蛋白质相互作用时序网络模型及动态性质分析

蛋白质相互作用研究是理解细胞活性功能和进化机制的重要手段.现有蛋白质相互作用模型多为静态网络,无法有效描述蛋白质相互作用的动态特性.通过综合时序生物信息数据和静态蛋白质相互作用网络数据,生成蛋白质相互作用时序网络.在此基础上,研究了时序网络中节点活跃性、层与层相关性、Hub节点等性质.实验结果表明,时序网络比静态网络更适合蛋白质相互作用动态性质分析.     

一种基于邻域的组合中心性方法

关键蛋白质是各种生命活动的重要参与者,在生命生存和繁殖中起着至关重要的作用.基于邻域的中心性方法是识别关键蛋白质的常用方法.提出基于邻域组合的中心性方法(CNC),将度中心性方法(DC)与局部平均连接中心性方法(LAC)进行组合,并引入参数α调节DC方法的影响权重.实验表明,与现有其它邻域中心性方法相比,CNC方法提高了静态和动态蛋白质相互作用网络的关键蛋白质识别率.     

一种基于多层PPI网络的关键蛋白质识别方法

关键蛋白质是生物体存活和繁育后代所必需的重要物质,通过蛋白质相互作用网络识别关键蛋白质是当前生物信息学研究的热点.现有方法主要通过整合蛋白质相互作用数据和基因表达水平时间序列数据来提高关键蛋白质识别率,但是这些方法通常基于单层网络进行中心性计算和关键蛋白质识别,没有充分挖掘基因表达水平数据的时序特性.本文提出一种基于多层网络的关键蛋白质识别方法,该方法首先构建各观测时点的活跃蛋白质相互作用子网络,并对各个网络的活跃蛋白质进行中心性计算,然后将每个蛋白质所有时点的中心性值进行加权求和,最后计算前100到600蛋白质中包含的关键蛋白质数量.实验表明,该方法比现有单层网络方法具有更高的识别率.     

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。     

一种构建动态蛋白质相互作用网络的阈值方法

蛋白质相互作用网络(PPI网络)分析有助于从系统的角度研究疾病分子机制、发现新药靶点.阈值方法是构建动态PPI网络的重要方法之一.在3Sigma阈值方法的基础上,引入参数h作为标准差指数,通过标准差系数k和指数h共同调节蛋白质基因表达活性阈值.实验表明,与现有动态PPI网络相比,该阈值方法构建的动态PPI网络具有更高的关键蛋白质识别率.     

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...     

水稻蛋白质相互作用网络的预测与分析

通过同源映射的方法,利用6个模式物种的蛋白质相互作用数据预测水稻的蛋白质相互作用网络.预测到水稻中有4483个蛋白质参与了24942个蛋白质相互作用.通过GO注释,结构域相互作用,基因共表达等3个证据评估预测网络的质量,并对网络进行了拓扑属性分析.结果表明水稻的蛋白质相互作用网络符合scale-free属性.通过对网络中功能模块的分析,可以预测蛋白质的功能和亚细胞定位信息.     

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。     

指纹识别在新型学籍管理系统中的应用

学籍信息管理是学校教务管理的重要内容,伴随着计算机技术尤其是数据库技术和网络技术的发展,学籍信息管理系统应运而生,并且得到快速发展和应用.当前学籍信息管理系统一般都集中于学籍静态信息的管理,例如学生基本信息,异动信息等,而对于一些动态信息的管理,例如学生学期注册或上课签到等,由于无法提供这些动态信息的有效性和真实性识别能力,目前还是采用传统的书面签字方法.为此,结合厦门大学新型教务管理系统的开发,采用指纹识别技术,构建了针对学籍信息管理系统模块的远程签到系统.引入指纹考勤功能模块后,可以有效地避免代签等问题,对于保证出勤率和教学质量具有积极意义.     

基于信噪比的蛋白质相互作用的预测

蛋白质间的相互作用在生命体中扮演着关键的角色.将改进的共鸣识别模型应用于预测酵母蛋白质间的相互作用,并改用信噪比为判别参数.此判别参数与之前的判别参数——峰值相比,在保证较高预测精度的基础上,还可以很好地区分阳性数据和随机数据,从而也就能较好地处理过度拟合的问题.     

