基于特征图网络和多种生物信息预测关键蛋白质的深度学习框架

针对生物实验识别关键蛋白质费时费力,使用计算方法预测关键蛋白质无法有效整合生物信息的问题,提出一个深度学习框架.首先利用网络拓扑结构、基因表达数据和GO(gene ontology)注释数据构建加权蛋白质相互作用网络;然后分别使用特征图网络和双向长短期记忆细胞从亚细胞定位数据、蛋白质复合物数据和基因表达数据中提取特征向量;最后将这些特征向量输入到任务学习层预测关键蛋白质.实验结果表明,相比于现有的计算方法,该方法预测性能更好.

燕山绒山羊绒毛细度关键蛋白的筛选

燕山绒山羊是河北省青龙地区一个重要的遗传资源,属绒肉兼用品种,由于其绒毛细度良莠不齐,严重影响了养殖经济效益。为了加快燕山绒山羊的选育,本研究通过无标记定量蛋白组学技术对燕山绒山羊与内蒙古绒山羊绒毛的差异蛋白表达谱进行了分析,结果共鉴定到93个总蛋白,21个差异蛋白,进一步通过GO功能注释、KEGG通路富集、亚细胞定位和PPI蛋白网络互作分析,筛选出6个关键蛋白(ALB、KRT1、KRT17、DSG4、KRT10、KRT18)可能影响燕山绒山羊绒毛细度。研究结果为燕山绒山羊绒毛细度的改良提供了理论基础。

基于复杂网络理论的酵母菌PPI网络中关键蛋白质与核心蛋白质组的识别

识别关键蛋白质对疾病治疗、药物设计等领域有重要作用。本文首先采用5种节点重要性排序算法,对4种酵母菌PPI网络进行关键蛋白质识别,并通过分析不同网络之间共有的关键蛋白质,构建了关键蛋白质子网。再通过杰卡德相似度指标,筛选出子网中拓扑特征相似的关键蛋白质对,发现4种网络中存在Gavin-EPG 1、Gavin-EPG 2、Babu-EPG 1、Babu-EPG 2、LCMS-EPG、MALDI-EPG共6个核心蛋白质组。尽管它们大都是核糖体蛋白质,然而不同的酵母菌PPI网络中核心蛋白质组中蛋白质的组成差异很大。本文所发现的关键蛋白质以及核心蛋白质组对进一步研究核糖体上蛋白质如何相互作用影响肽链的合成以及折叠提供了重要的理论参考。

基于最小点覆盖及多参数方法的关键蛋白识别

针对已有方法对关键蛋白识别度不高的现状,认为进一步提高识别度有两条途径:一是发现与关键蛋白关系更密切的参数,二是充分挖掘现有参数的信息并进行有效地整合。由于点覆盖在网络(图)拓扑结构上的重要地位而研究将其引入关键蛋白质的识别中:针对算法的复杂性引进参数计算的相关算法将复杂度大幅度降低的同时对蛋白质网络进行最小点覆盖分析并获得一种新的拓扑参数-点覆盖参数,相关分析表明该参数与关键蛋白有着密切的联系。进一步研究发现,参数之间相关性的大小在很大程度上预示它们所蕴含的关键蛋白信息之间互补性的强弱,根据这一发现探讨利用包括点覆盖在内的各个参数的有限信息进行有效整合,仿真结果证实该方法能明显提高关键蛋白识别度。

融合PPI和基因表达数据的关键蛋白质识别方法

提出一种新的融合了基因表达数据和PPI网络的拓扑特性来识别关键蛋白质的中心性测度PeC。对于网络中的每一条边,PeC首先计算该边的聚集系数和该边相连的2个基因(蛋白质)共表达的皮尔逊相关系数,并在此基础上进一步计算出该边的权值。网络中每个节点的PeC值即为其所连接的所有边的权值之和。基于酵母PPI网络上的实验结果表明,PeC明显优于其他8种中心性拓扑参数DC,BC,CC,SC,EC,IC,LAC和SoECC;特别地,在预测的蛋白质数量不大于总数量的10%的情况下,PeC的预测准确率相对于SC,CC和EC提高20%以上。

基于不确定网络的关键蛋白质识别

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。

一种基于随机游走模型的关键蛋白质预测方法

为了解决目前的关键蛋白质预测方法对生物功能的分析不够深入的情况,利用蛋白质复合物信息,提出1种基于随机游走模型,结合蛋白质相互作用网络中的边聚集系数等数据来预测关键蛋白质的RWP(random walk method for predicting essential proteins)算法。在酿酒酵母(Saccharomyces cerevisiae)蛋白质相互作用网络上,以敏感度、特异性、阳性预测值、阴性预测值、准确率等5个统计学指标为评价标准,将RWP与介数中心性、度中心性、信息中心性、CSC算法及LIDC算法等5种用于预测关键蛋白质的方法进行对比实验。结果表明:RWP在关键蛋白质识别率等方面优于这5种测度方法,它具有较好的预测关键蛋白质的性能。

