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.     

基于直接和间接PPI信息预测人类核蛋白亚核定位

构建了含有五个亚核区域共426条蛋白质的单定位人类核蛋白数据库.选取蛋白质相互作用信息分数为信息参数,提出通过引入蛋白质一级间接相互作用预测蛋白质亚核定位的新算法,对人类核蛋白亚核定位进行了预测.对染色质、核仁两区域351条蛋白质的Jackknife检验总预测成功率为91.04%.对染色质、核仁、核基质、核斑四区域413条蛋白质的Jackknife检验总预测成功率为79.75%.     

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.     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

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%.     

一种基于全覆盖的动态蛋白质相互作用网络构建方法

关键蛋白质是生物体存活和繁育后代所必需的蛋白质.现有方法主要通过在静态网络中引入时间等信息构建动态网络以提高关键蛋白质识别率.在从静态网络向动态网络构建的过程中,上述方法存在部分关键蛋白质缺失、相互作用信息冗余等缺点,影响关键蛋白质识别效率.提出一种新的动态蛋白质相互作用网络构建方法——全覆盖方法.该方法可保证静态网络的蛋白质相互作用信息全部映射到动态网络,并尽可能减少动态网络中蛋白质相互作用的重复率,即保证动态网络对静态网络的全覆盖并降低数据冗余度.实验表明,与静态网络和3Sigma动态网络相比,全覆盖动态网络在关键蛋白质识别方面具有优势.     

核磁共振波谱研究蛋白质三维结构及功能

文中总结了中国科学技术大学生命科学学院核磁共振波谱实验室十多年来的工作.我们的研究主要集中于研究人和其他真核生物基因表达调控相关蛋白质以及细胞连接处相关蛋白质.在这两个体系中许多蛋白质与人类健康及疾病相关,有的可能是潜在的药物作用靶标.我们主要关注用核磁共振波谱方法研究蛋白质-蛋白质相互作用的结构基础.核磁共振适合研究在接近生理条件下的分子相互作用,特别是适合研究低亲和力的瞬态的复合物.它可以提供蛋白质相互作用界面,复合物结构,以及蛋白质相互识别过程动力学的信息.文中给出了一些例子.我们也研究蛋白质内部动力学,包括皮秒-纳秒时间尺度,与毫秒-微秒时间尺度的动力学.与圆二色谱及荧光光谱结合,核磁共振可以详细表征蛋白质的折叠与去折叠.文中给出的核磁共振应用的最后一个例子是用计算机虚拟筛选,核磁筛选,我们发现了一个人的双功能的磷酸酶的一种新类型的抑制剂,并研究了该抑制剂对细胞功能的影响.这一策略有可能用于早期药物的发现.     

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.     

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。     

蛋白质功能预测的蚁群优化算法

预测蛋白质功能是后基因组时代最具挑战性的问题之一,在大规模数据下采用高性能的功能预测算法能够节省大量的实验时间和成本.利用基于蛋白质相互作用网络的全局优化模型,提出了蛋白质功能预测的蚁群优化算法,算法在考虑全局模型的同时还利用了网络的先验信息,提高了搜索效率,仿真结果表明,蚁群优化算法能够有效对蛋白质功能进行预测,并且对蛋白质相互作用网络中的假阳性、假阴性数据具有较高的容错能力.     

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.     

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.     

一种改良的蛋白质复合物识别方法

高通量的方法产生了大量蛋白质相互作用数据.然而研究表明,对于已过滤的双杂交酵母数据集,假阳性相互作用的比例达到50%左右.这些假阳性这对于进一步的PPI网络研究带来了负面影响.因此,消除假阳性或者降低假阳性带来的负面影响变得非常重要.根据蛋白质相互作用网络的拓扑特性,每一组相互作用被赋予一个存在概率,概率值表示相互作用的可靠程度,概率值为0的相互作用被标识为假阳性予以消除.提出了一种改良的蛋白质复合物识别方法,该方法基于核-附件的思想,识别的复合物具有更强的生物统计特性.改良的新方法及其他经典的识别方法在酵母数据集上得到运行,实验结果表明,改良的方法性能优于现有的经典方法.     

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。     

小分子物质与蛋白质相互作用研究方法的现状与进展

小分子与蛋白质相互作用的研究是化学生物学的重要研究内容.蛋白质能与许多内源性和外源性小分子物质结合形成超分子复合物.通过实验方法可以获得蛋白质与小分子配体作用的结合常数、结合位点数、结合位置、作用力类型以及在客体小分子作用下蛋白质结构与功能的变化等信息.简述紫外可见光谱、荧光光谱法、傅立叶变换红外光谱和分子模拟法及其他分析方法在小分子与蛋白质相互作用方面的应用和研究进展.