基于能量原理的等效静态载荷法及其在活塞动态优化中的应用

针对位移等效静态载荷法在求解结构动态优化时遇到的等效关键时间点不合理、等效结果误差大等问题,提出一种基于能量原理的等效静态载荷法.该方法通过将结构动态响应解空间进行谱元离散,识别出结构的关键时间点,并在该时间点构建了基于能量等效的动态载荷静态转化数学模型.应用优化算法搜索得到了等效静态载荷集的最优解,从而将结构动态优化问题转化为静态优化问题求解.最后,通过在某柴油机活塞油腔结构的动态优化设计中的有效应用,验证了能量等效静态载荷法的有效性和工程实用性,拓展了等效静态载荷法的理论范畴,同时为复杂结构动态响应优化设计提供了一种新的思路.     

融合互作网络和多模态信息的化合物-蛋白质相互作用预测模型(INMI)

化合物-蛋白质相互作用(Compound-protein interaction, CPI)预测是药物研发领域的一个重大课题.随着生物科学的飞速发展，各种科学实验产生了大量的生物数据，通过计算方法能够快速有效地提取和利用这些信息.已有方法未能将相互作用网络中的信息显式地进行提取并加以利用，且多模态信息的融合方式未能抓住蛋白质和化合物之间的联系.为了解决上述问题，本文提出了一个二分类深度学习模型.该模型使用交叉注意力模块整合分子图和蛋白质序列信息，并从相互作用网络中显式提取节点的中心性和相关性信息，作为模型编码.实验表明，本文所提出的模型可以准确预测蛋白质和化合物之间的相互作用，而且节点中心性编码能够大大提高模型性能.     

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.     

基于节点相似性有偏游走的多层时序网络节点重要性评估

时序网络中关键节点的挖掘引起了社会广泛的关注。针对时序网络建模中存在忽略时间信息、未考虑时间切片间的交互关系进而影响关键节点识别的准确性和科学性的问题,构建了多层时序网络模型,并提出了一种基于节点相似性有偏游走的关键节点识别算法：多层时序有偏PageRank（MTB-PR）。本文中网络模型的构建引入多层网络分析方法,完整涵盖了时序网络的结构演变。同时,基于所构建的网络模型,综合层内相邻节点间相互作用及其层间影响的双重因素来区分节点的不同影响力;通过数据分析,探讨了一些偏差参数变化对节点重要性能指标的影响。最后,将模型和算法应用于真实网络中,通过实验数据验证了该方法的合理性和有效性。     

基于拓扑结构的生物网络关键节点识别研究进展

与生物学实验方法及其它方法相比,基于拓扑结构的生物信息学方法在生物网络关键节点识别上有独特优势.本文从节点的中心性测度、网络的拓扑参数及层次结构等几方面总结了生物网络的主要拓扑特征;比较了蛋白质网络、代谢网络及基因调控网络关键节点识别的主要方法;分析了相关的一些算法.最后指出存在的一些主要问题,并提出解决的思路及进一步研究的方向.     

复杂网络分析激酶底物信号传递机制

为了研究信号从激酶到达底物蛋白质后的传递机制,本文将磷酸化和蛋白质相互作用结合构建网络,利用复杂网络理论对该网络进行分析.结果发现,底物中存在的社区结构不会只传递特定激酶组的信号,影响网络稳定性的关键节点大多参与肿瘤发生相关的信号途径.     

一种动态联盟企业风险概率识别方法

根据动态联盟企业信息具有不确定性的特点,应用贝叶斯网络对企业的风险概率进行识别.通过对贝叶斯网络的构建与分析方法的探讨,用贝叶斯网络描述企业信息变量间的依赖关系,从而识别不同风险发生的概率.仿真结果表明,贝叶斯网络可以有效地描述动态联盟企业不确定信息变量之间的依赖关系,是进行风险概率识别的一种有效方法.