检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于网络嵌入的蛋白质复合物识别研究

基于网络嵌入的蛋白质复合物识别研究

作者：李堃大连理工大学

学位级别：硕士

从蛋白质-蛋白质相互作用(Protein-protein Interaction,PPI)网络中识别蛋白质复合物是目前蛋白质组学中最重要的任务之一。大部分传统的利用计算方法的蛋白质复合物识别方法都是通过在PPI网络中挖掘稠密子图作为最终识别的蛋白质复合... 详细信息

从蛋白质-蛋白质相互作用(Protein-protein Interaction,PPI)网络中识别蛋白质复合物是目前蛋白质组学中最重要的任务之一。大部分传统的利用计算方法的蛋白质复合物识别方法都是通过在PPI网络中挖掘稠密子图作为最终识别的蛋白质复合物。由于PPI网络存在假阳性率和假阴性率的缺点,研究人员开始试图利用生物信息来提高预测蛋白质复合物的质量。然而,如何将不同类型的生物信息整合到复合物识别过程中对研究人员来说仍然是一个挑战。近年来,网络嵌入方法由于良好的信息保持效果被广泛应用于各种网络学习任务中。因此,本文提出了基于生物属性网络嵌入方法的蛋白质复合物识别算法GANE。GANE算法首先利用网络嵌入获得蛋白质的向量表示并重新计算蛋白质对之间的相互作用强度,后续基于蛋白质复合物的结构特性进行聚类识别出最终的蛋白质复合物。GANE算法提供了一个统一的框架将各种生物信息整合到识别过程中。在GANE算法的基础上,为了克服现有网络嵌入方法存在的无法同时保存网络全局、局部结构信息和节点属性信息的缺点。本文提出一种新型网络嵌入算法,并将该算法应用于本文提出的蛋白质复合物识别算法GLONE中。同样地,GLONE算法利用这种新型网络嵌入方法学习出蛋白质的向量表示并重新计算蛋白质对之间的相互作用强度,后续利用一种特殊的聚类方法识别出其中的蛋白质复合物。本文在五个国际上公开的蛋白质相互作用网络数据集上,与蛋白质复合物识别领域中六个经典的识别算法进行了一系列对比实验来验证本文提出的GANE算法以及GLONE算法的有效性。最终的实验结果表明GANE算法以及GLONE算法相比其他六种识别算法具有更高的准确性。

关键词：蛋白质复合物识别网络嵌入蛋白质相互作用网络

基于智能优化算法的蛋白质复合物识别算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于智能优化算法的蛋白质复合物识别算法研究

作者：李晋玉山西大学

学位级别：硕士

随着人类基因组计划的实施,生物医学进入后基因时代,系统全面地理解蛋白质之间通过相互作用完成各项生命活动的规律已成为研究的热点之一。蛋白质互作用网络作为复杂网络之一,有明显的社区结构,这些社区结构通常对应于特定的功能模块,... 详细信息

随着人类基因组计划的实施,生物医学进入后基因时代,系统全面地理解蛋白质之间通过相互作用完成各项生命活动的规律已成为研究的热点之一。蛋白质互作用网络作为复杂网络之一,有明显的社区结构,这些社区结构通常对应于特定的功能模块,称为蛋白质复合物。从大规模蛋白质互作用网络中识别蛋白质复合物对预测蛋白质功能,解释特定的生物进程具有重要作用。基于图聚类算法,发现蛋白质互作用网络中的社区结构(也称为簇),是进行蛋白质复合物识别的有效方法。基于种子扩展策略的图聚类算法可以有效发现大多数已知的蛋白质复合物,然而这类算法的聚类结果受种子节点选取的影响较大,且扩展过程一旦结束,聚类结果将不再调整。本文从智能优化算法角度设计图聚类算法发现蛋白质互作用网络中的稠密社区,进而进行蛋白质复合物识别,主要包括以下两方面工作:(1)提出了基于遗传策略的图聚类算法GAGC(Genetic Algorithm based Graph Clustering,GAGC),设计了遗传算法的染色体表示方式;改进IPCA的种子节点选择方式,产生初始种群;选择f-measure作为种群进化的目标函数,评价染色体质量;设计了染色体对齐方式,以进行交叉操作;通过染色体交叉和变异,对聚类结果进行优化。通过与DPClus、MCODE、IPCA、ClusterOne、HC-PIN、CFinder经典算法进行了对比,实验表明,算法能够提高解的多样性,进而扩大图聚类算法的搜索空间,提高了蛋白质复合物识别算法的性能。(2)提出了基于离散粒子群优化的图聚类算法DPSOPC(Discrete Particle Swarm Optimization for Protein Complexes,DPSOPC),首先对粒子位置、速度、目标函数,粒子状态更新规则等进行定义;在粒子状态更新过程中,调整簇的结构,优化聚类结果;输出粒子群的全局最优解作为最终复合物发现结果。在5个真实的酿酒酵母互作用网络上与DPSOPC、MCODE、IPCA、ClusterOne等算法进行了对比实验,实验结果表明,算法能够实现较高的recall值。

