检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于连接强度的ppi网络蚁群优化聚类算法

电子学报 2012年第4期40卷 695-702页

作者：雷秀娟黄旭吴爽郭玲陕西师范大学计算机科学学院陕西西安710062 陕西师范大学生命科学学院陕西西安710062

由于ppi网络数据的无尺度和小世界特性,使得目前对此类数据的聚类算法效果不理想.根据ppi网络的拓扑结构特性,本文提出了一种基于连接强度的蚁群优化(Joint Strength based Ant Colony Optimization,JSACO)聚类算法,该算法引入了连接强... 详细信息

由于ppi网络数据的无尺度和小世界特性,使得目前对此类数据的聚类算法效果不理想.根据ppi网络的拓扑结构特性,本文提出了一种基于连接强度的蚁群优化(Joint Strength based Ant Colony Optimization,JSACO)聚类算法,该算法引入了连接强度的概念对蚁群聚类算法中的拾起/放下规则加以改进,以连接强度作为拾起规则,对结点进行聚类,并根据放下规则放弃部分不良数据,产生最终聚类结果.最后采用了MIPS数据库中的ppi数据进行实验,将JSACO算法与ppi网络数据的其他聚类算法进行比较,聚类结果表明JSACO算法正确率高,时间开销低.

关键词： ppi网络连接强度蚁群优化算法聚类

在线全文

学校读者我要写书评

暂无评论

ppi网络的改进马尔科夫聚类算法

计算机科学 2015年第7期42卷 108-113页

作者：胡庆生雷秀娟陕西师范大学计算机科学学院西安710119

蛋白质相互作用(ppi)网络是生物信息学的一个新的研究领域。近年来马尔科夫(MCL)聚类算法在未知蛋白质的功能模块预测方面发挥了重要作用,但是聚类质量不高,为此提出了一种基于突变因子和惩罚因子及重新定义解释聚类结果的MCL聚类算法... 详细信息

蛋白质相互作用(ppi)网络是生物信息学的一个新的研究领域。近年来马尔科夫(MCL)聚类算法在未知蛋白质的功能模块预测方面发挥了重要作用,但是聚类质量不高,为此提出了一种基于突变因子和惩罚因子及重新定义解释聚类结果的MCL聚类算法。该算法采用惩罚因子,惩罚质量较大的吸引子;采用突变因子在算法后期断绝初始转移概率对转移概率的束缚。算法在ppi网络数据集上进行了测试,结果表明该算法不但可以抑制小类的产生,而且聚类结果的质量在Avg.F方面相对于基本MCL算法提高了13.1%。

关键词： MCL聚类算法惩罚因子突变因子 ppi网络

在线全文

学校读者我要写书评

暂无评论

ppi网络中功能模块识别算法研究

PPI网络中功能模块识别算法研究

作者：韩悦悦安徽农业大学

学位级别：硕士

研究蛋白质复合物和蛋白质功能模块,已成为更进一步认知生命活动的作用机制和组织原理的重要途径。研究分析蛋白质-蛋白质相互作用(Protein-Protein Interaction)网络中包含的信息所用的聚类等计算方法是发掘蛋白质功能模块特性的有效... 详细信息

研究蛋白质复合物和蛋白质功能模块,已成为更进一步认知生命活动的作用机制和组织原理的重要途径。研究分析蛋白质-蛋白质相互作用(Protein-Protein Interaction)网络中包含的信息所用的聚类等计算方法是发掘蛋白质功能模块特性的有效方式。本文从ppi网络的拓扑特性出发,针对蛋白质功能模块重叠结构的识别效率较低和存在噪声等问题进行较为深入的研究与分析。本文的主要内容如下:(1)提出了一种基于链路相似性聚类的蛋白质功能模块识别方法MLS(Markov Clustering of Protein-Protein Interaction Networks based on Link Similarity)。ppi网络具有模块性,且对已知的功能模块进行拓扑特征分析,得出模块间存在重叠结构。该算法可以有效检测出ppi网络中功能模块间的重叠结构。在酵母蛋白的多个ppi网络数据集中进行实验,聚类实验结果显示MLS算法较MCL、LC、MCODE、Newman等算法具有更好的性能。通过进一步的实例分析表明该算法检测到的功能模块,更具有生物学意义。(2)提出了一种结合拓扑特征和基因表达数据的蛋白质功能模块识别方法ECTG(Evolutionary Clustering Algorithm Based on Topological Features and Gene expression data for Protein Complex Identification)。通过分析已知蛋白质功能模块的拓扑结构,发现其中存在噪声数据,可见蛋白质相互作用数据并不能全面的反映出功能模块内蛋白质之间的关系。因此,在引入基因表达数据的基础上,结合ppi网络的拓扑特征对ppi网络进行聚类分析。该算法的实验结果表明,ECTG算法可以更好的检测蛋白质功能模块。(3)设计并开发了ppi网络聚类方法综合性分析系统ClusterA。该平台目前已集成了当前主流ppi网络数据集,实现了MLS、ClusterONE、ECTG等8个聚类算法和Avg.F等7个评估方法。ClusterA为相关领域的研究者提供了一个快速有效的多功能注释模块以及方法评估的对比平台,可方便的将各种算法结果可视化,可以帮助研究者快速直观的认知各种算法流程,并通过可视化的角度直观了解各算法的性能及差异。以上为本文的主要工作,得到的阶段性成果可作为检测ppi网络中蛋白质功能模块的有效方法。

