基于布尔网络的造血细胞谱系分化选择分析

造血干细胞通过分化获得不同的成熟血细胞类型以满足不同的生理需求.通过整合两个已有的基因调控网络并进行修正，构建了综合调控网络以及对应的逻辑模型，可以更全面地反映不同基因在造血干细胞分化过程中的作用.该网络的稳态结果包含了两个小网络中涉及的大部分细胞类型，与实际的ChIP-seq数据结果一致.对综合调控网络进行瞬态扰动与持续扰动，分析了6种主要细胞类型之间正常分化所需要的最简扰动策略.获得的整合调控网络与逻辑模型可以为理解造血干细胞的分化特异性选择提供一些定性的参考依据，同时分析得到的扰动策略可以为实际的细胞培养实验提供一些方案上的建议.     

概周期驱动的二维分段线性范式系统的奇异非混沌吸引子

利用相轨迹图、最大李雅普诺夫指数、有理逼近等方法,探讨概周期驱动的二维分段线性范式系统是否存在奇异非混沌吸引子;通过改变控制参数,观察系统的相轨迹图中是否出现分形现象;通过计算最大李雅普诺夫指数,得到奇异非混沌吸引子;通过对比有理逼近图与相轨迹图,验证奇异非混沌吸引子的存在性;通过功率谱、相敏感函数和回归图对奇异非混沌吸引子的存在性进行进一步验证。结果表明,概周期驱动的二维分段线性范式系统中在一定参数范围内的吸引子都是奇异非混沌吸引子,验证了概周期驱动的二维分段线性范式系统中奇异非混沌吸引子的存在性。     

共有基因模块构建大规模基因调控网络

目的 提出一种利用共有基因模块构建大规模基因调控网络算法(Common Gene Mod-ules Network,CGMN),有效降低传统基因调控网络构建基因节点规模较大的基因调控网络(包含几百个,甚至几千个基因节点)时时间复杂度过大的缺陷.方法 CGMN算法从基因表达数据出发,采用6种常用聚类算法把基因表达模式相似的基因聚类成功能模块,找出6种聚类方法的共有模块,并将其作为功能模块基因节点,采用局部贝叶斯网络(Local Bayesian Network,LBN)算法构建功能模块基因-基因调控网络.结果 与结论 大规模细胞周期基因表达数据集上仿真实验结果表明,搜索共有模块压缩基因节点数目策略,能够有效降低大规模基因调控网络重构时间复杂度,且验证了CGMN算法构建大规模基因调控网络的有效性.     

用于基因调节网络建模的概率布尔型基因网络结构分析

基于Iyla Shumlevieh提出的概率布尔型网络(PBN)模型，讨论了概率布尔型网络PBN的结构分析问题．依据PBN网络模型中任意两基因之间量化了的相互影响，对基因调节网络图进行分割，得到各自独立的子网络．同时，依据一定规则找到对网络的稳定性起决定作用的关键基因，通过对关键基因的状态分析，并扩展到整个网络，最终确定PBN的状态．     

p53基因调控网络研究进展

肿瘤抑制基因p53表达的p53蛋白是一个通用转录因子,与其上、下游功能相关基因组成了一个复杂的基因调控网络,在这个基因网络中p53基因起着关键作用;DNA损伤、缺氧、原癌基因的激活等均能刺激p53基因表达;p53表达升高后,可通过p53-MDM2反馈环路与泛素系统等对p53表达水平进行精确调节;p53通过调控多种下游/靶基因表达完成多种生物学功能,主要包括阻滞细胞周期、促进细胞凋亡、维持基因组稳定性等;认识p53基因调控网络的功能有助于理解p53及其下游/靶基因间的具体作用机制。     

基于三角函数迭代的吸引子图形研究

构造了三角函数与随机生成的多项式函数动力系统,采用确定性迭代算法分析系统混沌性并绘制其吸引子分形图.通过反复迭代实验分析动力系统混沌吸引子图形变化条件,发现三维正弦和余弦乘积函数与随机多项式构成的动力系统是混沌的概率非常高,并且迭代可产生众多具有观赏性和实用价值的混沌吸引子,这种构造混沌的方法可应用于混沌理论研究,混沌...     

采用结构与参数训练相结合的RNN模型构建基因调控网络

提出一种采用递归神经网络模型构建基因调控网络,将结构训练与参数训练相结合的方法进行网络的权值训练.采用模拟退火算法训练网络结构,找出调控关系权值,再引入基于免疫思想的粒子群算法对权值进行参数优化,得到基因调控网络图.并分别用人工数据和大肠杆茵DNA修复系统基因数据进行实验.实验结果表明,该方法能有效地从基因时序数据中揭示基因间的调控关系.     

目标检测传感器网络参数设计

通过理论分析,给出了目标穿越无线传感器网络防线时的被检测概率与传感器网络设计参数之间的关系,建立了传感器网络目标检测问题的数学模型.传感器网络所有节点均采用基于时间片的休眠/唤醒节能策略,使得节点在每个时间片以一定的激活概率进入活动状态.推导目标检测概率的计算公式表明,检测概率与传感器节点的密度以及节点激活概率均成正比.因此,在满足所需要的目标检测概率条件下,可以采用降低节点密度或者减小节点激活概率的方法来减少系统能耗.此外,建立了节点工作时间片大小与传感器网络能耗之间的关系式.由该关系式得出,在其他参数确定的条件下,存在一个目标运动速率的临界值.当目标速率小于此临界值时,网络能耗随时间片的增加而增大;当目标速率大于此临界值时,网络能耗随时间片的增加而减小.     

