开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）
- 背景介绍：
抗菌肽(Antimicrobial peptides, AMPs)是先天免疫系统的一部分，并且参与组成了抵御侵入微生物的第一道防线[1]。微生物对常规抗生素的耐药性是我们这个时代最突出的医学和科学挑战之一。因此，在过去几年中，抗菌肽作为治疗由抗性微生物引起的感染的有希望的候选物而受到关注。尽管结构和氨基酸序列多样，抗菌肽一般是带正电荷（一般为 2至 9）和大于百分之30的疏水氨基酸的短肽[2]。抗菌肽来源广泛，包括了植物、哺乳动物、昆虫和鱼类等多种生物，截至2018年已经有报道过超过5000种抗菌肽(DRAMP, http://dramp.cpu-bioinfor.org )[3]。在上个世纪70年代，瑞典科学家Boman 等人[4]将大肠杆菌注入天蚕蛹中，诱导血淋巴产生抗菌肽，这一抗菌肽被称作天蚕素，这是人类历史上第一个发现的抗菌肽，为后续的研究奠定了基础。与传统抗生素相比，抗菌肽具有广谱杀菌作用，而且对某些真菌、寄生虫有杀灭作用，并能选择性地杀伤肿瘤细胞，抑制部分病毒例如乙型肝炎病毒（HBV）、艾滋病毒（HIV）等的复制［5,6］。
溶血（Hemolysis）过程通常指的是指红细胞的破裂和它们的内容物（细胞质）释放到周围的液体（例如血浆）中。溶血可以在体内或体外（体内或体外）发生。具有溶血活性的物质通常被称作溶血素（Haemolysin）。这一类物质会损伤宿主细胞质膜，导致细胞裂解和死亡。通过对红细胞样品的裂解的参数的测定我们可以得到目标肽段的溶血活性数据。如果抗菌多肽的溶血作用过高，则其可应用于临床药物的可能就会大幅降低。
机器学习广义地定义为使用经验（数据）提高性能或做出准确预测的计算方法/模型[7]。目前，常用的算法有随机森林[8]（Random Forests，RF）、支持向量机[9]（support vector machine , SVM）、神经网络[10]（Neural Networks ，NN）等。这些可编程的计算方法能够从数据中“学习”，因此可以自动化并改进预测过程，而且这些预测模型具有高精度，可靠性和高效率[11]。因为这些优点，机器学习得到广泛应用，如Sung Yun Park等[12]使用NN来诊断阑尾炎，Kuan Y.Chang等[13]运用RF检查和预测抗病毒肽。通过建立模型，来进行抗菌肽的预测，相较于传统的实验，省时省力，但是现今，机器学习广泛应用于抗菌肽的分类预测[14]，抗菌肽活性预测[15]等，很少有针对抗菌肽的溶血活性的预测。因此，本课题旨在建立抗菌肽的溶血
活性预测模型。
二、实验目的和意义
对常用药物的细菌耐药性已成为全球性健康问题，导致了感染病例和死亡率增加。在寻求解决此问题的过程中，抗菌肽被认为是常规抗生素的潜在替代药物。同时抗菌肽对肿瘤细胞的杀伤作用和对病毒的抑制作用也逐渐为人们所关注。但是除了抗菌肽的抗菌，抗病毒和抗肿瘤活性以外，我们也要考虑其在人体内可能导致的潜在溶血风险。目前针对抗菌肽的抗菌活性的预测模型已有一定的研究发现，但是对于溶血活性的预测模型几乎没有。本课题旨在建立抗菌肽溶血活性预测模型，有助于新型抗菌肽的设计及应用。
三、实验方法
（1）数据的收集
从DRAMP[16]数据库中提取有溶血活性的抗菌肽作为阳性数据集，从Uniprot[17]数据库中提取天然的且无溶血活性的多肽作为阴性数据集。阳性数据集和阴性数据集获取后都经过人工筛选，数量比例为1：1。对收集好的数据集进行溶血活性预测模型的构建。
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