关键词： ppi网络蛋白质功能模块聚类算法拓扑特征基因表达数据

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

ppi网络中的蛋白质复合物挖掘算法研究

PPI网络中的蛋白质复合物挖掘算法研究

作者：高银陕西师范大学

学位级别：硕士

在蛋白质相互作用(protein-protein interaction,ppi)网络中挖掘复合物是蛋白质组学的研究重点。通过研究复合物和功能模块能帮助人们深入地了解生物体的生命特征、分析疾病机理等。然而,由于现在可用数据众多、维数较高、假阳性率和假... 详细信息

在蛋白质相互作用(protein-protein interaction,ppi)网络中挖掘复合物是蛋白质组学的研究重点。通过研究复合物和功能模块能帮助人们深入地了解生物体的生命特征、分析疾病机理等。然而,由于现在可用数据众多、维数较高、假阳性率和假阴性率很高、结点间相互关系不稳定等多种因素,导致直接使用实验数据精确性不高,而且仅从结点的某一特性去判断它们之间的关系比较单一,不同的特性在很大程度上影响着最终预测结果。本文旨在研究ppi网络中预测复合物的方法,主要工作如下:(1)将布谷鸟搜寻机理用于复合物识别。为避免根据结点的单一特性挖掘复合物,本文同时考虑了结点的拓扑特性、生物特性以及结点和复合物之间的关系,用不同的相似性度量标准判断结点间的关系并进行两次聚类。第一阶段根据布谷鸟更愿意寻找相似度较高的鸟巢孵卵,成活几率大且不易被宿主发现这一生物特点,计算小鸟与鸟巢的相似性,多次迭代使得小鸟找到理想鸟巢,从而得到初始簇,再利用亲和密度将未找到鸟巢的小鸟聚类;第二阶段是对复合物结点个数较少和尚未聚类的结点进行二次聚类,根据顶点和邻居构成的簇密度大于限定值进行合并,然后根据亲和度进行扩展,将稀疏结点尽可能的聚到各个类簇中,从而获得更多复合物,这种方法运用不同的度量标准考虑更全面,所得聚类比较有效。(2)利用粒度计算的思想挖掘复合物。粒度计算和聚类有天然的共性,本文根据这一共性引入商空间理论,该理论首先采用子集或者商空间表示问题,不同商空间表现成不同粒度的商集,然后用等价关系粒化得到各个划分,选择合适粒度空间,将多个不同粒度空间继续合成,最终得到初始问题的解。本文结合了 GO基因本体数据和ppi数据来判断粒子之间的关系,弥补了单纯使用ppi数据的不足,运用商空间理论对网络中样本数据进行处理,通过对网络进行粒化从而构造商空间,然后将其逐层合并,每次对于还未聚类的粒子,仍保留到类簇中,以此增加粒子的多样性,最后将合并结果提纯后即为聚类结果。实验表明,这种新的方法能更加高效地预测复合物。(3)基于拓扑势加权的动态ppi网络复合物挖掘方法。由于ppi数据的假阳性率和假阴性率很高,不能准确地描述真实网络,本文结合拓扑势场的思想对该网络进行优化。拓扑势场描述的是每一个粒子和周围粒子之间的作用关系,而ppi网络中结点之间也存在相互作用,二者具有相似的特性,所以使用结点之间的拓扑势给网络加权能更好的反映实质的生物网络结构,并且结合基因表达数据构建时序动态子网,然后利用MCL聚类算法在ppi数据上挖掘蛋白质复合物。与其它经典方法相比,该方法能更准确地挖掘复合物。