关键词：蛋白质互作用网络蛋白质复合物识别图聚类算法遗传算法粒子群优化算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于表示学习和对比学习的复合物识别

基于表示学习和对比学习的复合物识别

作者：周佩轩大连海事大学

学位级别：硕士

蛋白质是构成生物体的基础化学物质,几乎在所有的生命过程发挥着重要的作用。研究表明,蛋白质在细胞内并不是单独存在的,它们往往形成一个相互作用的集团,以复合物的形式参与到各种生命活动中来。因此,识别蛋白质复合物对深入研究生命... 详细信息

蛋白质是构成生物体的基础化学物质,几乎在所有的生命过程发挥着重要的作用。研究表明,蛋白质在细胞内并不是单独存在的,它们往往形成一个相互作用的集团,以复合物的形式参与到各种生命活动中来。因此,识别蛋白质复合物对深入研究生命科学至关重要。随着高通量技术的发展,蛋白质相互作用数据不断增加,形成了大规模的蛋白质相互作用网络。传统的生物实验方法处理这些大规模生物数据时往往费时费力,采用计算机技术基于蛋白质相互作用网络识别复合物能够大幅提升识别的效率,是目前生物信息领域的研究热点之一。为了深度挖掘蛋白质相互作用网络的特征,充分利用生物领域资源,并减少网络噪音数据以提升复合物识别的性能,本文从三个方面展开研究,详细内容如下:(1)针对现有方法对生物领域属性信息的利用和融合不够充分的问题,本文提出了基于异质蛋白质信息网络的复合物识别GHAE方法。首先,构建融合GO属性信息与网络拓扑特征的异质蛋白质信息网络,并基于异质图卷积表示学习方法挖掘融合属性信息的蛋白质特征表示。然后,基于蛋白质的嵌入表示来量化蛋白质相互作用网络中的蛋白质间的交互强度,并基于加权网络识别蛋白质复合物。实验结果表明,GHAE可以充分融合有价值的生物信息,采用异质图卷积表示学习方法可以挖掘并融合蛋白质和基因本体属性的特征从而提高复合物识别的性能。(2)针对现有方法对复杂蛋白质网络的局部特征和网络全局信息挖掘不够充分,且通常忽略了蛋白质间的高阶相互作用等问题,本文提出了基于对比图表示学习的复合物识别CSPI方法。首先,采用混合跳邻域聚合器来捕捉网络中蛋白质间的高阶相关性。同时,基于蛋白质网络自身结构信息,设计对比学习联合任务进行自监督训练,使学习到的蛋白质节点表示充分融合蛋白质网络的局部特征和全局信息。实验结果表明,CSPI能够充分挖掘复杂蛋白质网络自身的拓扑结构信息,与现有的方法相比,CSPI取得了更高的F值,且适用于规模较大的蛋白质网络。(3)为了充分利用已知蛋白质复合物的拓扑特征来进一步提升复合物识别的效率和能力,本文提出了融合拓扑特征的复合物识别CSNE-RF方法。首先,基于对比图神经网络挖掘已知复合物的拓扑特征。然后,融合这些拓扑特征并训练SLPC和随机森林分类器,以识别最终的蛋白质复合物。实验结果表明,CSNE-RF能够有效挖掘标准复合物的拓扑特征,与现有的方法比较,融合拓扑特征的复合物识别方法可以提升识别能力,有效减少噪音数据的影响,并发现具有生物意义的复合物。本文工作主要基于表示学习和对比学习方法识别蛋白质复合物,针对现有方法存在的问题,提出了三种蛋白质复合物识别方法。实验结果表明,本文提出的方法能在一定程度上解决现有的问题,并高效地识别出具有生物意义的蛋白质复合物,同时提供了新的研究思路,有助于促进蛋白质复合物识别领域的发展。

关键词：蛋白质复合物识别图神经网络表示学习对比学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络的图匹配算法及应用研究

基于神经网络的图匹配算法及应用研究

作者：李萍桂林电子科技大学

学位级别：硕士

图匹配是用于在图结构数据中进行高效查询的一种技术,其广泛应用在生物信息学、知识图谱、计算机视觉等领域。相较于传统图匹配算法,基于机器学习和深度学习的方法将匹配任务描述为最小化能量函数问题,利用构建的模型自适应学习图的特... 详细信息