基于动态加权PPI网络的关键蛋白质识别算法

与静态PPI网络相比,动态PPI网络更能体现蛋白质之间相互作用的真实情况,并有效降低PPI网络中的假阴性。现有的关键蛋白质预测方法主要应用在静态PPI网络,忽视了PPI网络的动态特性。为有效预测关键蛋白质,利用基因表达数据提取蛋白质的动态信息,再结合静态PPI网络构建动态PPI网络,然后引入GO术语对网络加权,并基于动态加权PPI网络提出一种新的预测方法——DWE。该方法以蛋白质在动态网络中的动态加权边之和与蛋白质在动态网络中出现的次数的比值衡量蛋白质在网络中的关键性。实验结果表明动态加权PPI网络有助于提高关键蛋白质的预测精度,且DWE方法优于其他几种关键蛋白质预测方法。

基于时序加权PPI网络的关键蛋白质识别

关键蛋白质是生物体内一切生命活动中不可缺少的物质基础,关键蛋白质的识别不仅可以从理论上理解生命活动机理,同时在实际应用中为药物研制、疾病治疗提供重要基础。目前,现有的关键蛋白质识别算法大多应用在静态PPI网络上,忽略了蛋白质的动态性和保守性,只考虑网络拓扑结构,忽略了蛋白质的生物特性,并且未能完全解决PPI网络中假阳性和假阴性问题。针对以上问题,构建一种混合动态保守蛋白质的时序加权PPI网络,并提出一种名为JTBC(Joint Topological properties,Biological properties and Complexes information)的关键蛋白质识别算法。利用基因表达数据提取动态蛋白质和保守蛋白质的活性信息,以动态调整静态PPI网络进而构建时序PPI网络,有效降低了PPI网络中的假阴性;设计一种融合双重拓扑特性的点边凝聚度DEcc(node and edge cohesion coefficient),以衡量蛋白质在PPI网络中的拓扑特性,再结合带有生物特性的蛋白质结构域信息和皮尔逊相关系数为时序PPI网络加权,以准确描述蛋白质之间的相互作用,减少了假阳性的影响;根据关键蛋白质的聚集特性和共表达特性,设计一种共表达复合物中心性方法局部评估蛋白质的重要程度。综上考虑,整合权重信息和蛋白质复合物信息来综合衡量蛋白质的关键性。实验结果表明该算法能够从全局和局部特性较准确地识别关键蛋白质。

血清人衰老关键蛋白1检测对结肠直肠癌的诊断和预后价值

目的:探究人衰老关键蛋白1(Fibulin-1,FBLN1)作为血清标志物在结肠直肠癌(colorectal cancer,CRC诊断中的价值。方法:选取81例CRC患者作为CRC组,50例结肠直肠息肉患者(息肉组)和50名健康体检者(健康组)作为对照,采用酶联免疫吸附试验(enzyme-linked immunosorbent assay,ELISA)检测其血清FBLN1及癌胚抗原(carcinoembryonic antigen,CEA)水平,并进行组间比较分析。结果:与血清CEA类似,CRC组的血清FBLN1水平[(12.98±7.82)ng/mL]明显高于息肉组[(7.54±1.23)ng/mL]和健康组[(6.89±2.03)ng/mL],差异均具有统计学意义(P<0.05),息肉组与健康组间的血清FBLN1水平差异无统计学意义。低分化CRC患者的血清FBLN1水平[(22.23±18.51)ng/mL]分别高于中分化CRC[(11.65±13.28)ng/mL,P<0.05]及高分化CRC患者[(9.12±10.17)ng/mL,P<0.05],有淋巴结转移的CRC患者的血清FBLN1水平[(15.26±6.98)ng/mL]高于无淋巴结转移的患者[(8.58±4.27)ng/mL,P<0.05]。血清FBLN1>9.85 ng/mL诊断CRC的受试者操作特征(receiver operating characteristc,ROC)曲线下面积为0.852,灵敏度为82.7%,特异度约为90.0%,均优于CEA(灵敏度64.2%,特异度为82.1%)。结论:血清FBLN1水平有可能作为CRC诊断及判断病理分化程度、淋巴结转移情况的标志物。

基于节点关联性的关键蛋白质识别算法研究

为提高蛋白质网络中关键蛋白质识别的效率,提出一种基于节点关联性的关键蛋白质识别方法.方法在保持蛋白质网络拓扑结构完整性的基础上,兼顾了蛋白质网络局部特性,从蛋白质节点关联性的角度,具体衡量蛋白质节点重要性,并采用节点失效法进行关键蛋白质的识别.实验分析证明了方法的有效性.

