基于关联规则挖掘的蛋白质相互作用的预测

利用蛋白质的一级结构信息,采用三肽频数方法刻画蛋白质序列,将关联规则(association rule,AR)挖掘应用于蛋白质相互作用(protein-protein interactions,PPIs)的预测.计算结果表明,提出的方法在半胱氨酸不同分类的情况下都能够准确地预测蛋白质相互作用.最后,比较半胱氨酸的不同分类对预测结果的影响.     

基于混合核函数SVM的蛋白质相互作用预测方法

针对蛋白质相互作用的预测问题,提出一种以余弦核和线性差值累加核为基核的对偶混合核函数SVM的蛋白质相互作用预测方法.该方法充分考虑了蛋白质的结构域特征,同时根据蛋白质相互作用数据应具有顺序无关的特点,将"对偶"思想引入SVM核函数中.对两个真实的蛋白质相互作用数据集Yeast PPI和Human PPI的测试结果表明,提出的方法与其它方法相比能够有效地提高蛋白质相互作用预测的准确率.     

蛋白质-RNA相互作用预测中的几类分类器

蛋白质-RNA相互作用的研究对于理解细胞生理过程是必不可少的,蛋白质-RNA相互作用的预测是蛋白质相互作用研究中的一项基本工作.蛋白质-RNA相互作用的机制十分复杂,单依靠传统方法无法解决这一问题,结合生物信息学方法,采用计算的方法预测蛋白质和RNA的相互作用备受关注.构建分类器模型是使用计算方法预测相互作用的主要方式,不同分类器建立的分类模型性能不尽相同.为了更深入了解不同分类器的分类性能,通过分析比较贝叶斯、SVM(支持向量机)与随机森林这3种分类方法,归纳总结它们分类性能的优缺点.     

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.     

基于序列剖面和可及表面积的蛋白质相互作用位点的预测

蛋白质相互作用位点的预测对于突变设计和蛋白质相互作用网络的重构都是至关重要的.由于实验确定的蛋白质复合物和蛋白质配体复合物的结构依然相当少,预测蛋白质相互作用位点的计算方法就显得十分重要.该文提出了一种以支持向量机为分类器,以邻近残基的序列剖面和可及表面积为输入数据来预测蛋白质相互作用位点的方法.计算结果显示,界面残基和非界面残基被识别的准确率为75.12%,假阳性率为28.04%.与输入数据仅有序列剖面的方法相比,界面残基和非界面残基被识别的准确率提高了4.34%,假阳性率降低了4.63%.     

应用改进的共鸣识别模型预测蛋白质相互作用

蛋白质是所有生命活动的载体,它们之间的相互作用在生命活动中起着至关重要的作用.该文介绍了原有的用于预测蛋白质相互作用的共鸣识别模型,并对该模型运用小波变换进行改进,提出了改进后的共鸣识别模型.该模型的最大特点在于直接通过蛋白质的一级结构预测蛋白质之间的相互作用,改进后的模型较原模型更加适合于蛋白质相互作用的预测.运用改进的共鸣识别模型进行了数值试验,取得了较好的预测效果.     

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.     

基于支持向量机的蛋白质相互作用界面热点残基预测

针对蛋白质相互作用界面中的热点残基是局部紧凑地聚集着,而现有的基于机器学习的热点残基预测方法仅从目标残基中提取特征,并没有考虑目标残基的局部空间结构信息,以及如何进行特征提取并获得非冗余的特征子集等问题,为准确识别蛋白质相互作用界面的热点残基,提出结合蛋白质相互作用界面残基的空间邻近残基信息提取多类特征,并利用随机森林来进行特征提取,最后利用支持向量机来预测热点残基的方法.计算实验表明,该预测方法可以有效地用来发现热点残基.     

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.     

基于结构域理化性质的蛋白质相互作用方向预测

为了更好地理解蛋白质相互作用,用蛋白质相互作用间信号传递方向进一步注释蛋白质相互作用网络,提出了一种基于结构域理化性质预测蛋白质相互作用方向的方法。首先提取蛋白质结构域的10种理化性质,构成表示方向信息的特征向量;然后建立支持向量机预测模型,并利用网格搜索对模型进行参数寻优;最后用拥有最优参数的模型进行预测。实验结果表明,该模型准确率达到88.17%,AUC值为0.837.与PIDS方法比较结果表明,蛋白质结构域的10种理化性质能够有效用于蛋白质相互作用方向的预测,为预测蛋白质相互作用方向提供了一种新思路。     

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.     