关键词： ppi网络聚类算法蛋白质复合物

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向PCP-MS数据的ppi网络推断算法

计算机科学 2019年第12期46卷 313-321页

作者：陈征田博何增有大连理工大学软件学院

随着蛋白质组学的发展,研究者们开始聚焦于人类的全部蛋白质相互作用(Protein-Protein Interaction,ppi)网络的建立,质谱分析技术已成为预测蛋白质相互作用的代表方法。质谱技术是构建蛋白质相互作用网络的主要实验手段之一,基于质谱技... 详细信息

随着蛋白质组学的发展,研究者们开始聚焦于人类的全部蛋白质相互作用(Protein-Protein Interaction,ppi)网络的建立,质谱分析技术已成为预测蛋白质相互作用的代表方法。质谱技术是构建蛋白质相互作用网络的主要实验手段之一,基于质谱技术产生了大量的蛋白质纯化数据,如AP-MS数据和PCP-MS数据等。这些数据为ppi网络的构建提供了重要的数据支持,但是通过人工的手段来构建ppi网络不仅低效,而且很不现实。因此,面向PCP-MS数据的网络推断算法是生物信息学研究的一个热点问题。文中针对一类主流的质谱(PCP-MS)数据的ppi网络构建算法问题开展研究,从解决目前存在的瓶颈问题出发,达到构建高质量ppi网络的目的。现有的面向PCP-MS数据的ppi网络推断算法的研究还处于初级阶段,相关方法较少。同时,算法结果的质量还存在着一些问题:1)很多错误的相互作用被包含在不同的推断算法结果中,同时一些正确的相互作用在结果中被遗漏;2)不同的推断算法在同一数据集上的表现差异较大;3)对于不同的数据集,同一算法表现性能的波动方差较大。因此,为了从PCP-MS数据中推断出结构可靠、质量较高的ppi网络,文中提出一种基于相关性分析与排序整合的ppi评分方法。该方法基于无监督学习,包括以下两个步骤:1)计算蛋白质之间的相关系数,得到多组相关性结果;2)采用排序整合的方法对多组结果进行整合,得到整合后的ppi分数。实验结果表明,所提方法在不使用参考标准的情况下,可以达到与有监督学习方法接近的结果。

关键词： MS数据 ppi网络蛋白质直接相互作用相关性分析排序整合

在线全文

学校读者我要写书评

暂无评论

基于不确定性ppi网络的最大稠密子图挖掘

计算机应用研究 2011年第11期28卷 4134-4137,4141页

作者：刘加财尚学群孟雅王淼西北工业大学计算机学院计算机软件与理论系西安710072

研究表明使用ppi数据进行蛋白质功能预测是很有意义的。然而,从生物学实验得到的ppi数据一般是含有噪声的、不完全的和不精确的,这使得将ppi网络作为不确定图来处理变得更加合理。提出了一种基于深度优先搜索策略和点扩展的挖掘算法,它... 详细信息

研究表明使用ppi数据进行蛋白质功能预测是很有意义的。然而,从生物学实验得到的ppi数据一般是含有噪声的、不完全的和不精确的,这使得将ppi网络作为不确定图来处理变得更加合理。提出了一种基于深度优先搜索策略和点扩展的挖掘算法,它可以有效地从不确定的ppi网络中挖掘最大稠密子图。该算法使用了几种高效的剪枝技术来提高挖掘的时间效率。在酵母菌ppi数据上的实验结果表明该算法在精度和效率上都有很好的表现。

关键词： ppi网络不确定图稠密子图期望支持度

融合癌症多组学数据和ppi网络的功能模块发现方法

在线全文

学校读者我要写书评

暂无评论

融合癌症多组学数据和PPI网络的功能模块发现方法

作者：耿芳歌西安电子科技大学

学位级别：硕士

癌症是一类严重威胁人类健康的疾病,其致病机制复杂而且难以治愈,研究表明癌症的发生发展是多种因素综合作用的结果。高通量测序技术的发展,使得多组学数据越来越丰富,如何利用多组学数据获取疾病相关致病信息是当前热门研究领域。作为... 详细信息

