基于模体中心结构的蛋白质复合物识别算法

基于蛋白质相互作用的网络有明显模块化特征, 其对预测蛋白质功能、解释特定的生物进程具有重要作用, 网络模体是复杂网络演化的 重要拓扑结构, 其代表了复杂系统中的重要功能单元, 具有进化保守性的特性, 提出一种新的基于网络模体为核心节点组的蛋白质复合物识别算法. 该算法根据蛋白质相互作用网络的拓扑特性, 将模体作为蛋白质复合物的中心结构体, 并基于中心结构体进行二层节点扩充, 能准确有效地识别蛋白质复合物. 并且将复合物二维网络进行三维转化, 从而更直观清晰地展示复合物的结构体特征. 实验结果验证了该算法的有效性及可行性.     

一种改良的蛋白质复合物识别方法

高通量的方法产生了大量蛋白质相互作用数据.然而研究表明,对于已过滤的双杂交酵母数据集,假阳性相互作用的比例达到50%左右.这些假阳性这对于进一步的PPI网络研究带来了负面影响.因此,消除假阳性或者降低假阳性带来的负面影响变得非常重要.根据蛋白质相互作用网络的拓扑特性,每一组相互作用被赋予一个存在概率,概率值表示相互作用的可靠程度,概率值为0的相互作用被标识为假阳性予以消除.提出了一种改良的蛋白质复合物识别方法,该方法基于核-附件的思想,识别的复合物具有更强的生物统计特性.改良的新方法及其他经典的识别方法在酵母数据集上得到运行,实验结果表明,改良的方法性能优于现有的经典方法.     

一种基于层次图聚类的蛋白质复合体检测算法

蛋白质复合物在生物生命活动中扮演着重要作用,基于蛋白质互作用(PPI,Protein-Protein Interaction)网络进行复合物检测是当前的一个研究热点.针对此,提出了一种基于层次图聚类的蛋白质复合物检测算法,其中结合网络拓扑结构和蛋白质复合物信息,给出一种网络结点的权重定义方式;边在蛋白质互作用网络的拓扑属性与层次图聚类算法相结合,提出了一种基于层次图聚类算法的蛋白质复合体识别算法HGCD(Hierarchy Graph Clustering based method for Protein Complexes Discovery).在Utez酿酒酵母PPI网络中进行蛋白质复合物识别结果表明,HGCD算法可以发现网络中的蛋白质复合体.     

基于复合物结构和网络拓扑特性的关键蛋白质识别算法

关键蛋白质的识别有助于从分子水平上理解生命的活动过程,然而仅从拓扑特性角度来识别的关键蛋白质不够精准,因此为了提高识别准确率,结合复合物信息提出了确定蛋白质关键性的指标模型EIC,该模型是基于蛋白质复合物内的局部中心性特性以及网络的全局信息特性来考虑.使用DIP和MIPS两种蛋白质相互作用(PPI)网络作为实验数据集,...     

基于网络拓扑和多种生物信息融合的关键蛋白质识别算法

关键蛋白质的识别有助于了解细胞存活的基本需求,并为疾病治疗找到新方法,但是蛋白质自身携带着复杂的生物特性,仅依赖网络拓扑特性不能精准地判断其关键性.因此,提出一种新方法来提高识别关键蛋白质的准确率.首先,考虑网络拓扑特性以及蛋白质在不同亚细胞中的重要程度,定义了SNC方法;其次,利用蛋白质在亚细胞与复合物信息中的特性定义了SIDC方法;最后,通过融合网络拓扑结构和多源生物信息,提出了关键蛋白质识别算法CTB.在YDIP、YMIPS和Krogan数据集上利用精准率-查全率等多种评估方法进行实验,结果表明CTB算法提高了识别关键蛋白质的性能.     