基于中心性和模块特性的关键蛋白质识别

针对蛋白质相互作用(protein-protein interaction,PPI)网络中存在大量噪声以及现有关键蛋白识别方法准确率不高等问题,提出了一种基于中心性和模块特性(united centrality and modularity,UCM)的方法来识别关键蛋白质。首先,整合蛋白质拓扑数据和生物数据构建多元属性网络,以降低PPI网络中噪声的影响;其次,根据关键蛋白质的拓扑特性和生物特性,提出一种挖掘稠密且高度共表达的关键模块算法,从多元属性网络中挖掘高可靠性的关键模块,以从多维角度强化关键蛋白质在模块中的重要程度;最后,整合蛋白质的中心性和模块化特性,设计一种衡量蛋白质关键性的策略(essential integration strategy,EIS),以提高识别高关键蛋白质的准确率。UCM方法应用在DIP数据集上进行验证,实验结果表明,与其他10种关键蛋白质识别方法相比较,该方法具有较好的识别性能,能够识别更多的关键蛋白质。

基于节点失效的关键蛋白质识别算法研究

蛋白质参与了生命活动中大部分的生物过程,是生物体生长过程中重要的物质基础.由于蛋白质数量巨大,所承担的作用也各不相同,如何在蛋白质网络中准确地识别出的具有重要作用的关键蛋白质,是蛋白质组学中亟待解决的重要问题之一.针对目前蛋白质节点删除策略存在破坏蛋白质网络拓扑结构这一问题,提出基于节点失效的关键蛋白质识别算法.用蛋白质节点对之间的最短距离,来描述两个节点之间的潜在的影响能力,在衡量某个蛋白质节点是否为关键蛋白质的时候,将该节点失效处理,通过统计节点失效对于整个网络的影响程度,从而识别出相应的关键蛋白质.

基于复合物结构和网络拓扑特性的关键蛋白质识别算法

关键蛋白质的识别有助于从分子水平上理解生命的活动过程,然而仅从拓扑特性角度来识别的关键蛋白质不够精准,因此为了提高识别准确率,结合复合物信息提出了确定蛋白质关键性的指标模型EIC,该模型是基于蛋白质复合物内的局部中心性特性以及网络的全局信息特性来考虑.使用DIP和MIPS两种蛋白质相互作用(PPI)网络作为实验数据集,选用“排序-筛选”方法、精准召回、折刀等评估方法,通过与现有方法DC、BC、EC、SC、LAC、NC以及UC作对比,实验结果表明EIC方法优于这些方法,能够提高预测关键蛋白质的准确率.

基于复合物参与度和密度的关键蛋白质预测

针对在蛋白质相互作用网络上的关键蛋白质识别只关注拓扑特性,蛋白质相互作用数据中存在较高比例的假阳性数据以及基于复合物信息的关键蛋白质识别算法对节点的邻域信息和复合物的挖掘对关键蛋白质的识别影响效果考虑不够全面等导致的识别准确率和特异性不高的问题,提出一种基于复合物参与度和密度的关键蛋白质预测算法PEC。首先融合GO注释信息和边聚集系数构造加权PPI网络,克服假阳性对实验结果的影响;基于蛋白质相互作用的边权重,构造相似度矩阵,设计特征值间的最大本征差值来自动确定划分数目K,同时根据加权网络中的蛋白质节点度来选取K个初始聚类中心,进而利用谱聚类结合模糊C-means聚类算法实现复合物的挖掘,提高聚类的准确率,降低数据的维数;其次基于蛋白质节点的复合物参与度以及节点邻域子图密度,设计出关键节点的关键性得分。在DIP和Krogan 2个数据集上,将PEC与DC、BC、CC、SC、IC、PeC、WDC、LIDC、LBCC和UC 10种经典算法相比,实验结果表明,PEC算法能够识别出更多的关键蛋白质,且聚类结果的准确率和特异性较高。

