生物网络模体发现算法研究综述

网络模体发现是生物网络数据分析中的一个核心问题.首先分析了网络模体发现中相关的基本计算问题:随机网络建模,子图搜索和模体统计意义评价等.其次对生物网络模体发现算法进行了综述和评价,从研究方法上将模体分为精确模体,概率模体和其它模体三类,并对识别每类模体的典型算法进行研究和分析.为了对网络模体进行深入分析与研究,引入了与模体发现密切相关的生物网络模块发现问题.最后讨论了网络模体发现算法的最新进展和下一步的研究方向.

非树型网络模体发现算法

现有的大多数网络模体发现算法发现网络中的确切模体,但是由于生物数据是不完整的,有噪声的,而且生命过程具有动态性,概率网络模体具有更实际的意义.本文提出了非树型网络模体发现算法,寻找由一组相似子图组成的概率网络模体.在该算法中,首先提出子图挖掘算法ESN挖掘网络中所有给定规模的非树型子图,然后进行多图比对,最后基于统计模型和对应的得分函数,用模拟退火算法求得网络模体.对E.coli和Yeast的基因调控网络的仿真实验表明,该算法能够高效地发现生物网络中的概率模体.

J2EE应用开发过程中性能问题的研究

随着J2EE应用的功能日趋强大,复杂度也会越来越大,性能问题开始暴露和突出。文章基于J2EE的整个开发过程,研究性能问题,包括分析、创建、测试和部署阶段。介绍了用JunitPerf进行自动性能测试,并重点讨论了性能问题中的难题即内存泄漏问题。

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。

动态网络模式挖掘方法及其应用

静态复杂网络研究在揭示社会网络、信息网络和生物网络的形成和演化机制方面取得了重要成果,其方法和结果对系统生物学产生了重要影响.但现实世界中,很多网络是随时间发生变化的,即动态网络.以动态网络为对象,对动态网络的拓扑特性分析、动态网络相关的各种模式挖掘模型和方法进行了综述、比较和分析.特别地,将动态网络模式分析方法应用于生物网络和社会网络,分析了生物网络相关的动态功能模块和模式演化问题、科学家合作网络和社交网络的动态模式.最后指出了动态网络的模式挖掘方法及其在动态生物网络和社会网络研究中存在的问题和挑战,并对未来的研究方向进行了分析.

图数据中频繁模式挖掘算法研究综述

本文对图数据中的频繁模式挖掘算法进行了综述.依据算法的特性和数学基础对算法进行了分类,主要集中于算法的求解思想和不同算法之间的关系的比较,并对一些著名的算法进行了详细的分析和讨论.基于算法的特性,比较了各种算法适用的范围以及应用领域.最后,讨论了频繁模式挖掘的最新进展及未来的研究方向.