阿尔茨海默症靶基因及其药物的预测研究

阿尔茨海默症(AD)是一种起病隐匿的进行性发展的神经系统退行性疾病.目前用于治疗AD的药物主要改善患者的认知功能,延缓疾病的进展.目前,这类药物的研制和开发方兴未艾,新药层出不穷.遗憾的是,几乎所有的药物都未能使患者广泛受益.本文一方面从现有用于治疗AD的药物出发,利用DrugBank数据库挖掘AD的靶基因,通过使用DAVID、GenePANDA等数据资源和生物工具,预测得到30个用于治疗AD的靶基因或与AD直接相关的基因,如目前未被充分研究的AD靶基因GPER1、SSTR4、GALR2等.另一方面,基于预测靶基因方法,通过DrugBank数据库预测的可潜在用于AD治疗的药物,如神经类治疗药物中的阿米替林、奥氮平、氯氮平、阿莫沙平、α-氨基异丁酸和组胺6种药物,在非神经类治疗药物中有地塞米松、吲哚美辛、舒林酸和酮洛芬4种药物.     

基于隐马尔科夫模型的基因预测算法

为更好地从DNA序列中识别蛋白质编码区,提高计算效率,将隐马尔科夫模型与前向算法相结合,提出一种生物基因的预测算法.理论证明,该隐马尔科夫模型与经过EM算法优化后的模型具有相同的参数,能够降低计算量,提高计算效率.利用该方法对DNA序列F56F11.4a的外显子进行识别的仿真结果表明,该算法是有效的.     

阿尔茨海默症miRNA靶基因预测研究

为深入了解阿尔茨海默症的发病机制,利用匹配的基因表达数据和miRNA表达数据,对miRNA的靶基因进行预测分析.首先对选择出的差异表达miRNA进行靶基因预测;然后利用HCTarget算法验证预测的靶基因;最后对miRNA及其靶基因构建调控网络.调控网络中包含11个已确定的与AD有关的miRNA及6个AD致病基因.通过分析网络发现miRNA及其靶基因在正常与患病两种情况下的活性变化趋势,生物学分析也证实了它们在AD中的重要作用,为AD发病机制研究提供了依据.     

偏置判别SVM预测microRNA靶基因

针对靶基因样本数据不平衡导致阳性样本预测准确率较低的问题,提出基于SVM的靶基因预测算法,即偏置判别SVM。算法选取高质量的数据集和最优特征集作为输入,在经验特征空间中以偏置判别分析准则为核优化目标函数,使用核保角变换的方法逐步优化核矩阵,用最优核矩阵构造偏置判别SVM,以解决靶基因数据不平衡对预测造成的影响。对比实验分析表明,提出的偏置判别SVM算法具有更高的特异度、敏感度和预测精度。同时,偏置判别SVM具有更强的泛化能力,鲁棒性更好。     

基于二阶马尔科夫模型预测可趋近性miRNA靶基因

miRNA是一类重要的基因表达调节因子.准确预测miRNA的靶基因对研究miRNA的功能和作用机制至关重要.文中提出一种考虑靶位点可趋近性(accessibility)的miRNA靶基因预测算法.算法首先选择满足种子互补条件的“部分可趋近性”位点;然后用二阶马尔科夫模型计算与miRNA种子区互补的特定核苷酸片段(寡聚体)在3′UTR任意位置上出现的概率并统计“部分可趋近位点”上寡聚体出现的次数;采用过表达水平值评估一个或多个互补位点上至少出现一次寡聚体的概率;最后根据过表达水平值排序miRNA-3UTR对,并取排序的前N个miRNA-3′UTR对作为预测结果.在果蝇和人类数据集上测试的实验结果表明此算法具有较高的灵敏性和精确性.     

