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,...     

基于极大团扩展的蛋白质复合物识别算法

针对蛋白质复合物识别工具CFinder容易识别出超大复合物的缺陷,提出一种基于极大团扩展的蛋白质复合物识别算法(IPC-MCE)。将极大团看作蛋白质复合物的核,通过考查核的邻居顶点与核内顶点的作用概率决定邻居顶点是否属于该复合物。基于酵母蛋白质相互作用网络平台的实验结果表明:与CFinder相比,提出的IPC-MCE算法在相同条件下能够更精确地标识已知蛋白质复合物;在最优参数设置下,IPC-MCE算法标识的已知蛋白质复合物数量是CFinder标识数量的2倍多,说明IPC-MCE算法具有更强的蛋白质复合物识别能力。     

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.     

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.     

蛋白质界面网络中模体和模块的探测

基于复杂网络研究蛋白质界面网络中的模体和模块,发现蛋白质界面网络与蛋白质肽链网络的拓扑性质有差异.蛋白质界面网络中的模体类型和数量受截断距离R影响较大,R值不同,网络中的模体类型和数量都有较大差别.蛋白质界面网络中存在模块结构,分析R为0.5,0.7,1.2,2.4nm时网络中存在的3-派系-模块,发现当R为0.7nm时的蛋白质界面网络模块划分比较符合实际.最后,分析蛋白质界面网络中的模块与其拓扑性质的关系,发现界面网络中的节点数与3-派系-模块数呈线性关系.     

基于矩阵得分的蛋白质β-hairpins模体识别

用矩阵得分的方法,从蛋白质的氨基酸序列出发,以氨基酸紧邻关联为参量,分别对6 035个和4 884个β-hairpins模体进行识别.利用10-fold cross-validation检验,识别总精度分别达到85.4%和81.2%.     

基于最短路径的关键蛋白质识别研究

关键蛋白质的识别有助于从系统水平上理解生命活动过程,基于蛋白质相互作用网络拓扑特征的关键蛋白质识别可以有效地提高识别精度和速度.通过蛋白质节点的最短路径数和点介数可以作为衡量其节点中心度的方法,但计算速度和计算规模有限.根据所预测蛋白质相互作用网络的特点,提出了基于最短路径技术的关键蛋白质识别方法,选择合理的识别阈值和...     

基于拓扑和生物特征的权重网络中络合物抽取

蛋白质关系网络的权重设置对蛋白质络合物的抽取有着较大的影响.综合考虑蛋白质关系网络的拓扑结构特征和生物信息特征,提出一种新的权重设置策略,并向原有蛋白质关系网络中添加高可信度关系.基于修正后的蛋白质关系网络,用监督学习方法抽取蛋白质络合物,在DIP数据集上,F值达到0.5705.     

基于量子模糊聚类算法的复杂网络社团结构探测

研究了复杂网络的社团结构特性,探讨了复杂网络的社团结构探测算法.针对现有算法中判断社团结构时的主观性问题,提出了量子模糊聚类算法,并将该算法用于复杂网络社团结构的探测.实验结果表明:该算法可以准确、有效地探测到网络中实际存在的社团结构.     

基于社团密合度的复杂网络社团发现算法

传统的社团发现算法大多存在划分效果和复杂度相矛盾的问题,为了解决该问题,提出一种新的单社团结构评价标准——社团密合度(group density).在此基础上,设计了一种基于凝聚思想的社团发现算法,该算法通过不断融合小社团,使网络的社团结构向平均社团密合度最大的方向发展,并使用模块度检测算法的划分结果.通过与经典的GN,Fast Newman,LPA等算法对多个数据集进行实验对比,验证了本文算法在获得较好的划分效果的同时具有较低的时间复杂度.     

基于复杂网络和图像轮廓的形状识别方法

基于轮廓的图像识别方法具有过程简单、识别效率高等特点.但随着人脸表情变化、光照强度以及遮挡等因素的改变,提取图像轮廓形状的难度增大,从而使方法的有效性受到影响.本文提出一种基于复杂网络和图像轮廓的形状识别方法,通过提取形状图像的轮廓点,建立相应的复杂网络模型,计算相关参数来识别图像.实验表明,该方法具有对轮廓图精确度依赖性低、复杂网络规模小、阈值参数少、能有效适应边界形状改变等优点.     

一种基于关联图的蛋白质结构预测改进算法

采用一种改进的COMAR （Contact Map Reconstruction）算法求解基于关联图的蛋白质结构预测问题.根据蛋白质关联图和先验知识,并以半随机的方式生成距离信息,根据距离信息得到蛋白质的坐标,并通过坐标修正和摄动,使得重构结构的关联图与给定的关联图相一致.结果表明,阈值较大的关联图所重建的结构较好,与原COMAR算法相比,在相同的迭代次数下,改进的COMAR算法的精度较高.     

基于蛋白质互作用网络的关键蛋白质识别研究

本文提出了基于图论算法的关键蛋白质识别方法,选择合理的候选关键蛋白质集合和相关的路径参数,对大规模蛋白质互作用网络的关键蛋白质进行预测．实验表明,该算法是有效的．     

基于虚拟力牵引的社团划分算法

文中基于虚拟引力的思想,提出了一种新的社团划分算法.其基本思想是将相连节点之间看作是引力,不相连节点看作是斥力,让节点之间进行相互作用,直到节点以社团的形式聚集起来,从而达到划分社团的目的.通过在计算机生成网络和已知社团结构的现实网络中对本算法进行仿真,发现算法具有较高可靠性和接近线性的时间复杂度.     

基于复杂网络的微信网络信息传播研究

近三年,微信迅速发展成为最热门的社交平台。通过对微信网络的基本数据描述和复杂网络分析方法,对微信网络结构拓扑性质进行了分析。构建腾讯微信社交网络,得到度分布、聚集系数、平均路径长度等复杂网络统计性质,得出了微信网络的无标度特性和小世界特性,为研究信息在微信中的传播性质,对腾讯微信数据进行实证分析,结合实际案例,评价了微信网络拓扑结构对网络信息传播的影响。