基于复杂网络的合成致死预测方法研究综述

合成致死(Synthetic Lethality,SL)是一种负遗传相互作用,描述的是两个非必要基因之间的相互关系:其中任何一个基因的突变对细胞存活的影响很小,但两个基因的共同突变会导致细胞死亡或其他有碍细胞存活的表型.SL对于解释复杂生物过程、推动癌症的临床诊治有着重要的意义.因此,利用海量的高通量数据,通过构建数据分析模型和计算方法,从计算的角度进行SL对的挖掘和预测,是计算生物学研究的一个重要方向.本文首先对于SL预测所使用的相关数据进行了详细的综述,然后从生物网络这一全新视角出发,重点讨论了基于网络分析的SL预测方法.从网络上的统计学方法、基于网络结构变化的方法、基于网络特征学习的方法、基于图表示学习的方法四个方面综述了相关预测模型和研究的最新进展,详细地比较了各类方法的算法思路、应用场景和优缺点,最后针对SL预测的结果评估和验证方法的研究进展进行了论述.在此基础上,论文进一步总结出SL预测研究中所面临的几项挑战,并针对性的对未来发展方向进行展望,希望为今后的相关研究提供一些有用的参考和思路.     

新冠疫情下大型体育赛事风险评估

通过对东京奥运会疫情与舆情的分析来评估北京冬奥会举办期间疫情及舆情方面的潜在风险。结果表明,新冠疫情和东京奥运的舆情之间存在较强的时滞相关性。对于疫情,在城市层面,使用多主体建模方法对赛事举办城市内可能的疾病传播进行了模拟;在奥运村层面,基于SEIR传播模型,对北京冬奥会期间奥运村中的病毒传播情况进行了模拟;结合时序预测模型对北京冬奥会的举办进行了风险分析。     

基于关键词的知识图谱挖掘信息技术学科演化趋势

瑞士国家科学基金会(SNSF)作为瑞士最主要的科研基金提供机构,以促进瑞士科技创新的发展为主要任务。因此,从SNSF数据中挖掘创新型国家瑞士的信息学科研究现状和研究趋势,可以启发我国科研人员和科技管理人员的前瞻性思考。该文抽取了1999?2018年来源于SNSF数据库的科研基金项目完整信息,分析了信息技术学科科研基金中的关键词知识图谱的演化情况;发现信息技术从围绕原始分布式系统等软件开发研究演化成以机器学习、深度学习为中心的人工智能研究;接着采用层级结构分布图将信息技术和数学的关键词交叉分布情况可视化,值得注意的是密码学和算法是信息技术与数学学科最明显的交叉研究内容,而且交叉研究频繁的研究内容相对发展得更好;通过计算不同时间段关键词分布的Kullback-Leibler(KL)散度分析信息技术与数学的学科交叉情况,发现这两个学科的交叉研究经历了迅速发展后进入较稳定、成熟的状态。     

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。     

复杂网络研究的机遇与挑战

该文是2013年在杭州师范大学组织下所召开的复杂网络研讨会基础上的总结和拓展,包含了与会多名学者共同讨论修订后所认可的目前复杂网络研究面临的最主要的10个挑战,这些挑战既是当前复杂网络前沿研究的提炼,又结合了大数据发展的宏观背景。该文旨在为对复杂网络研究感兴趣的青年学者们提供具有参考意义的研究方向和建议。     

探测和评估复杂网络影响力节点的路径多样性核度中心方法

针对当前复杂网络影响力节点探测和评估方法不能精确定位影响力节点、计算复杂等不足,在传统网络K核分解方法的基础上引入了路径多样性概念,从信息传播角度进行了研究,提出了一种基于路径多样性信息熵进行影响力节点探测与评估的新的核度中心方法,即路径多样性核度中心(C_(ncd))方法。实验结果显示,相对于其他影响力节点探测与评估方法,如度中心法(C_D)、介数中心法(C_R)、接近中心法(C_C)、K核中心法(K_C)及核度中心法(C_(ncd)),C_(ncd)方法能够更精确地对影响力节点进行定位,并且能更细粒度地对节点影响力进行有效排序。     

基于复杂网络控制理论的肿瘤关键基因预测研究

复杂网络控制能够捕获整个网络的状态,使得从海量的蛋白质相互作用数据中找到潜在的肿瘤致病基因成为可能.该文利用复杂网络控制理论探究肿瘤关键基因,对5种癌症相关的蛋白质–蛋白质相互作用网络,通过网络最小控制集方法,选取始终处于最小控制集(minimum dominating set, MDS)的基因作为候选关键基因.利用肿...     

基于多变量LSTM神经网络的澳大利亚大火预测研究

长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点,在许多实际应用中展现了优异的性能。该文构建了LSTM多变量数据驱动的预测模型,通过多变量输入的方式预测澳大利亚森林大火。首先使用多变量LSTM预测模型对日最高温度进行预测,并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比。研究表明:以相关变量为输入的BP神经网络无法考虑时序变化规律,预测误差最大;以温度单变量为输入的ARIMA根据时序变化做出相应预测,预测效果较好;多变量LSTM预测模型综合考虑了多种因素的相互影响,同时结合了时间序列依赖关系,预测效果最好。最后通过多变量LSTM预测模型对某节点是否着火进行了预测,预测结果与实际值契合较好。总体来说,多变量LSTM预测模型对澳大利亚大火的预测结果可信。     

微博中的信息传播: 媒体效应与社交影响

该文从媒体性和社交性两方面入手, 区分两种效应对于信息传播产生的影响. 实证分析了新浪微博中大规模的信息转发行为, 发现大规模转发链的信息扩散路径呈现出比较明显的星形结构, 尤其是大度节点对于信息传播规模及传播速度的促进作用非常明显; 另一方面, 发现社交结构中好友的转发行为能提高用户转发的概率, 且关系相对较强的双向好友之间的影响更大.     

基于模体度的社交网络虚假信息传播机制研究

社交媒体作为信息传播的载体,既可使人们快捷地分享信息流和获取时事新闻,也可能成为虚假信息泛滥蔓延的重要渠道.现有的虚假信息检测研究多基于对微博内容的机器学习或深度学习的识别模型,忽略了真假信息传播网络的结构差异.基于复杂网络的模体理论,提出了广度模体度与深度模体度的概念来量化传播网络的结构重要指标.研究表明:基于模体度的重要性计算方法是对传统网络结构重要性指标的一种创新与拓展,能够更全面地测度传播网络结构特性.通过构建的二维模体度量化指标,分析和揭示了微博、Twitter网络中虚假信息的结构特性与传播机制:虚假信息在广度传播与深度传播共同作用下扩散,广度模体度主要作用于网络传播规模,而深度模体度影响网络结构的复杂性.基于模体度的网络特征分析,可以应用于社交媒体信息传播的早期从源头上检测虚假信息,为虚假信息检测提供了一种新颖可行的途径.