精神分裂症相关基因的预测——基于大规模数据的整合分析

精神分裂症(Schizophrenia)是一种遗传性复杂、多基因相关的疾病,对其相关基因的研究一直都是疾病基因研究的热点和前沿,也是遗传学领域的难题.随着目前各种组学数据(Omics Data)的产生,全基因组关联研究(GWAS)中和精神分裂症相关的单核苷酸多态位点(SNP)越来越多的公布于学界,整合这些大规模数据并利用生物信息学模型预测精神分裂症相关基因能为进一步翔实探究致病或相关基因提供基因库的富集和优选.本文首先运用已被证明预测表现优秀的随机森林模型(Random Forests)预测精神分裂症的相关基因,然后用全基因组关联研究得到的相关基因的SNP位点进行验证及进一步筛选候选基因.结果随机森林预测模型得到33个精神分裂症候选基因,其中10个基因具有58个SNP位点是精神分裂症GWAS中的显著性SNP位点,因而这10个基因为优选的精神分裂症候选基因,文献查询结果表明这10个优选相关基因与精神分裂症有密切联系.     

基于统计组合与特征分类的基因预测算法

在研究了三种基因局部特征的基础上,针对现有的基因预测方法在预测5'端外显子方面的不足,构建了一种基于统计组合与特征分类的基因预测算法,即将基因区域数据根据局部特征分成两个相对独立的集合,采用统计组合的方法将多种基因预测方法综合在一起进行基因预测研究.实验结果表明,该算法提高了基因预测的精度,为基因预测提供了一种可能的研究方案.     

基于HMM的算法和功率谱算法的基因预测对比研究

基于隐马尔科夫模型的算法和基于傅里叶变换的功率谱算法是常用的基因预测方法且准确度较高．对这两种算法加以论述,并做实验比较．结果表明,基于功率谱的算法在灵敏度和特异性方面都略高于其他基于隐马尔科夫模型的算法．     

日本对虾miR-34靶基因预测及其生物信息学分析

已有研究表明日本对虾(Marsupenaeus japonicus shrimp)miR-34(mja-miR-34)参与调控白斑综合症病毒(white spot syndrome virus, WSSV)的感染，但其调控的宿主基因还未具体阐述.本研究首先比对了miR-34在17个物种中的序列，并使用TargetScan 5.1和miRanda预测了miR-34调控的宿主基因.结果显示，miR-34在物种进化过程中具有高度保守性；mja-miR-34可靶向作用于242个宿主编码的基因，且在病毒感染不同时间段呈现差异表达；利用GO注释和KEGG信号通路富集分析结果表明，mja-miR-34的靶基因参与细胞代谢、细胞信号转导、免疫系统以及遗传信息的调控等过程；mja-miR-34在对虾体内可调控靶基因(translation initiation factor)的表达.结果说明mja-miR-34及其靶基因参与病毒感染等多个细胞进程，但还有待进一步验证.本研究可为mja-miR-34靶基因的鉴定及其生物学功能的研究提供数据支持和理论指导.     

中国鲎保守miRNA靶基因预测及功能分析

以中国鲎、美洲鲎和果蝇EST为靶标,使用多个软件对中国鲎胚胎发育期高表达、高保守的19条miRNA进行靶基因预测。结果表明:8条miRNA在中国鲎EST中获得18条靶基因;17条miRNA在美洲鲎EST中获得616条靶基因;12条miRNA在果蝇EST中获得543条靶基因。这些保守miRNA潜在调控靶基因的功能,不但可能与血液凝集反应以及抗菌功能相关,而且还可能广泛参与生化调控、细胞组分组织架构、细胞组分空间定位、发育过程、多细胞器官构建、色素形成等生理过程。     

基于回归模型的网络排序算法预测药物靶点关系

计算方法预测新的药物靶点关系是新药研发的主要途径,基于相似药物较容易与相似靶蛋白绑定的假定和标签传播的框架,提出一种基于脊回归模型的网络排序计算方法挖掘潜在的药物靶点作用关系;并对四个数据集分别进行30次10—CV预测分析。结果表明,与现有网络算法DBSI、TBSI和NBI相比,该预测算法能得到较高的ROC曲线面积,具有较好的应用前景。     