基于复合物信息和亚细胞定位信息的关键蛋白质识别

针对蛋白质相互作用(protein-protein interaction,PPI)网络中存在大量噪声,以及现有关键蛋白识别方法的挖掘效率和预测准确率不高等问题,提出一种基于复合物信息和亚细胞定位信息(united protein complexes and subcellular locallizations,PCSL)来识别关键蛋白质。首先,整合PPI网络的拓扑属性、生物属性和空间属性构建加权网络,以降低PPI网络中噪声的影响,达到提升PPI网络的可靠性的目的;其次,根据复合物信息和空间信息,设计一种衡量蛋白质关键性的度量,从多维角度强化关键蛋白质在PPI中的重要程度;最后,利用基于PPI网络拓扑特性的寻优算法,设计一种新的试探策略,提升挖掘关键蛋白质的效率。PCSL方法应用在DIP(database of interacting protein)数据集上进行验证。实验结果表明,与其他10种关键蛋白质识别方法相比较,该方法具有较好的识别性能,能够识别更多的关键蛋白质。     

基于图着色的极大团求解算法

极大团问题是图论中一个经典的组合优化问题,也是一类NP完全问题,在国际上已有广泛的研究。作者在对其他现有极大团求解算法进行研究之后,设计了一种基于图着色思想的极大团求解算法。基本思想是通过不同的方式对随机图的相应补图进行顶点着色,寻找出所有顶点的极大独立集。而后返回到原图之中找出极大团,并且通过比较删减寻找到随机图的所有极大团。     

一种融合多组学数据的关键蛋白质预测算法

关键蛋白质在维持生物体的生理活动中发挥着重要的作用，预测关键蛋白质有助于设计药物分子靶标.随着高通量技术的发展，基于蛋白质相互作用关系数据采用计算方法识别关键蛋白质成为当前的热门研究.研究表明，将蛋白质相互作用网络与其他生物学信息结合起来能够更有效地识别关键蛋白质.因此，本研究提出一种整合蛋白质相互作用数据、基因本体注释信息、蛋白质亚细胞定位信息及蛋白质结构域信息的识别关键蛋白质的新方法TGSD.为了评估新算法的有效性，选取4组常用的酵母测试数据集进行仿真实验，详细比较TGSD方法与其他7种经典方法的识别效果.数值结果显示，TGSD在预测正确关键蛋白质数目和准确率等统计指标上明显优于其他算法.     

基于蛋白质相互作用网络的蛋白质复合物和功能模块预测算法研究进展

蛋白质相互作用网络中的模块化结构通常对应于蛋白质复合物或者蛋白质功能模块。基于蛋白质相互作用网络预测蛋白质复合物和功能模块不仅有助于理解生命有机体的细胞生物过程,而且可为探讨疾病的发生、发展和治疗以及合理的药物开发提供重要的基础。本文通过回顾近二十年来基于蛋白质相互作用网络的蛋白质复合物和功能模块预测算法研究的发展历程,按照静态蛋白质相互作用网络(SPIN)和动态蛋白质相互作用网络(DPIN)两个方向分别梳理预测算法所涉及的方法和技术,同时归纳常用的数据集并分析所面临的问题,为进一步研究提供有价值的参考。     

基于多属性决策的关键蛋白质识别算法研究

关键蛋白质往往通过蛋白质复合物的形式在生物生命活动中扮演着重要作用,在蛋白质互作用(PPI,Protein-Protein Interaction)网络中关键蛋白质对应互作用网络中的重要节点,基于此,提出了一种融合蛋白质拓扑结构属性信息和蛋白质复合物信息的基于多属性决策的关键蛋白质识别算法CBT-Topsis(Topsis based method for Essential Protein Identification on Complex Biological and Topological properties)。该算法采用多属性决策方法TOPSIS将节点局部重要性(LN)、聚集系数(CC)、点介数(BC)和蛋白质复合物内度中心(IDC)进行融合,根据节点重要性对PPI网络中的蛋白质进行排序。在酿酒酵母蛋白质互作用网络中进行关键蛋白质识别的结果表明,CBTTOPSIS算法在F度量、准确率、特异性、敏感度等方面表现了良好的性能。