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。     

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.     

基于烟花算法的蛋白质相互作用网络功能模块检测方法

针对群智能聚类方法在蛋白质相互作用网络功能模块检测问题上运行时间长的不足,本文提出了一种基于烟花算法的蛋白质相互作用网络功能模块检测方法(Fireworks Algorithm for Functional Module Detection in Protein-protein Interaction Networks,简称FWA-FMD).首先结合蛋白质相互作用网络的拓扑结构信息和基因本体的功能注释信息,基于标签传播思想将每个烟花个体初始化为一种候选的功能模块划分.其次在每一代进化过程中,利用具有局部搜索和全局搜索自调整能力的爆炸操作对每个烟花个体进行优化,并同时采用精英保留和轮盘赌策略选择下一代烟花个体.最后通过将最优烟花个体中标签相同的节点划分到同一功能模块,以得到最终的功能模块检测结果.在酵母菌和人类两个物种的4个公共蛋白质相互作用网络数据集上的功能模块检测结果,分别用两种标准功能模块数据集作为基准来评价的实验表明:FWA-FMD算法不但求解时间少于遗传算法、蚁群算法和细菌觅食算法,而且在多项评价指标上与一些代表性算法相比都具有明显的优势,能够更好地识别功能模块.     

基于基因表达谱的白血病分子预测模型研究

采用生物信息学方法对肿瘤基因表达数据进行挖掘,以获取和肿瘤不同亚型相关的候选标志基因集合,应用机器学习方法从标志基因集合中提取出甄别肿瘤不同亚型的规则集,进而建立起肿瘤预测模型.利用Relief、信息增益和分类信息指数从不同角度挖掘蕴含在基因表达谱中的候选特征基因,抽取出候选特征基因公约集合.以对不同肿瘤组织样本的识别能力为依据,选取分类能力最强的一组基因集合作为特征基因.利用规则判定树提取出反映这些特征基因相互作用的规则集并以此构建肿瘤预测模型,并将此模型应用于白血病基因表达数据中,建立了白血病分子预测模型.研究表明,该模型得到的白血病标志基因对肿瘤临床诊断具有一定的参考价值.     

基于GEO数据集筛选结肠癌相关枢纽基因及验证

从GEO芯片数据集中挖掘与正常结肠组织具有表达差异且与肿瘤病理特征相关的结肠癌关键基因。在GEO数据库中获取并处理GSE41258和GSE39582芯片数据集,筛选差异表达基因,利用DAVID、STRING等数据分析工具对差异表达基因进行KEGG分析、GO分析以及蛋白质相互作用(PPI)网络构建。利用Cytoscape 3.9.1软件与UALCAN数据库筛选枢纽(Hub)基因,并分析其与结肠癌临床病理的相关性。从两个GEO数据集中共筛选出108个差异表达基因,其中上调基因36个、下调基因72个。KEGG分析和GO分析显示差异表达基因主要富集于类固醇激素生物合成、视黄醇代谢、胆汁分泌、IL-17信号通路、PPAR信号通路并参与细胞葡萄糖醛酸化、类固醇代谢、胶原分解代谢、视黄醇代谢等生物过程。最终筛选出排名前五的Hub基因,分别是SPP1、COL1A1、CXCL8、MMP1和FABP1,其中SPP1和COL1A1表达与结肠癌肿瘤分期呈正相关,FABP1、MMP1和CXCL8在结肠癌早期就表现出显著差异性。通过生物信息学分析发现,在5个结肠癌关键基因中,SPP1和COL1A1与结肠癌进展相关...     

基于二级结构信息的蛋白质相互作用贝叶斯分类预测

蛋白质相互作用在许多生物学过程中扮演重要角色.蛋白质直接相互作用依赖其空间结构,蛋白质二级结构作为其空间结构的基本元件应该包含相互作用的信息.基于相互作用蛋白对二级结构信息,提出一个蛋白质相互作用的贝叶斯分类器预测模型.对酵母、人类数据的开放测试和对小鼠、果蝇的独立集测试的初步预测分别取得59.16%和59.85%的精确度,这表明蛋白质二级结构信息和贝叶斯分类器的确可以用于蛋白质相互作用预测.     