基于流形正则化非负矩阵分解预测药物-靶蛋白作用关系

识别药物-靶蛋白作用关系是当前药物研究的重要内容,其可帮助识别已有药物的新功能,发现药物的"偏靶蛋白"等。现有预测算法对新药物的作用靶蛋白,及新靶蛋白的作用药物预测存在困难,由此提出一种新奇的基于流形正则化非负矩阵分解的新药物/新靶蛋白作用关系预测算法,该方法首先通过聚类算法构建新药物/新靶蛋白的初始作用标签,然后设计引入流形学习正则化约束的非负矩阵分解算法预测药物-靶蛋白作用关系,最后在四个经典数据集中测试,并与最新预测算法BLM-NII、RLS-WNN和WKNKN+WGRMF算法进行比较,证明本文算法可获取较高的预测精度。     

基于机器学习算法的丙肝预测

由于丙型病毒性肝炎病毒感染后约有3～10%丙肝病例发展为肝细胞癌,因此准确预测丙肝感染情况,提高丙型肝炎病毒检测技术非常重要,为此,采用机器学习中的集成算法进行丙肝预测。为挑选出最优检测丙肝模型,将不同机器学习模型在UCI(University of California Irvine)丙肝数据进行比较分析。实验结果表明,梯度提升树,随机森林以及轻量级梯度提升机表现较好,其中梯度提升树在预测丙肝准确率高达0.935 1。使用梯度提升树对丙肝感染情况进行预测最为准确。     

基于EDP算法的股票价格预测

股票价格预测一直是金融分析领域的一个重点和难题．目前,运用智能系统对股票市场进行预测的方法已经被广泛确立．本文提出了用基于贝叶斯网络的EDP算法进行股票预测的模型,相对于传统的预测方法,具有收敛速度快的特点,根据实验的仿真结果显示,该模型对于股票价格预测效果较好．     

基于HS-BP算法的股票预测

为了有效预测股票问题,针对股票走势具有随机波动性和非线性的特点以及BP神经网络收敛速度慢、容易陷入局部极小值的缺点,提出利用和声搜索算法优化BP网络权重的方法改进神经网络,并通过对股票预测指标的分析,建立了股票预测模型,将和声搜索算法优化BP网络应用于所建立的模型中求解.实验结果表明,将HS算法和BP神经网络有机结合,加快了网络收敛速度、避免了局部极小值,有效地刻画了股票的随机波动特性,提高了股票预测的准确性.     

基于GEP的多数据流预测算法

针对传统的基于线性回归预测建模方法只能适应简单的预测建模和只能预测未来窗口平均值的不足,提出了基于基因表达式编程(gene expression programming,GEP)的多数据流预测方法。在多数据流环境中使用滑动窗口对多数据流的划分方法,给出了多数据流环境中的数据流名称的定义,揭示了这些数据流之间存在的映射关系;进而提出了对多数据流进行预处理的方法,并建立了基于GEP的多数据流的自适应预测模型。使用真实数据进行实验,验证了算法的有效性。     

基于Levenberg-Marquardt算法的应力集中预测

应用应变电测的基本原理及技术 ,测量所研究试件应力集中附近处的应变值 以神经网络技术为基础 ,采用单隐层网络结构 ,以Levenberg -Marquardt算法来训练网络 笔者在收集已有相关资料的基础上 ,对应力集中处的最大值进行了预测 通过与常用的应力集中预测模型进行数值计算比较 ,表明该模型预测精度高 ,可靠性强 模型中所采用的数据预处理方法 ,大大扩大了模型的应用范围     

基于DE-BP算法的混凝土强度预测

建立了基于BP神经网络理论的混凝土强度预测模型。针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法（Differential Evolution algorithm,DE）对其进行优化,以提高预测精度。     

基于网络链接预测的推荐算法

提出基于二部网络连接预测的推荐算法.将用户-项目的评分矩阵用带权的二部网络来表达,根据推荐问题和带权二部网络连接预测问题的相似性将推荐问题抽象为二部网络上的链接预测问题,采用基于相似度的连接预测算法进行项目推荐.算法综合考虑了顶点间的拓扑关系,以及用户之间、项目之间的相似性,找出用户对其尚未表达的项目的潜在兴趣度,应用二部网络连接预测的算法来解决推荐问题.实验结果表明,算法能够有效地提高推荐的精度.