水稻组织特异性蛋白质相互作用网络构建方法

组织特异的基因表达和蛋白质相互作用是研究基因调控、蛋白质功能、细胞过程的重要部分.相较于其他模式生物在蛋白质相互作用研究方面的进展,高等模式植物水稻中组织特异性蛋白质相互作用的研究十分缺乏.因此,提出了一种用于水稻组织特异性蛋白质相互作用网络构建的计算方法.该方法主要包含三部分:第一,在统一标准下融合多数据识别组织特异的基因;第二,提出了新的同源映射方法,并集成6种模式生物相互作用数据构建和评估目标物种蛋白质相互作用网络;第三,构建不同组织的蛋白质相互作用子网,并筛选高可靠的蛋白质相互作用.为了验证方法的有效性,构建并分析了水稻首个组织特异的蛋白质相互作用网络(PTSN4R:Predicted Tissue-Specific Network for Rice). PTSN4R包含了水稻23个组织的组织特异基因及对应的组织特异蛋白质相互作用子网,为分析组织特异的基因表达和蛋白质相互作用提供了便利条件. PTSN4R有助于理解水稻的生长调控机制,为水稻增产提供线索.同时,提出的方法能够方便的应用到其他物种,促进组织特异的蛋白质相互作用网络的研究.     

时序网络中关键节点的识别方法研究进展

相对静态网络,时序网络可以更准确地刻画现实网络的动态过程。基于时序网络模型,如何有效地识别重要节点或者评价时序网络中一个节点对其他节点的影响力,已成为时序网络研究领域中的一个亟待解决的问题。该文分别从时序网络拓扑结构和动力学的角度,对现有的时序网络中的关键节点识别方法进行了系统的回顾,详细比较各种方法的计算思路、应用场景和优缺点。最后总结了这一研究方向几个待解决的问题,并指出未来可能的发展方向。     

基于关系聚合的时序知识图谱表示学习

针对静态知识图表示方法不能对时间进行建模的局限性，从时序图谱实际应用的需求出发，设计了基于关系聚合的时序图谱表示学习方法来描述和推理动态知识图谱的时间信息.与离散的快照时序网络不同，将时间信息视为实体间的链接属性，提出利用时间感知的关系图注意力编码器来学习时序图谱的实体表征.将中心节点的邻域关系和时间戳融入图结构中，然后分配不同的权重，高效地聚合时间知识.在公开的时序知识图谱数据集上运行，结果表明,与传统的时序图谱编码框架相比,面向注意力聚合的时序图谱表示学习方法在补全和对齐任务的性能上都有较强的竞争优势,尤其对高时间敏感度实体更加显著，体现出算法的优越性和强鲁棒性.     

基于不确定网络的关键蛋白质识别

生物学中,关键蛋白质及致病基因主要是通过生物医学实验来识别,然而这些方法的代价相当高,效率非常低,并且适用的物种有限。高通量蛋白质组技术的发展提供了大量的蛋白质相互作用数据,这使得通过计算机方法预测关键蛋白质成为可能。大部分方法对蛋白质相互作用网络中的噪声很敏感。考虑蛋白质相互作用网络的不可靠,构建不确定相互作用网络,提出一种名为EPU的关键蛋白质识别算法。算法采用期望稠密度作为评判一个子图能否预测为关键模块的准则,预测的模块将用于关键蛋白质识别;通过蛋白质在关键模块中出现的概率频率对蛋白质评分,分值越高,成为关键蛋白质的可能性越大。实验结果显示,EPU算法性能优于其他的关键蛋白质识别算法,是一种有别于现有方法的新型关键蛋白质识别算法。结果表明,不确定性数据管理理论有助于提高算法对蛋白质相互作用网络中噪声的鲁棒性。     

一种面向动态网络的社团检测与演化分析方法

针对制约动态网络演化分析方法发展的社团演变模式挖掘问题,设计了基于指向性变异策略和变邻域搜索算法的静态社团检测算法与基于匹配度和社团生存周期的社团演化分析算法,并采用在时刻上运行静态社团检测算法、在时序上运行社团演化分析算法的策略,提出了一种面向动态网络的社团检测与演化分析方法。并用Zachary空手道俱乐部网络和Power网络验证了该方法的可行性和有效性。     