动态-静态混合的时序蛋白质网络构建方法

目前已公开的蛋白质网络多为静态网络,不能有效描述细胞中蛋白质的动态活动特点.通过融合基因表达数据,研究人员可以构建出描述蛋白质动态性的时序蛋白质网络.现有方法假设所有蛋白质都是动态变化的,而事实上除动态蛋白质外细胞中还包含相对稳定的静态蛋白质.为此,提出了一种基于动态-静态蛋白质混合的时序网络构建新方法.该方法根据基因表达变化情况将蛋白质分为动态和静态两类,并在构建各时刻网络时考虑动态与静态蛋白质之间的相互作用关系.实验结果表明,利用本文方法构建的时序蛋白质网络可以提高蛋白质复合体识别的准确性,从而验证了本文方法的可行性.     

有向复杂网络的目标可控性分析

针对大型复杂网络难以控制的问题,本文主要对有向复杂网络的目标可控性进行研究。首先分析单输入下有向网络的目标控制,并将贪婪算法进行优化,同时对大型复杂网络的目标控制提出了新的算法。与贪婪算法相比,新算法引入对目标节点集施加免疫信号,可有效阻断免疫节点部分与外界的连接,有效避免干扰,提高网络目标控制的效率;新算法中的免疫方法结合随机免疫和熟人免疫这两种方法的优点于一体,可更大范围地移除网络中目标节点部分到非目标节点部分的出边。说明通过新算法寻找网络目标节点部分的最小驱动节点集更加高效方便。该研究为解决更为复杂图的目标可控性问题提供了方向和方法。     

基于深度神经网络的蛋白质相互作用预测框架

为解决实验方法中结果存在较高假阳性率和假阴性率的问题,整合蛋白质特征数据,提出一种基于深度神经网络的蛋白质相互作用预测框架。提取蛋白质的GO语义相似性、序列相似性、蛋白质重要性以及亚细胞定位信息,得到低维度的输入数据。然后建立深度神经网络,进行预测。通过使用弃权技术,减少网络中复杂的互适应神经元,总体性能得到提高。预测框架在酿酒酵母蛋白质数据集上的准确率达到95.67%,精确度达到96.38%。实验结果表明:提取的特征数据较适合用于蛋白质互作的预测研究,且构建的基于深度神经网络的蛋白质相互作用预测框架具有出色的泛化性能,在多种数据上都能取得较好效果。     

利用药物重定位策略挖掘胃癌治疗药物

利用药物重定位和生物信息学的方法预测治疗胃癌的候选小分子药物及其潜在靶点，为胃癌的治疗提供新的思路。首先在胃癌数据集GSE54129、GSE26899和GSE65801中鉴定了203个差异表达基因，并利用关联图谱(connectivity map, CMap)分析筛选得到10种候选的小分子化合物。然后，通过对差异表达基因组成的蛋白质-蛋白质相互作用网络进行拓扑性质分析，鉴定TIMP1、PDGFRB、COL1A1等为枢纽基因。进一步，分子对接的结果显示，新鉴定的小分子药物左炔诺孕酮(levonorgestrel)与TIMP1具有较强的结合能力，结合能为-9.24 kcal/mol；已报道的胃癌药物西地尼布(cediranib)与靶点PDGFRB的结合能为-6.28 kcal/mol。另外，潜在靶点基因TIMP1和PDGFRB的表达模式、诊断和预后价值在胃癌数据集中得到了验证。     