基于小波变换的蛋白质与DNA相互作用的计算机预测

蛋白质与DNA的相互作用在细胞的转录调控和DNA修饰等活动中至关重要.将改进的共鸣识别模型应用于预测酵母蛋白质与DNA的相互作用,运用小波变换找出阳性数据和随机数据的信噪比分布的差异,并通过阈值的选取达到了较好的预测结果.同时,将阳性数据与相应复合物的序列进行序列联配,找到了保守位点,进而从结合位点的角度验证了本方法的正确性.     

轴向荷载下群桩沉降简化计算方法对比

对现有群桩沉降计算方法加以归纳总结,将计算方法总体分为经验公式法和解析法2大类,并对每类方法的建立过程和前提条件进行了归纳总结.最后,以3个典型的数据比较充分的工程案例为背景,对典型计算方法的局限性和适用范围加以比较.结果表明,土的塑性影响仅限于桩周土的狭窄区域,而桩间相互作用位移基本上保持弹性,在非线性分析框架内使用叠加原理(即相互作用因子法)是可行的.在设计方法中是否需要考虑非线性相互作用取决于群桩规模的大小.经验方法有隐含的适用范围,实际使用过程中不宜将适用范围盲目扩大.特别是从小桩组分析发展而来的方法,对大桩组的桩相互作用提供了过于保守的预测.     

一种预测判断蛋白质与DNA相互作用位点的新方法

蛋白质-DNA相互作用位点在各类生理生化反应中扮演重要角色.本论文旨在构建一种可以准确预测“相互作用位点”的方法：PdDNA，其内容主要包括支持向量机和序列匹配器.支持向量机通过提取相互作用位点中心残基的特征进行训练并分类，序列匹配器则通过蛋白质特征矩阵（PSSM）对氨基酸序列进行相关性评估，对二者结果进行归一化整合，得到最终的预测结果.利用公开数据集PDNA_62，我们的PdDNA预测准确率为86.87%.为进一步验证PdDNA可靠性，我们还自建了PDNA_224数据集，其预测准确率为83.07%，处于较高水平.因此PdDNA是一种有效的“蛋白质-DNA相互作用位点”预测方法.     

蛋白质残基相互作用网络在线服务及可视化分析

蛋白质残基相互作用网络对理解蛋白质的结构特征，生物学功能和结合位点预测等研究有重要的作用.然而，现有的蛋白质残基相互作用分析方法易用性较差，需要下载和安装程序，较少提供友好易用的网络可视化功能，极大限制了蛋白质结构、功能和药物设计的相关研究.建立了蛋白质残基相互作用网络在线服务及可视化计算平台(http：//renault.fun)，用户不需要下载和编写程序，仅需上传蛋白质结构数据和口袋相关信息即可搭建蛋白质残基相互作用网络，并实现度中心度(degree centrality)，接近中心度(closeness centrality)和中介中心度(betweenness centrality)等网络特征的计算.该计算平台可进一步实现蛋白质残基相互作用网络的可视化，分析蛋白质表面结合口袋的网络特性，对理解蛋白质结构和药物设计的相关应用研究有较大的帮助.     

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.     

基于改进伪氨基酸组成的蛋白质相互作用预测

提出了一种新的基于改进的伪氨基酸组成特征模型与随机森林的蛋白质相互作用预测方法。首先利用基于Geary自相关函数的伪氨基酸组成特征模型,对与蛋白质相互作用相关的氨基酸属性进行评价,然后根据评价结果选择相关的属性整合到基于Minkowski距离的伪氨基酸特征模型中,并使用随机森林作为分类器进行学习和预测,实验结果表明该方法相对于传统方法提高了正确率。
     

基于组合特征集成的蛋白质相互作用位点预测

运用RBF神经网络预测蛋白质相互作用位点.首先提取序列谱、保守权重、熵值、复合物可及表面积和序列变化率等一系列蛋白质相互作用位点的关键特征.然后应用RBF神经网络以及它们的集成来对这些样本集进行训练与测试.使用10次交叉验证进行训练与测试,创建了4组具有对比性的蛋白质相互作用特征组合.实验中每加入一种新的特征时正确预测率都会相应的提高,特别是加入可及表面积和序列变化率特征时正确率提高幅度更大,表明利用多特征组合,结合RBF神经网络算法进行预测蛋白质相互作用位点的方法是正确有效的.     

基于支撑向量机在线学习方法的短期负荷预测

提出了基于支撑向量机在线学习方法的短期负荷预测,该方法克服了传统的支撑向量机负荷预测当训练样本集合改变时为了保证预测精度必需重新进行训练来得到新的回归函数的缺点.充分利用支撑向量机解的稀疏性和前一次的训练结果,提出了递增和递减算法,直接修改原有回归函数的系数来得到新回归函数.实例计算表明,该方法与传统支撑向量机方法相比,具有计算速度快,推广能力强的显著特点,在相同预测精度下,计算速度提高了近两个数量级.