基于不确定数据的功能模块预测

蛋白质功能模块在分子相互过程中扮演着重要角色。已有多种方法从蛋白质相互作用网络中识别功能模块,许多算法没有考虑模块内在生物组织特性,忽略了较高的假阳性给算法产生的负面影响。文中为PPI网络构建一个不确定图的模型,其中每一个蛋白质的交互作用都被赋予一个测度;结合不确定数据管理技术,提出一种基于可能世界模型的功能模块识别算法。若子图内部节点间具有较高的内聚性,子图与邻居子图间具有较小的耦合性,该子图被标识为功能模块。引入期望支持度的概念描述节点和子图间的关系。为了评估算法的性能,对目前已有的七种算法与本文的算法做了综合比较。实验结果表明本文提出的算法性能显著优于已有的方法,算法识别的功能模块具有更好的生物统计意义。     

静态时序分析在数字ASIC设计中的应用

主要介绍了静态时序分析在数字ASIC设计中的应用，描述了静态时序分析的基本原理和流程，并以I^2C总线设计为例，分析了对数字ASIC作静态时序分析中可能出现的问题，提出了消除虚假路径的实际方法．通过对全芯片进行静态时序分析，可以确认设计的准确性和可靠性，从而为设计流程中每一部分的工作取得sign—off提供可靠保证．     

融合多数据源的蛋白质功能模块的挖掘算法

针对蛋白质相互作用(protein-protein interaction,PPI)网络的信息不完善和高噪声问题,提出一种融合多生物数据的二分图聚类集成方法以检测网络中的功能模块.该方法结合了基因本体论(gene ontology,GO)、基因表达谱数据以及多种基础聚类算法,用一种新的二分图来组织多种基础聚类算法的中间结果,并结合对称非负矩阵分解(non-negative matrix factorization,NMF)算法挖掘其中功能意义上最一致蛋白质功能模块,同时,该算法能处理蛋白质功能重叠问题.实验结果表明:所提算法整体优于基准比较方法,是一种融合多种生物信息源和不同的聚类方法的有效途径.     

时序多层网络熵值结构洞节点重要性建模

分析动态多层复杂网络时空演化过程中的网络节点重要性序结构，提出时序多层网络熵值结构洞节点重要性辨识模型.分析时序网络节点局部信息熵的属性与节点全局K-shell信息集结偏好信息熵.依据复杂网络结构洞系数，提出节点熵值结构洞节点重要性辨识模型.时序化处理节点演化信息，提出节点重要性时序网络计算模型.通过SIR模型检验节点传播效率，开展实证网络仿真.本文的时序多层网络节点演化重要性排序结果与经典时序网络模型相比，Kendall值有了显著的提高.     

Hybrid dynamic model of polymer electrolyte membrane fuel cell stack using variable neural network

The polymer electrolyte membrane(PEM) fuel cell has been regarded as a potential alternative power source,and a model is necessary for its design,control and power management.A hybrid dynamic model of PEM fuel cell,which combines the advantages of mechanism model and black-box model,is proposed in this paper.To improve the performance,the static neural network and variable neural network are used to build the black-box model.The static neural network can significantly improve the static performance of the hybrid model,and the variable neural network makes the hybrid dynamic model predict the real PEM fuel cell behavior with required accuracy.Finally,the hybrid dynamic model is validated with a 500 W PEM fuel cell.The static and transient experiment results show that the hybrid dynamic model can predict the behavior of the fuel cell stack accurately and therefore can be effectively utilized in practical application.     