癌症是一类严重威胁人类健康的疾病,其致病机制复杂而且难以治愈,研究表明癌症的发生发展是多种因素综合作用的结果。高通量测序技术的发展,使得多组学数据越来越丰富,如何利用多组学数据获取疾病相关致病信息是当前热门研究领域。作为一种重要的表观遗传机制,DNA(Deoxyribonucleic Acid)甲基化的异常往往会影响基因表达水平,从而诱导癌症的发生。蛋白质作为基因表达的产物,不能单独发挥其生物学作用,它需要与其他分子相互作用才能完成某些复杂的生理功能。蛋白质-蛋白质相互作用ppi(Protein-Protein Interaction)网络是一种在生物活动中起重要作用的生物分子关系网络,尽管大多数蛋白质的序列顺序已知,但是它们的分子功能仍然无法很好解释。针对ppi网络功能模块的研究有助于理解生物机制,随着计算机技术的不断进步,越来越多的研究人员借助于机器学习和数据挖掘相关算法处理ppi网络数据,目的是找出癌症相关的致病基因功能模块并进一步了解其致病机理。本文从全基因组水平上研究了多种癌症的DNA甲基化和基因表达关联模式,并将同时具有差异表达和差异甲基化的基因映射至ppi网络,使用一种重叠功能模块发现方法,获得癌症相关的致病基因功能模块。论文取得的主要创新性成果如下:1.本文针对ppi网络数据存在的系统误差和由于生物实验问题导致的数据不完备等问题,将ppi网络数据和多组学数据进行融合,使得多种信息形成互补,有利于挖掘深层的模式。首先,处理基因表达数据和DNA甲基化数据,使用一种基于?值的差异性分析方法,获得同时存在异常甲基化和异常表达的基因;然后将所得基因融合ppi网络用于后序分析。上述方法使得构建的网络具有一定的先验信息,有效的弥补ppi网络的不完备特性。2.本文提出了一种基于DKNMF(Diffusion Kernel and Non-negative Matrix Factorization)的重叠功能模块发现方法。首先,对本文构建的网络利用扩散核函数计算特征矩阵,该矩阵不仅表示相连节点之间有关联,还能表示出非直接相连节点之间的关联。然后,以该特征矩阵为输入,利用非负矩阵分解方法进行多次迭代计算,依据模块度获得最优划分个数,并进一步得到基因的隶属度矩阵。最后,从模块间重叠度和模块密度出发筛选出连接紧密的功能模块。和其他功能模块发现方法的对比结果表明,本文所提出的方法具有更好的性能。3.本文在多个癌症数据集上进行了实验。对每种癌症的基因表达数据和DNA甲基化数据进行分析,并将其融合到ppi网络,获得与每种癌症相关的功能模块和致病基因。实验分析表明,本文实验所得功能模块内部连接紧密,模块之间连接稀疏,并且部分模块间存在重叠结构。生物学角度的分析表明,对所得功能模块进行富集分析的结果均具有良好的生物解释,且富集产生的信号通路大多与癌症相关。实验结果表明,本文提出的方法不依赖于数据集,具有良好的可扩展性,可以广泛应用于其他领域研究。综上,本文提出的基于DKNMF的重叠功能模块发现方法能够从全基因组层面获得癌症相关基因功能模块,有助于复杂疾病的研究,并为癌症的诊断、治疗及预后提供了理论依据。

关键词：模块发现癌症甲基化基因表达 ppi网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

组织特异性ppi网络生物功能模块识别研究

组织特异性PPI网络生物功能模块识别研究

作者：张小驰天津大学

学位级别：硕士

辨识组织特异性蛋白质相互作用(ppi)网络中关键蛋白质及功能模块对理解生物体的内在活动机制、具有针对性的疾病诊断和药物设计具有重要作用。识别蛋白质及功能模块需要高可靠性的ppi网络、高准确率的识别算法以及系统的功能分析方法。... 详细信息

