基于衰减系数建立动态蛋白质网络模型进行关键蛋白质预测

在生物系统的转变过程中,蛋白质的演化过程并非一成不变,而是动态变化的。通过构造模型的方法来研究蛋白质相互作用网络,可以较好地刻画蛋白质相互作用的演化机制。但是,利用构造模型的方法来研究动态蛋白质相互作用时,应该考虑在蛋白质演化过程中,历史蛋白质随着时间推移对整个演化过程产生作用可能产生的衰减,而不是将不同时刻的蛋白质的作用视为等同或者直接忽略。针对上述情况,提出一种基于衰减系数建立动态蛋白质网络模型的方法。该方法在建立模型的时候采用合理的衰减系数将蛋白质作用的变化情况记录下来,以便于之后研究的开展。通过实验,取合理的衰减系数后,使用相同算法在不同网络模型上运行,结果验证了所提算法的有效性。

基于连接强度的动态蛋白质网络构建算法研究

为了解决现有的蛋白质网络构建方法在准确性、鲁棒性等方面的不足,提出了一种基于连接强度的动态蛋白质网络构建算法。首先,基于基因表达均值计算来对所有的蛋白质划分时间片,然后对于拥有相同时间片的蛋白质,采用连接强度来判断它们之间是否存在相互作用关系,进而构建出相应的蛋白质子网。最后,基于进化图来将多个时间片内的子网构建成动态蛋白质网络模型。以DIP数据集和CYC2008数据集为实验对象,利用多种典型的复合物识别算法在文中构建的蛋白质网络上进行测试,结果表明,论文构建的蛋白质网络明显地提高了复合物识别的精度,且鲁棒性较高。

改进的动态PPI网络构建与蛋白质功能预测算法

构建可靠的动态蛋白质网络是提高蛋白质未知功能预测和蛋白质复合物识别性能的关键,然而现有蛋白质网络构建和功能预测方法普遍存在鲁棒性低、预测精度不足等问题。为此,设计改进的动态蛋白质网络构建算法。采用进化图对蛋白质相互作用进行建模,基于蛋白质的活性周期将整个蛋白质网络划分为多个时间片的动态子网,在各个子网内部依据蛋白质之间的连接强度确定相互作用关系,从而得到一个全局的动态蛋白质网络。在此基础上,通过考查未知功能蛋白质邻居节点功能注释情况的差异,提出基于功能关联得分或神经网络的功能预测算法IPA-PF。在多个公开生物数据集上的实验结果表明,IPA-PF算法的查全率、查准率和F-measure指标优于HPMM、D-PIN、EFM和FP-BMD算法,且对输入参数不敏感,在保证功能预测准确性的前提下,其时间复杂度处于合理范围内。

基于时空图卷积神经网络的蛋白质复合物识别方法

目的探讨利用时空图卷积神经网络在动态蛋白质网络中挖掘复合物的新方法。方法文中首先定义了边强度、节点强度和边存在概率等指标对动态蛋白质网络进行建模,然后结合图上的时间序列信息和结构信息,基于希尔伯特-黄变换、注意力机制和残差连接等技术设计了2种卷积算子来对网络中蛋白质的特征进行表示学习,构建得到动态蛋白质网络特征图。最后采用谱聚类来识别复合物。结果在多个公开生物数据集上的仿真实验结果表明,所提算法在DIP数据集和MIPS数据集上的F值都达到了90%以上,相比于DPCMNE、GE-CFI、VGAE和NOCD等4种识别算法而言,识别效率分别平均提高了约34.5%、28.7%、25.4%和17.6%。结论运用深度学习技术来处理动态蛋白质网络的性能表现良好,具有普适意义。

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。

基于蛋白质相互作用网络的蛋白质复合物和功能模块预测算法研究进展

蛋白质相互作用网络中的模块化结构通常对应于蛋白质复合物或者蛋白质功能模块。基于蛋白质相互作用网络预测蛋白质复合物和功能模块不仅有助于理解生命有机体的细胞生物过程,而且可为探讨疾病的发生、发展和治疗以及合理的药物开发提供重要的基础。本文通过回顾近二十年来基于蛋白质相互作用网络的蛋白质复合物和功能模块预测算法研究的发展历程,按照静态蛋白质相互作用网络(SPIN)和动态蛋白质相互作用网络(DPIN)两个方向分别梳理预测算法所涉及的方法和技术,同时归纳常用的数据集并分析所面临的问题,为进一步研究提供有价值的参考。

采用隐马尔科夫模型的蛋白质复合物识别研究

动态蛋白质网络的构建和复合物识别问题是生物信息学领域目前研究的热点。针对现有的算法在解决前述问题上的不足,提出了一种基于隐马尔科夫模型的蛋白质复合物识别算法(HMM-PC)。首先基于蛋白质的基因共表达特性构建初始蛋白质网络,然后利用蛋白质的共享功能注释、共享结构域和连接强度等信息来对网络进行加权,得到动态蛋白质网络。在此基础上,考虑前一时刻蛋白质网络拓扑结构信息对当前时刻蛋白质网络拓扑结构信息的影响,采用隐马尔科夫模型描述蛋白质复合物与网络个体间的相互关系,进而将动态蛋白质网络中的复合物识别问题建模为隐马尔科夫模型中的最优状态序列发现问题,并采用维特比算法识别得到蛋白质复合物。最后通过理论分析证明了所提算法的复杂度较低。采用DIP数据集和MIPS数据集中的酵母蛋白质网络作为测试对象,大量的仿真实验结果也表明,HMM-PC算法的鲁棒性较强,在查全率、查准率、F-measure和效率等方面的性能都要优于现有的复合物识别算法。

基于动态图的PPI网络构建和复合物挖掘算法研究

动态蛋白质网络的构建和复合物挖掘问题是目前研究的热点.针对现有的算法在解决前述问题上的不足,文中考虑了蛋白质的活性周期和连接强度,首先提出了一种基于动态图的蛋白质网络构建算法.然后基于密度聚类设计了一种在动态蛋白质网络上挖掘复合物的算法(PCMA).整个挖掘过程包含三个步骤:基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法的蛋白质复合物生成;基于合并增益的蛋白质复合物合并和基于归属度的复合物调整.在多个公开的生物数据集上进行了实验,实验结果表明,所提算法在查全率、查准率和F-measure方面的性能都要优于现有的算法,且对输入参数不敏感.在保证蛋白质复合物挖掘准确性的前提下,算法的时间复杂度处于一个合理的范围之内.