基于小波分析的BP神经网络膜蛋白跨膜螺旋区段预测

基因组计划所产生的大量蛋白质序列迫切需要从理论上预测跨膜螺旋区段。提出了基于小波多分辨分析的BP神经网络膜蛋白跨膜螺旋区段的预测新方法,并把此方法称之为WnnTM。从MPtopo数据库中随机抽取80条三维结构已知的膜蛋白质序列构建数据集,把它们映射成疏水值序列,通过小波分解和重构得到小波系数,并结合BP神经网络构造小波BP神经网络预测模型,对膜蛋白跨膜螺旋区段的位置和数目进行预测。实例验证,WnnTM预测方法比单独用BP神经网络对膜蛋白跨膜螺旋区段进行预测更有效。     

移动环境下扩展的基于策略的网管(PBNM)模型的动态资源分配

针对传统静态策略中条件和动作都是确定的,不能很好地适应网络状态变化的问题,提出了一种基于扩展PBNM模型的移动环境下动态资源分配方案,增加了在运行期根据网络状态对策略进行更新的组件,并给出了动态资源分配的方法。通过实验,采用扩展PBNM模型及动态的策略形式对网络资源进行分配,降低了实时新业务的阻塞率和实时切换业务的掉线率,提高了网络资源的利用率,相对于传统资源分配方法更灵活。     

基于距离测定的蛋白质复合物识别算法

针对蛋白质相互作用网络聚类算法标识已知蛋白质复合物数量有限的问题,提出了一种新的基于距离测定的蛋白质复合物识别算法IPC-DM。该算法基于对已知复合物内蛋白质之间的最短距离一般不超过2的发现,利用新的种子-扩充模型,大大提高了识别蛋白质复合物的准确性。基于酵母蛋白质相互作用网络的实验表明,算法IPC-DM较其他5种典型的蛋白质复合物识别算法MCODE、RNSC、CFinder、LCMA和DPClus具有更好的蛋白质复合物识别能力。     

基于混沌算子网络模型的网络流量预测研究

采用混沌算子构造预测网络,对网络流量数据进行预测分析.结合相空间重构理论将已知数据构造成训练样本,利用遗传算法对混沌算子参数进行训练调节,从而改变网络的动力学特性,使之逐渐逼近被预测时间序列的动力学特性,并保持与之变化一致.该方法可对各种网络流量数据序列进行有效的预测分析.仿真实验结果表明:与传统的预测方法相比,该方法具有更好的预测趋势.     

复杂网络理论的作战网络动态演化模型

为动态评估作战组织结构对作战效能的作用影响,采用复杂网络分析了信息化条件下作战组织结构的网络化特性,综合考虑作战组织实体及组织结构关系的异质性,构建了基于多维加权的作战网络模型,定义了刻画作战网络性能的协同增益特征量.以提高作战效能作为网络演化动力,分别设计了择优演化和随机演化两种作战网络动态演化模型,结合协同增益指标提出了分析作战网络动态演化与作战效能之间内在关联及影响规律的方法,仿真结果验证了方法的可行性,为设计与优化作战组织结构提供理论依据.     

A Direct Feedback Control Based on Fuzzy Recurrent Neural Network

A direct feedback control system based on fuzzy-recurrent neural network is prosed, and a method of training weights of fuzzy-recurrent neural network was designed by applying modified contract mapping genetic algorithm. Computer simulation results indicate that fuzzy-recurrent neural network controller has perfect dynamic and static performances .     

校园网多径混合路由算法

针对目前校园网路由算法中最小生成树的计算和最短路径的生成存在速度慢和效率低的问题,提出了一种多径混合路由算法.结合了静态路由算法和动态路由算法的优点,减少了计算最短路径树时的总执行时间,当网络中链路有新的权重变化时,它使用多径信息来创建最短路径树,并且能够根据网络中链路权重变化的位置来决定使用静态路由算法或者是动态路由算法.与现有的迪杰斯特拉(Dijkstra)算法、动态Dijkstra算法和混合最短路径树算法进行了对比实验,结果表明多径混合路由算法降低了最小生成树的计算时间.在校园网中使用多径混合路由算法可以加快了网络路由的收敛,提高了网络的性能.     

一种递归型模糊神经网络用于动态系统辨识的研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在T-S模糊神经网络标准结构基础上,通过在输入层与状态层间加入可以记忆暂态信息的递归层,一种新的T-S递归型模糊神经网络(TSRFNN)被提出,来提高对动态系统的辨识能力.同时,给出了参数的动态BP学习算法.通过仿真实验,证明提出的TSRFNN对动态非线性系统的辨识比传统静态模糊神经网络(TFNN),具有更快的网络收敛速度,更高的辨识精度,更适合于动态系统的辨识.