图匹配是用于在图结构数据中进行高效查询的一种技术,其广泛应用在生物信息学、知识图谱、计算机视觉等领域。相较于传统图匹配算法,基于机器学习和深度学习的方法将匹配任务描述为最小化能量函数问题,利用构建的模型自适应学习图的特征并修正参数,整个过程更加智能高效。然而,现有的无监督学习匹配算法中存在随机性强的问题,导致结果不稳定,以及监督学习算法中人为构造的特征存在不准确的可能性,从而导致匹配结果准确度较低。基于此,本文研究了基于神经网络的自适应特征学习匹配算法,并以蛋白质复合物识别和特征点匹配为应用背景验证所提出的算法的准确性和有效性。论文主要研究工作包括:(1)针对无监督学习匹配算法存在随机性的问题,以及监督学习匹配算法存在人为构造特征不准确的问题,提出了基于图嵌入与拓扑结构信息相结合的匹配算法。该算法利用图嵌入神经网络模型自适应学习图的特征并利用非线性分类器得到匹配结果,有效解决了现有方法存在的问题从而达到提高匹配准确度的目的。(2)针对研究内容(1)中的神经网络模型利用随机游走生成根子图,并将其作为学习图嵌入的基本要素会存在信息冗余,进一步导致了最终学习到的图嵌入特征代表性不强的问题,研究了更有针对性的图神经网络来自适应学习特征,并在网络模型中加入了空间转换网络用以对图中重要的结构加重学习,从而实现提升算法的准确性和有效性的目标。(3)为验证以上算法的准确性和有效性,将其应用于生物信息学领域和计算机视觉领域,分别解决蛋白质复合物识别和特征点匹配问题。实验结果表明,相较于其他算法,本文所提出的算法提高了准确度的同时,其在F-measure和敏感度上也有着不错的表现。

关键词：图匹配蛋白质复合物识别特征点匹配神经网络模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于模糊理论的属性图聚类方法研究

基于模糊理论的属性图聚类方法研究

作者：潘翔宇武汉理工大学

学位级别：硕士

属性图是由带属性的节点及连接两节点的边所构成的网络,能够广泛地用来表示不同实际应用场景下的诸多复杂系统。作为属性图分析的主要手段,聚类分析的目的是将相似节点划分到同一簇,对更好地理解不同应用中的网络内在组织结构具有重要... 详细信息

属性图是由带属性的节点及连接两节点的边所构成的网络,能够广泛地用来表示不同实际应用场景下的诸多复杂系统。作为属性图分析的主要手段,聚类分析的目的是将相似节点划分到同一簇,对更好地理解不同应用中的网络内在组织结构具有重要意义。由于属性图中包含大量的节点属性信息,而传统的图聚类算法很少能够充分地利用属性图中的拓扑信息和属性信息进行聚类以获得具有实际意义的簇。而且,它们大多数无法基于节点和簇之间的隶属度关系来识别可重叠簇,因此在包括生物网络等诸多实际应用中的聚类性能欠佳。另外,现有的图聚类算法难以满足大规模属性图对聚类效率的要求。本文主要针对这两个问题进行了研究,具体研究内容如下:(1)针对现有算法在包括生物网络等诸多实际应用中聚类性能欠佳的问题,本文在前期研究工作的基础上,从拓扑信息和属性信息两个角度量化属性图中节点之间的相似性,并构建了能够广泛适用于各种复杂系统属性图的模糊聚类模型。其中,为了能够从蛋白质相互作用网络中识别蛋白质复合物,我们将该网络利用属性图建模,并在此基础上提出了一种适用于解决蛋白质复合物识别问题的聚类算法,即FCAN-PCI。具体而言,FCAN-PCI从以下几个方面改善了蛋白质复合物识别的准确性:FCAN-PCI从属性信息的角度量化蛋白质之间的相关性时,同时也考虑了蛋白质属性信息的内在语义结构;FCAN-PCI将蛋白质属性信息与网络拓扑一起集成到成熟的模糊聚类模型中,将聚类问题转换为一个对于蛋白质隶属度的最优化问题;FCAN-PCI采用了一种启发式搜索策略,根据蛋白质隶属度分布情况,识别可重叠的蛋白质复合物。通过在多个蛋白质相互作用网络中的一系列实验,证明了FCAN-PCI具有良好的性能,能够准确地识别蛋白质复合物。(2)针对现有的图聚类算法难以满足大规模属性图对聚类效率要求的问题,我们将广义动量法整合到前期提出的模糊聚类模型的求解过程中,从而提出了一个快速的复杂网络模糊聚类算法,即F CAN,以在保证模型聚类准确度的前提下改善其收敛性能,提高运算效率。与前期的模型相比,F CAN从以下两个角度克服了其在大规模复杂网络中聚类效率的缺陷:在模型求解过程中,引入了动量的加速效果,将广义动量法与不动点迭代法相结合,构建隶属度矩阵的快速更新方案,并从理论上证明了其收敛性;提出了算法的并行化解决方案,使得算法可以在并行计算环境中进一步提高聚类效率。通过在多个复杂网络数据集上的实验,表明F CAN在效率和准确性等方面都具有明显的优势。因此,F CAN更有利于对大规模复杂网络进行准确、快速的聚类分析。

关键词：属性图模糊聚类蛋白质复合物识别广义动量法复杂网络