放一区| 精品一区二区三区四区五区乱码| 无遮挡黄片免费观看| 亚洲综合色网址| 在线观看一区二区三区激情| 夫妻午夜视频| 亚洲男人天堂网一区| 黑人欧美特级aaaaaa片| 大香蕉久久网| 搡老熟女国产l中国老女人| 国产精品av久久久久免费| 国产免费男女视频| 啪啪无遮挡十八禁网站| 动漫黄色视频在线观看| 中文欧美无线码| 纯流量卡能插随身wifi吗| 无人区码免费观看不卡| 午夜福利视频在线观看免费| 国产单亲对白刺激| 他把我摸到了高潮在线观看| 国产成人av激情在线播放| 亚洲精品美女久久av网站| 看片在线看免费视频| 亚洲中文av在线| 中文字幕高清在线视频| 一个人免费在线观看的高清视频| 高清欧美精品videossex| 51午夜福利影视在线观看| 美女国产高潮福利片在线看| 国产精品 国内视频| 天堂俺去俺来也www色官网| 国产精品偷伦视频观看了| 建设人人有责人人尽责人人享有的| 超色免费av| 少妇粗大呻吟视频| 亚洲人成伊人成综合网2020| 天天影视国产精品| 成人18禁在线播放| 国产欧美亚洲国产| 香蕉久久夜色| av超薄肉色丝袜交足视频| 在线观看www视频免费| 久久久久久久午夜电影 | 免费黄频网站在线观看国产| 午夜久久久在线观看| 免费在线观看完整版高清| 高潮久久久久久久久久久不卡| 亚洲在线自拍视频| 一本一本久久a久久精品综合妖精| 午夜免费鲁丝| 亚洲九九香蕉| 国产精品一区二区精品视频观看| 一区在线观看完整版| 伊人久久大香线蕉亚洲五| e午夜精品久久久久久久| 啦啦啦免费观看视频1| www.熟女人妻精品国产| 国产一区二区三区综合在线观看| 无限看片的www在线观看| 国产成人精品无人区| 麻豆乱淫一区二区| 午夜精品久久久久久毛片777| 男女午夜视频在线观看| 日韩欧美在线二视频 | 亚洲欧美一区二区三区久久| 高清黄色对白视频在线免费看| 欧美成人午夜精品| 久久香蕉激情| 午夜福利视频在线观看免费| 久久久久精品国产欧美久久久| 91精品三级在线观看| 咕卡用的链子| 母亲3免费完整高清在线观看| 天堂俺去俺来也www色官网| 中文字幕人妻熟女乱码| 色在线成人网| 久久影院123| 国产一区二区三区综合在线观看| 老司机深夜福利视频在线观看| 国产精品 国内视频| 亚洲精品国产区一区二| 欧美黄色淫秽网站| 日韩欧美一区二区三区在线观看 | 在线免费观看的www视频| 黄色怎么调成土黄色| 天天添夜夜摸| 水蜜桃什么品种好| 国产欧美日韩一区二区精品| 在线视频色国产色| 国产精品一区二区在线不卡| 国产免费现黄频在线看| 九色亚洲精品在线播放| 99精品久久久久人妻精品| 亚洲欧美色中文字幕在线| 在线播放国产精品三级| 国产欧美亚洲国产| 成年人午夜在线观看视频| 嫁个100分男人电影在线观看| 亚洲av成人不卡在线观看播放网| 777米奇影视久久| 精品国产美女av久久久久小说| 国产1区2区3区精品| 黄频高清免费视频| 黄网站色视频无遮挡免费观看| 日韩一卡2卡3卡4卡2021年| 国产又色又爽无遮挡免费看| 精品国内亚洲2022精品成人 | 色综合婷婷激情| 久久久久久久精品吃奶| 国产精品久久久久久精品古装| x7x7x7水蜜桃| 欧美午夜高清在线| 一区二区三区国产精品乱码| 日韩人妻精品一区2区三区| 久久婷婷成人综合色麻豆| 操美女的视频在线观看| 亚洲成人国产一区在线观看| 国产成人精品久久二区二区免费| 亚洲五月天丁香| 纯流量卡能插随身wifi吗| 精品欧美一区二区三区在线| 99国产精品免费福利视频| 欧美日韩国产mv在线观看视频| 久久久久国内视频| 久久精品国产a三级三级三级| 国产精品免费大片| 国产一区二区激情短视频| 欧美性长视频在线观看| 国产熟女午夜一区二区三区| 欧美av亚洲av综合av国产av| 黄色怎么调成土黄色| 久久人妻福利社区极品人妻图片| 在线观看免费视频日本深夜| 久久这里只有精品19| 精品一品国产午夜福利视频| 啦啦啦视频在线资源免费观看| 狠狠狠狠99中文字幕| 免费在线观看影片大全网站| 久久草成人影院| 亚洲男人天堂网一区| 高清欧美精品videossex| 超色免费av| tube8黄色片| 精品第一国产精品| 性色av乱码一区二区三区2| 亚洲三区欧美一区| 久久久久久亚洲精品国产蜜桃av| 99精品欧美一区二区三区四区| 好看av亚洲va欧美ⅴa在| 国产精品成人在线| 无遮挡黄片免费观看| 久久人妻av系列| 日韩欧美免费精品| 日本黄色视频三级网站网址 | 亚洲第一青青草原| 亚洲一区二区三区不卡视频| 国产精华一区二区三区| tube8黄色片| 精品国产乱子伦一区二区三区| 18禁美女被吸乳视频| 女人被躁到高潮嗷嗷叫费观| 成人三级做爰电影| 亚洲精品国产精品久久久不卡| 99国产精品一区二区三区| 一级作爱视频免费观看| av在线播放免费不卡| 精品高清国产在线一区| 亚洲一区二区三区欧美精品| 丝瓜视频免费看黄片| 久久影院123| 丝袜美腿诱惑在线| 国产成人欧美| 精品午夜福利视频在线观看一区| 女人久久www免费人成看片| 成年版毛片免费区| aaaaa片日本免费| 国产欧美日韩一区二区三| 9191精品国产免费久久| 十八禁人妻一区二区| 亚洲少妇的诱惑av| 高潮久久久久久久久久久不卡| 亚洲av第一区精品v没综合| 久久久久久久国产电影| 欧美国产精品一级二级三级| 极品教师在线免费播放| 精品国产亚洲在线| 欧美另类亚洲清纯唯美| 色94色欧美一区二区| 久久香蕉精品热| 亚洲一区高清亚洲精品| 国产欧美日韩精品亚洲av| 欧美日韩精品网址| 美女 人体艺术 gogo| 久久精品国产清高在天天线| 日韩免费高清中文字幕av| 99精品久久久久人妻精品| 国产主播在线观看一区二区| 香蕉久久夜色| 亚洲色图 男人天堂 中文字幕| 午夜福利乱码中文字幕| 亚洲中文日韩欧美视频| 久久九九热精品免费| 国产一区有黄有色的免费视频| 人人妻人人添人人爽欧美一区卜| 交换朋友夫妻互换小说| 国产精品影院久久| 人人妻人人添人人爽欧美一区卜| 大型av网站在线播放| 十八禁高潮呻吟视频| 久久久久久久久免费视频了| 啪啪无遮挡十八禁网站| 久久精品国产a三级三级三级| 国产成人av激情在线播放| 69av精品久久久久久| 女人高潮潮喷娇喘18禁视频| 午夜免费鲁丝| 视频在线观看一区二区三区| 久久国产乱子伦精品免费另类| 久久 成人 亚洲|