辨识组织特异性蛋白质相互作用(ppi)网络中关键蛋白质及功能模块对理解生物体的内在活动机制、具有针对性的疾病诊断和药物设计具有重要作用。识别蛋白质及功能模块需要高可靠性的ppi网络、高准确率的识别算法以及系统的功能分析方法。本文以人类组织特异性基因及其相应的ppi网络作为原始数据源,识别重要的Date Hub蛋白(DH蛋白),并对这些蛋白及其关联密集模块进行功能验证。同时,为了挖掘保守的功能模块,提出了一种基于半马尔科夫随机游走模型的迭代加权子图查询算法。本文的主要贡献包括:首先,针对已有的人类组织特异性基因及其相应的ppi网络,利用最短路径算法,设计和实现了一种基于MapReduce框架的强关联组织特异性基因编码蛋白相互作用网络构建算法。对人类肾脏和脑组织的ppi网络进行了实验验证,并对网络的可靠性给出了定量评价。其次,为分析和发现ppi网络中的组织特异性功能及关键蛋白,实现了一种融合网络拓扑距离和GO相似性两种度量的关联模块识别算法。在人类肾组织的ppi网络中,识别出118个DH蛋白,对36个强关联DH蛋白进行了分析,发现IGF1蛋白与其强关联模块在肾肥大疾病中的桥梁作用。最后,提出了一个基于半马尔科夫随机游走模型的迭代加权子图查询算法,以识别相互作用网络中的保守功能模块。结点相似性计算和目标图约简是子图查询算法中提高查询准确率和降低计算复杂性的两种常用手段。在结点相似性计算中,设计了基于半马尔科夫游走模型的集成结点本身相似性、结构相似性以及邻居结点相似性的综合度量方法;在目标图约简的过程中,通过迭代递减目标图中低相似性结点,以降低目标图的规模。对多个真实ppi网络查询的实验结果表明,算法在精度和时间复杂性方面都有明显提高。

关键词：组织特异性基因 ppi网络 Date Hub蛋白质半隐马尔科夫模型子网查询

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ppi网络的蛋白质功能预测研究

基于PPI网络的蛋白质功能预测研究

作者：张晓帅哈尔滨工业大学

学位级别：硕士

后基因组时代进一步研究的关键在于全面理解生物蛋白编码的表达、调控以及功能。对蛋白质进行功能注释是当前遗传学领域的重要研究课题之一,有助于科学家从分子层面理解生物体复杂的细胞机制,在揭示遗传密码和理解生命活动等问题中起着... 详细信息

后基因组时代进一步研究的关键在于全面理解生物蛋白编码的表达、调控以及功能。对蛋白质进行功能注释是当前遗传学领域的重要研究课题之一,有助于科学家从分子层面理解生物体复杂的细胞机制,在揭示遗传密码和理解生命活动等问题中起着关键作用。蛋白质功能预测旨在利用计算方法自动注释蛋白质功能,近期的工作主要集中在利用深度学习避免复杂的特征工程,但这些模型普遍存在数据利用率不高的问题:一方面,通过监督学习提取序列特征的做法忽略了大量未标注的序列数据;另一方面,现有模型依赖人工设计的集成规则挖掘生物网络特征,不能有效利用网络数据的信息。为了解决现有方法的局限性,本文提出了一种基于同构网络的功能预测模型。首先,本文在功能预测任务中引入了预训练范式,通过预训练语言模型可以提取高效的序列特征,同时还实现了序列模型与网络模型的解耦。之后,该模型以蛋白质相互作用(Protein-Protein Interaction,ppi)网络为主体,融合序列相似性网络以降低数据中的噪声,进而通过节点属性集成序列分布式表示特征构建同构蛋白质网络。基于此,该模型将蛋白质功能预测问题转化为同构网络上的节点分类问题解决,并通过基于中心蛋白质约束的节点嵌入模型预测蛋白质功能。在人类数据集上的实验结果表明同构算法在多个指标上取得了当前最高的性能表现,其中在MFO分支上提升最大,分别在Fmax和AUPR指标上提升了9.1%和9.7%。基于同构网络的模型虽然性能较好,但只适用于有固定数量标签的场景。为此,本文引入异构网络来提高功能预测模型的扩展性,主要的改进有:第一,使用异构网络建模原始数据中的多种关联信息,能够避免手动设计网络融合规则,并最大程度降低了数据整合过程的信息损失。第二,该算法将功能预测任务转化为异构网络上蛋白质和功能术语节点之间关联关系预测问题解决,这使得模型能够处理非固定数量的标签。基于此,该算法使用基于注意力机制的异构网络节点嵌入算法学习蛋白质和术语节点的潜在语义表示,并引入双线性解码器计算二者表示向量相似度,进而预测蛋白质功能。实验结果表明,异构算法学习到了序列和网络数据的关键特征,实现了与同构算法相当的预测性能。同时,异构算法在数据集成灵活性和模型可扩展性方面更有优势,因此有更好的应用前景。

关键词：蛋白质功能预测 ppi网络同构网络异构网络图神经网络