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.     

一种基于网络嵌入的社区发现方法

社区发现是社会网络分析的重要任务,有助于理解中观尺度的网络结构.现有的诸多社区发现方法仅考虑网络的拓扑信息,忽略了网络中每个节点所包含的属性信息.为此,本研究首先基于社会网络的拓扑结构信息与节点属性信息分别构建初始特征矩阵;然后基于网络嵌入模型,融合初始特征矩阵的主成分信息,构建共识嵌入矩阵;最后,给出社会网络中"领袖节点"的泛化定义形式,并提出一种改进的图聚类算法(LIK-means)挖掘社会网络中潜在的社区结构.实验表明,LIKmeans较其他经典算法有较好的可扩展性,同时在真实社会网络中的社区识别精度更高.     

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。     

基于分子网络的癌症基因与非癌症基因的差异性分析

研究人类蛋白质相互作用网络中,癌症基因和非癌症基因在拓扑结构上的差异性,进而为潜在的癌症基因挖掘提供重要依据。首先利用多个数据库,构建一个较为全面的人类蛋白质相互作用(protein-protein interaction,PPI)网络,并搜集已知癌症基因;然后从PPI网络中抽取大量随机样本,并分别统计分析随机样本和已知癌症基因在节点度、节点介数和最大连接组件上的差异程度。得到了如下结果:(1)构建了一个较为全面的人类蛋白质相互作用网络;(2)获得乳腺癌已知癌症基因集;(3)已知癌症基因集和PPI网络随机样本在节点度、节点介数以及最大连接组件等拓扑结构属性上差异有显著性(P<2.2×10-16)。PPI网络的节点度、节点介数和最大连接组件等拓扑结构属性能够显著地区分癌症基因与非癌症相关基因,为新的未知癌症基因的发掘提供了重要考察依据。     

基于Hadoop云平台的新浪微博社交网络关键节点挖掘算法

为了高效地分析挖掘新浪微博社交网络信息传播过程中的关键节点,以Hadoop云计算系统作为存储和处理平台,在X-RIME大规模社会网络分析工具开源框架基础上,针对社交网络中使用HITS(hypertext induced topic selection)链接分析算法挖掘关键节点时,未能体现节点和连接的社会属性问题进行改进.新算法充分考虑了社交网络节点和边的社会属性,对HITS算法节点和边的社会属性权值进行优化计算,提出适合社交网络特点的加权HITS算法.通过Hadoop云平台分别运行加权HITS算法和传统HITS算法对新浪微博社交网络数据进行分析.实验结果表明,加权HITS算法比传统HITS算法具有更高的执行效率和结果区分度,加权HITS算法更适合于大规模社交网络信息传播过程中关键节点的分析挖掘.     

融合PPI和基因表达数据的关键蛋白质识别方法

提出一种新的融合了基因表达数据和PPI网络的拓扑特性来识别关键蛋白质的中心性测度PeC.对于网络中的每一条边,PeC首先计算该边的聚集系数和该边相连的2个基因(蛋白质)共表达的皮尔逊相关系数,并在此基础上进一步计算出该边的权值.网络中每个节点的PeC值即为其所连接的所有边的权值之和.基于酵母PPI网络上的实验结果表明,PeC明显优于其他8种中心性拓扑参数DC,BC,CC,SC,EC,IC,LAC和SoECC;特别地,在预测的蛋白质数量不大于总数量的10％的情况下,PeC的预测准确率相对于SC,CC和EC提高20％以上.     

多粒度PPI网络描述模型及其蚁群优化的功能模块检测方法

针对蚁群算法在大规模蛋白质相互作用(protein-protein interaction,PPI)网络中进行功能模块检测所暴露的时间性能方面的不足,提出了一种基于多粒度描述和蚁群优化的快速求解算法。首先,从粒度计算的角度,给出了一种新的多粒度PPI网络描述模型;然后,基于该模型,设计了融合功能和结构信息的粒度划分,粗粒度的蚁群寻优,解的还原与优化3个阶段的求解过程。在大规模PPI网络上的实验表明:算法在保证检测质量的同时,能显著降低利用蚁群算法进行功能模块检测的求解时间,而且与近年来的一些经典算法相比在检测精度上也具有一定的优势。     

基于点权的混合K-shell关键节点识别方法

复杂网络中,评估节点的重要性对于研究网络结构和传播过程有着重要意义.通过节点的位置,K-shell分解算法能够很好地识别关键节点,但是这种算法导致很多节点具有相同的K-shell (Ks)值.同时,现有的算法大都只考虑局部指标或者全局指标,导致评判节点重要性的因素单一.为了更好地识别关键节点,提出了EKSDN(Extended K-shell and Degree of Neighbors)算法,该算法综合考虑了节点的全局指标加权核值以及节点的局部指标度数.与SIR(Susceptible-Infectious-Recovered)模型在真实复杂网络中模拟结果相比,EKSDN算法能够更好地识别关键节点.     