基于复合物信息和亚细胞定位信息的关键蛋白质识别

针对蛋白质相互作用(protein-protein interaction,PPI)网络中存在大量噪声,以及现有关键蛋白识别方法的挖掘效率和预测准确率不高等问题,提出一种基于复合物信息和亚细胞定位信息(united protein complexes and subcellular locallizations,PCSL)来识别关键蛋白质。首先,整合PPI网络的拓扑属性、生物属性和空间属性构建加权网络,以降低PPI网络中噪声的影响,达到提升PPI网络的可靠性的目的;其次,根据复合物信息和空间信息,设计一种衡量蛋白质关键性的度量,从多维角度强化关键蛋白质在PPI中的重要程度;最后,利用基于PPI网络拓扑特性的寻优算法,设计一种新的试探策略,提升挖掘关键蛋白质的效率。PCSL方法应用在DIP(database of interacting protein)数据集上进行验证。实验结果表明,与其他10种关键蛋白质识别方法相比较,该方法具有较好的识别性能,能够识别更多的关键蛋白质。

基于网络拓扑和多种生物信息融合的关键蛋白质识别算法

关键蛋白质的识别有助于了解细胞存活的基本需求,并为疾病治疗找到新方法,但是蛋白质自身携带着复杂的生物特性,仅依赖网络拓扑特性不能精准地判断其关键性.因此,提出一种新方法来提高识别关键蛋白质的准确率.首先,考虑网络拓扑特性以及蛋白质在不同亚细胞中的重要程度,定义了SNC方法;其次,利用蛋白质在亚细胞与复合物信息中的特性定义了SIDC方法;最后,通过融合网络拓扑结构和多源生物信息,提出了关键蛋白质识别算法CTB.在YDIP、YMIPS和Krogan数据集上利用精准率-查全率等多种评估方法进行实验,结果表明CTB算法提高了识别关键蛋白质的性能.

基于网络资本评估和节点失效的关键蛋白质识别算法研究

针对目前蛋白质节点删除方法存在破坏蛋白质相互作用网络拓扑结构的问题,在定义蛋白质节点可达性的基础上,提出了一种基于蛋白质网络资本评价和节点失效法的关键蛋白质节点识别算法。在保持网络整体拓扑结构完整的前提下,通过分析蛋白质节点失效前后网络资本值的下降程度评估该节点在蛋白质网络中的重要程度,从而识别关键蛋白质。实验结果表明本算法对最为重要的前1%和前5%数据的关键蛋白质预测结果优于四种典型的中心性测度方法,而且对于关键蛋白质的识别具有较高的准确性。

骨关节炎患者免疫炎症关键蛋白表达谱变化及中医药的干预研究

目的:通过对骨关节炎(OA)免疫炎症关键蛋白表达谱的筛选及验证,探讨中医药对其的干预作用。方法:应用Raybiotech抗体芯片检测10例OA患者(OA组)、10例健康对照者(Control组)血清中关键蛋白的表达,应用酶联免疫吸附(ELISA)测定其关键蛋白的表达;选取30例治疗前后OA患者,分为新风胶囊(XFC)联合中药饮片(实验组)11例、单纯中药组(对照组)19例,统计分析两组ESR、CRP、IgA、IgG、IgM、SF-36、SAS、SDS的变化情况。结果:与对照组比较,关键蛋白B7-1、ICOS、PD-L2均下调(P<0.01);治疗前ICOS与ESR、CRP、补体C3、补体C4及BP呈显著负相关,B7-1与SAS呈显著正相关;OA患者治疗后B7-1、ICOS、PD-L2表达上调,ESR、补体C4表达下调,SAS和BP有明显改善(P<0.05);治疗后实验组CRP和IgA的改善情况优于单纯中药组(P<0.05);关联规则结果显示:B7-1的上调与陈皮、蒲公英有强关联;ICOS的上调与牡丹皮、蒲公英、丹参有强关联;PD-L2的上调与桃仁、山药和薏苡仁有强关联;IgA、IgG、ESR和CRP的下调及ICOS、PD-L2的上调与XFC联合山药有强关联。结论:中医药通过调控免疫炎症关键蛋白的表达改善OA患者的免疫炎症反应,XFC联合中药对上述指标的改善优于单纯中药组,其机制有待进一步阐述。

小鼠腹膜透析模型的构建及腹膜转运关键蛋白的表达

目的构建小鼠腹膜透析模型,以腹膜平衡试验(PET)曲线描述其转运特征,并观察腹膜转运关键蛋白在小鼠腹膜的表达。方法以C57BL/6小鼠为动物模型,通过PET建立透析模型,分别进行生化测定描绘PET曲线,以及蛋白印迹进行关键蛋白的检测。结果C57BL/6小鼠的PET曲线图形与人类接近。AQP-1、eNOS、Cav-1在小鼠腹膜均有稳定的表达。结论该模型结果可靠,代表性强,适合推广。