构建基因调控布尔网络的一种方法

为了重构基因调控网络,提出可以通过基因之间的布尔逻辑代数和逻辑电路网络得到基因调控的动态转换。进而找到整个基因网络的动态变化。利用熵互信息理论对基因表达进行处理,构建基因调控布尔网络。     

粘性Cahn-Hilliard方程全局吸引子的存在性

研究粘性Cahn-Hilliard方程的全局吸引子.首先得到其存在有界吸收集,然后采用一种新的验证紧性方法得到全局吸引子的存在性.     

Complex networks theory for analyzing metabolic networks

The completion of the Human Genome Project started the post-genomic era. The hot topic of biologi- cal research is now shifting from the study of single genes or proteins to whole genome analyses. All kinds of “omics” technologies such as genomics, tran…     

一种无线传感器网络与传统IP网络的集成新方案

无线传感器网络(WSN)能够实时监测、感知和采集各种环境或监测对象的信息,并通过自组织无线通信网络以多跳中继方式将所感知信息传送到用户终端。目前实际的用户终端通常处在远离WSN的传统IP网络(如Internet)上,因此将WSN与传统IP网络融合是一个具有重要意义的课题。提出一种能够面对多种挑战的WSN与传统IP网络的集成方案,该方案采用用户代理、应用代理、注册代理、资源管理器架设WSN与传统IP网络之间的桥梁。通过对组件描述和查询操作流程分析可以看出本文提出的集成方案能灵活、可靠、低能耗地使传统IP网络中各种不同种类的应用能够尽可能快速地得到WSN的查询服务。     

立方形递归网络

超立方体及其变体是一类具有良好拓扑性质和网络参数的网络类型，结构的递归性是这些网络的一个主要特征，提出一类新的网络模型-立方形递归网络，研究了低维立方形递归网络的拓扑类型。给出立方形递归网络互连函数的一般表达式，为此提出的网络模型为从整体上研究超立方体及其变体提供了新方法。     

Exploring complex networks

The study of networks pervades all of science, from neurobiology to statistical physics. The most basic issues are structural: how does one characterize the wiring diagram of a food web or the Internet or the metabolic network of the bacterium Escherichia coli? Are there any unifying principles underlying their topology? From the perspective of nonlinear dynamics, we would also like to understand how an enormous network of interacting dynamical systems-be they neurons, power stations or lasers-will behave collectively, given their individual dynamics and coupling architecture. Researchers are only now beginning to unravel the structure and dynamics of complex networks.     

基于Elman神经网络的无线传感器网络测距模型

以无线传感器网络为研究对象，在无线传感器网络覆盖范围内的不同距离内采集信号强度值，利用Elman神经网络建立信号强度值与距离之间的映射关系，将采集到的信号强度作为模型的输入进行训练，利用训练好的网络模型进行测距，结果表明具有良好的网络测距性能。     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

DSNNs:learning transfer from deep neural networks to spiking neural networks

Deep neural networks(DNNs) have drawn great attention as they perform the state-of-the-art results on many tasks. Compared to DNNs, spiking neural networks(SNNs), which are considered as the new generation of neural networks, fail to achieve comparable performance especially on tasks with large problem sizes. Many previous work tried to close the gap between DNNs and SNNs but used small networks on simple tasks. This work proposes a simple but effective way to construct deep spiking neural networks(DSNNs) by transferring the learned ability of DNNs to SNNs. DSNNs achieve comparable accuracy on large networks and complex datasets.     

Controllability of complex networks

The ultimate proof of our understanding of natural or technological systems is reflected in our ability to control them. Although control theory offers mathematical tools for steering engineered and natural systems towards a desired state, a framework to control complex self-organized systems is lacking. Here we develop analytical tools to study the controllability of an arbitrary complex directed network, identifying the set of driver nodes with time-dependent control that can guide the system's entire dynamics. We apply these tools to several real networks, finding that the number of driver nodes is determined mainly by the network's degree distribution. We show that sparse inhomogeneous networks, which emerge in many real complex systems, are the most difficult to control, but that dense and homogeneous networks can be controlled using a few driver nodes. Counterintuitively, we find that in both model and real systems the driver nodes tend to avoid the high-degree nodes.     

多生成器生成对抗网络

生成对抗网络(Generative adversarial networks,GAN)广泛应用于各种领域,尤其在图像生成方面.该模型由生成网络与判别网络2部分组成,在无监督的训练方式下,2个网络相互竞争相互提高.然而,GAN在训练时经常出现模式崩溃问题,进而导致模型收敛较慢,生成样本多样性较差.为解决这一问题,在深度卷积神经网络的基础上提出了一种多生成器生成对抗网络模型.该模型包含多个生成网络,每个生成网络均使用残差网络进行搭建,同时在生成网络间引入协作机制,以加快模型获取信息并减少参数量,最后将各生成网络的特征图进行融合得到最终图像输入到判别网络中.GAN在训练过程中还会出现梯度消失、训练不稳定问题.为避免出现这些问题,将Wasserstein距离和梯度惩罚引入模型的损失函数.通过在多个数据集上与多种相关方法进行实验比较,结果表明提出的模型在缓解模式崩溃问题、加快模型收敛速度以及减少参数量上均明显优于其他几种方法.     

Hopfield网络的改进方法

多重训练编码和傀儡编码使存贮在Ｈｏｐｆｉｅｌｄ网络中的模式即使不是局部最小点也能被回忆出来，某一特写模式可以通过多重训练编码得以回忆，并讨论了最少训练次数，通过附加傀儡数据，傀儡编码可确保回忆Ｈｏｐｆｉｅｌｄ网络中所有的存贮模式。