基因调控网络中的癌症标记物预测方法

基于多组学的癌症标记物识别对癌症分子机制的研究具有重要的意义,但是当前大部分工作都是结合蛋白质相互作用数据进行的,故提出一种新型的基于多基因调控网络和多组学数据的研究方法,用于分析癌症的分子机制以及预测生物分子标记物。该方法首先整合多组学数据,以胃癌和食管癌为例,分别构建了胃癌和食管癌的癌症特异性网络;然后在这两个网络上进行加权共表达网络分析,采用层次聚类划分模块,计算模块的第一主成分和所有已知癌症标记物的关系,以此为据筛选出癌症特异的模块;最后再提取疾病特异的生物通路,使用相似性评估方法识别潜在的癌症标记物。实验结果表明,该方法预测的特异性模块具有功能特性,并且在模块内部使用皮尔逊相关系数法进行预测的结果更准确。     

基于邻域粗糙集与鱼群智能的基因选择方法

针对高维、小样本及不确定性的基因表达数据,融合模糊可容忍性的邻域粒化技术与具有全局寻优能力的鱼群智能算法,提出基于邻域粗糙集与鱼群智能的基因选择方法。首先,采用邻域粗糙集对基因数据进行邻域粒化,形成邻域粒子;其次,提出基于邻域分类精度的不确定性评价函数,用以评价邻域粒子的不确定性,分辨关键性基因;进一步融合鱼群智能方法,设计一种基因选择算法,选取分类性强的少量关键基因;最后,在两个癌症基因数据集中进行基因选择,采用SVM分类器对获取的关键基因组进行分类实验。实验结果表明,采用该方法获取的基因组具有较低的冗余度及较好的分类性能。     

基于SVM的灵敏度分析方法选取肿瘤特征基因

提出基于支持向量机的灵敏度分析方法选取结肠癌特征基因.用支持向量机分析基因对分类决策函数的灵敏度,递归去除灵敏度较低的若干基因,得到一组候选特征基因子集;以支持向量机为分类工具,检验候选特征基因子集对样本分类的贡献,选取具有最佳分类能力的候选特征基因子集作为结肠癌特征基因子集.通过实验比较,该特征基因子集的分类能力优于文献给出的其他特征基因子集,表明了该方法的可行性和有效性.     

基于人工神经网络集成的微阵列数据分类

基因数量远多于样本数量是基因表达微阵列数据进行疾病诊断所面临的主要挑战，为此提出了采用人工神经网络集成的组织分类方法．该方法使用Wilcoxon测试选择用于与分类相关性较高的重要基因，通过凸伪数据法产生神经网络集成中各个体的训练集，用简单平均法集成网络个体的测试结果．采用实际的微阵列实验数据集分别进行独立测试和交叉验证测试，结果表明，该方法性能优于单个神经网络、最近邻法和决策树．受试者特征曲线测试表明，神经网络集成性能优于单个神经网络．     

基于简单统计排名模型的差异表达基因识别

不同实验条件下差异表达基因(DEGs)的识别是微阵列数据分析的主要目标之一,针对分析结果中具有高排名的基因往往表现出较低差异表达水平的缺点,提出了一种基于简单统计排名模型的差异表达基因识别算法MRP(Matrix rank product)。算法可直接处理基因芯片原始数据,排除了数据预处理方法对算法的干扰;另外,通过对基因芯片数据形成的矩阵进行整体排序计算,得到具有高准确度的差异表达性排名结果。     

基于基因网络的产品形态设计研究

从产品基因网络的角度出发来研究产品形态的设计方法.借用基因调控网络的部分概念,以产品形态基因作为网络节点,各基因间的相关性作为节点的边,构建产品形态的复杂网络模型.在所得到的产品形态基因网络基础上,识别出产品形态基因网络中的不同节点类型,获得出节点集团,最终转化为设计策略.设计师可以根据自身需要有选择性的结合获得的节点类型和节点集团等信息对产品形态进行有针对性的设计,并对设计结果进行了对照实验验证.验证结果证明基于产品基因网络的研究方法能够辅助设计师进行产品设计.