基于网络特性的产品制造过程节点重要度评估

车间中重要资源状态的变化将会影响整个生产过程(推迟交货期、浪费资源等)。针对资源的重要性评判问题,结合复杂网络理论在复杂系统分析上的优势,将产品制造过程中的各设备资源定义为网络中的节点。根据任务路线的流向,构建制造过程多任务加权有向网络模型;同时基于所建立的车间制造网络,考虑资源节点自身属性及其相邻节点对其重要度的影响。综合度中心性、聚类系数及接近中心性三项网络特征参数,提出一种多属性决策算法评判节点的重要程度。最后,以变压器产业某个生产车间实况为例进行Flexsim仿真,通过仿真结果与该算法的对比验证其实用性和正确性。     

基于连接信息的无线传感器网络边界节点识别算法

无线传感器网络边界节点检测是识别网络覆盖空洞和提高数据路由效率的关键。为提高边界节点识别的精度,降低识别过程中对节点位置信息的依赖和能量消耗,提出了一种分布式边界节点识别算法(distributed boundary node identification,DBNI),该方法无需节点位置信息,仅依靠节点间的连接信息即能够有效识别网络中的边界节点。基于MATLAB的仿真实验和Zig Bee节点的实验结果都表明,同其他算法相比,该算法识别精度高,能量消耗低。     

基于属性信息和结构特性的网络节点重要度研究

现有的节点重要度排序方法大多只针对网络的拓扑结构进行研究,忽视了网络节点自身所包含的属性信息.然而这些属性信息至关重要,却广泛存在不完备性,这些不完备属性信息与节点的重要性密切相关.针对这一问题,提出一种基于优势粗糙集理论和TOPSIS方法的网络节点重要度分析方法,融合网络结构特性和节点属性信息,克服了单一从拓扑结构分析的局限.最后,将本文所提出的方法应用于微博社交网络中的用户重要度评价,并与其他方法进行比较,结果表明,该方法的排序结果对节点在属性信息和结构特性的重要性进行了较好的综合,能全面地体现出各节点的重要程度.     

信度函数在复杂网络节点重要性评价中的应用

针对复杂网络中重要节点的识别问题,提出了一种基于信度函数复杂网络中识别节点重要度的方法;回顾了信度函数、复杂网络相关理论知识及节点重要度相关算法,建立了基于信度函数的节点重要度识别模型;通过建立辨识框架,把节点相关属性转换为信度函数,利用证据理论组合规则进行融合,得到节点的综合属性信度函数值并将其转换为单一数值,进而提到节点的排序结果;实例分析表明,所建立模型有效克服了相关单一节点重要度算法的局限性问题,具有合理性与有效性,可进一步推广。     

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.     

一种基于安全移动代理的路由算法设计

移动代理通过遍历网络收集信息,由于网络的开放性,代理及其内部数据的安全受到巨大威胁.提出了一种基于安全移动代理的路由算法的设计思想,使用概率值来构造路由表,通过移动代理在网络节点间地迁移,来发现网络状态,更新节点路由表.同时在网络节点处建立信任表,定期生成TestDataAgent(测试代理)在虚拟空间中运行,并对其属性和关键数据进行检测以保证网络节点的可靠性,实现代理在网络中的安全.还用Grasshopper移动代理开发平台构造了一个简单网络模型,对此算法进行了验证.     

未知拓扑无线自组网络多节点干扰决策算法

为满足战场环境下无线自组网络通信拒止的干扰需求,提出了一种未知拓扑无线自组网络多节点干扰决策算法(CUCB)。首先,根据战场无线自组网络结构特点构建泊松点过程(PPP)网络模型,并利用其模拟网络中数据流传输过程;其次,随机对PPP网络中多个节点进行干扰,通过监听确认帧信息或侦察节点活跃度判断阻断网络流数,根据干扰结果构造节点相关性矩阵;最后,利用强化学习与环境实时交互的特点,在干扰过程中不断更新节点相关性矩阵并将其用于后续节点选择。所提算法无需获悉目标网络拓扑结构、节点重要性等先验信息,仅以阻断网络流数目或节点活跃性作为奖赏标准,适用网络类型更为广泛。仿真结果表明,对不同参数下的无线自组网络进行干扰,所提算法在鲁棒性方面优于现有算法,在累积阻断网络流数量方面比联合利用探索算法提高了27.1%。     

基于深度学习的无人驾驶汽车车道线检测方法

车道线检测是实现当前汽车辅助驾驶和未来无人驾驶汽车的关键,深度学习技术在近年来迅猛发展,在图像识别、图像分割、语音识别及数据预测等方面都取得了出色成绩。结合深度学习技术对无人驾驶汽车环境感知中的车道线检测进行了相应的研究,提出一种基于深度学习的车道线识别算法。对比研究已有算法,针对其中的信息融合问题,提出了一种新的特征图上下文信息融合方法,将该方法与VGG(Visual Geometry Group)网络相结合提出融合上下文信息的车道线识别网络VGG-FF,进一步加入空洞卷积提出融合空洞卷积及上下文信息的车道线识别网络VGG-FFD。将该网络模型在公开数据集以及自制数据集上进行了性能测试,实验结果表明该模型具有良好的识别效果。