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.     

蛋白质组研究进展

蛋白质组学是在基因组研究由结构基因组学转入到功能基因组学的背景下产生的．蛋白质组是指一个有机物所有的全部蛋白质．蛋白质组研究中使用双向凝胶电泳技术分离蛋白质，质谱技术鉴定蛋白质．蛋白质组研究可应用于基础研究和应用研究，尤其在生物医学领域前景美好．蛋白质组研究将带来生命科学的巨大变化，并将深刻地影响和改变人类的生活．     

基于模拟退火算法的蛋白质空间结构预测

模拟退火是一种通用的启发式优化算法，将模拟退火思想用于求解蛋白质结构预测问题，计算结果表明利用SA算法得到的解优于目前常用的遗传算法和MonteCarlo方法．     

近红外光谱定量分析小麦粉蛋白质含量

基于逐步多元线性回归的算法，对小麦粉的近红外光谱进行了蛋白质浓度的定量分析。通过对原始近红外光谱在波长范围1300～1860nm内，采用不同波长间隔的逐步回归，提取了较理想的回归波长，建立了少参量数学模型。对不同未知样本进行了预测，结果表明，所建模型具有一定的稳定性，对未知样品蛋白质浓度的测量偏差较小，其最大偏差不超过1．0。     

青海柴达木盆地春小麦蛋白质含量状况调查

分析了柴达木盆地３４份小麦样品共１９个品种（系）的籽粒蛋白质含量，测定结果为：诺木洪农场春小麦蛋白质含量最高，平均为１０．８６％，德令哈地区则含量最低，平均为９．４５％；不同品种中青春８９１蛋白质含量最高，为１２．７４％，瀚海３０４蛋白质含量最低，仅为８．９８％，针对柴达木盆地春小麦蛋白质含量的现状，提出了该地区今后提高小麦蛋白质含量的措施。     

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。     

不同活力花生种子蛋白质的研究

花生种子经人工加速老化处理后种子活力下降，其蛋白质总含量、胚轴和子叶中的蛋白质含量均随之下降，胚轴、子叶中可溶性蛋白质含量也随种子活力的下降而减少，低活力花生种子胚轴可溶性蛋白质和结合蛋白质的合成能力显著下降．低活力种子萌发时，贮藏蛋白质迅速降解，而新合成的蛋白质却较少，随着种子活力的下降，胚轴可溶性蛋白质和结合蛋白质的种类也随之减少．     

蛋白质分离纯化与层析技术进展

蛋白质分离纯化是蛋白质产品工业化生产的关键之一。文中分析了蛋白质分离纯化的特点，指出了分离纯化蛋白质应解决的一些问题。层析技术是一种有效的蛋白质纯化方法，文中从层析方法、层析固定相、层析过程的数学模拟三方面评述了层析技术的新进展     

一种不产生候选项集的关联规则挖掘算法

在挖掘关联规则的过程中，关键步骤是产生频繁项集．基于频繁项集支持矩阵的思想，提出一种有效的频繁项集挖掘算法-FIMA，并给出了算法的基本设计思想和算法描述．本算法利用矩阵挖掘频繁项集，不需要产生候选项集，且只需扫描数据库一次。所以此算法是非常有效的．     

PCA方法在蛋白质亚细胞定位中应用

蛋白质的亚细胞定位与其生物功能密切相关,蛋白质数据库急剧膨胀,迫切需要设计出功能强大的高吞吐量的算法来预测蛋白质的亚细胞位置.许多预测工具都是基于伪氨基酸组成构建而成,应用一种数据分析方法——主成分分析(PCA)法,确定能反映序列次序效应的最优λ值.首先让λ取最大以包含尽可能多的序列次序信息,然后利用主成分分析法提取关键主特征.实验结果表明此方法能解决确定最优λ值困难的问题,且性能优于已有的预测工具.     

基于隐马尔可夫模型的多重序列分析

隐马尔可夫模型是最近几年在许多机器学习领域都得到成功应用的关于序列分析的重要统计模型,特别是在蛋白质家族的识别方面.这主要是由于生物数据的急剧增长导致2个领域(计算科学和生物学)走向结合引起的.探讨了多重序列比对和序列谱隐马尔可夫模型,讨论了隐马尔可夫模型的基本算法以及如何建立HMMs.根据E值和训练分数进行蛋白质家族的识别和分类.     

Prediction of electrostatic effects of engineering of protein charges

Accurate prediction of electrostatic effects on catalytic activity is an essential component of protein design. Site-directed mutagenesis of charged groups in subtilisin of Bacillus amyloliquefaciens has provided experimental measurements of electrostatic interactions which may be used to test such theoretical methods. The pKa of the histidine of the active site has been perturbed by +0.08 to -1.0 units by modifying one or two residues. Electrostatic effects in proteins can be modelled by the algorithm of Warwicker and Watson, which uses classical electrostatics and considers both the charge position and the shape of the molecule. Here we report that the algorithm can model several pKa shifts in subtilisin to fair accuracy.     

基于图像形态学对光弹性图像的预处理

在讨论和分析图像形态学原理和几种基本运算的效果基础上,提出了将图像形态学技术应用到光弹应力分析中。利用VisualC 实现了必需的形态学算法,对采集到的光弹性图像进行去噪、骨架化等形态学预处理,较好地反映原光弹条纹图特征,得到了优质的条纹骨骼线,对干涉条纹的中心有较好的识别效果。确保光弹分析后续工作的进行。     

扩展AUC模型下最优k-部排序函数的计算

本体作为一种结构化数据存储和表示模型已成为信息科学的核心研究内容之一.在扩展AUC模型的k-部排序本体算法的框架上,提出一种计算最优k-部排序函数的迭代算法.最后,将算法分别作用于GO本体和大学本体.实验表明：新算法对特定的应用领域具有较高的效率.     

基于Kalman滤波的基本Elman网络训练新算法

Kalman滤波算法应用于基本Elman网络学习时,收敛速度较快,但收敛精度往往不高;而基于梯度下降的BP算法可以以很高的精度实现输入输出的非线性映射,但在极值点处收敛速度缓慢.针对上述问题,提出一种将Kalman滤波算法应用于基本Elman网络的新学习训练算法.该算法结合Kalman滤波算法和基于梯度下降的BP算法的优点来训练网络,以基本Elman网络隐层单元输出作为非线性系统的状态变量,通过Kalman滤波算法实现状态变量的快速准确跟踪,然后通过梯度下降法修正权值以保证精度.另外,在训练过程中,通过增加训练样本的信息内容来提高网络收敛的精度.仿真结果表明了该算法的有效性.