基于多层网络控制的个体化癌症驱动基因识别方法

目的识别癌症驱动基因,特别是罕见或个体特异性癌症驱动基因,对精准肿瘤学至关重要。考虑到肿瘤间的高度异质性,最近有一些方法尝试在个体水平上识别癌症驱动基因。然而,这些方法大多是将多组学数据整合到单一生物分子网络(如基因调控网络或蛋白质相互作用网络)中来识别癌症驱动基因,容易忽略不同网络所特有的重要相互作用信息。为了整合不同生物分子网络的相互作用数据,促进癌症驱动基因识别,迫切需要发展一种多层网络方法。方法本文提出了一种多层网络控制方法(PDGMN),利用多层网络识别个体化癌症驱动基因。首先,利用基因表达数据构建针对个体病人的个体化多层网络,其中包括蛋白质相互作用层和基因相互关联层。然后,整合突变数据,对个体化多层网络中的节点进行加权。最后,设计了一种加权最小顶点覆盖集识别算法,找到个体化多层网络中的最优驱动节点集,以提高个体化癌症驱动基因的识别效果。结果在三个TCGA癌症数据集上的实验结果表明,PDGMN在个体化驱动基因识别方面优于其他现有方法,并能有效识别个体病人的罕见癌症驱动基因。特别是,在不同生物分子网络上的实验结果表明,PDGMN能够捕获不同生物分子网络的独有特征,从而改进癌症驱动基因的识别结果。结论PDGMN能有效识别个体化癌症驱动基因,并从多层网络的视角,加深我们对癌症驱动基因识别的理解。本文所用的源代码和数据集可以从https://github.com/NWPU-903PR/PDGMN获取。

事件驱动无线传感器网络中有效节点的选择方法

事件驱动的无线传感器网络需要对事件状态做出合理的判断以进行处理,本文研究如何选取少量节点参与通信,以较低的能耗代价获取事件状态。文中提出的NSS(Node Supported Selection)算法,首先利用节点之间的空间相关性将事件感知空间划分为若干相关单元,再依据节点支持度选取代表节点参与数据传输。仿真结果表明,该算法只需小比例的节点数就能保证感知精度,且具有较好的可扩展性,能满足多样的应用需求。

复杂网络基于最小驱动节点的能控性优化（英文）

在这篇文章中讨论了两个核心问题,分别是最小输入问题和输入信号对节点的控制问题.利用图论和矩阵理论,找到了具有强控制集中性和强控制能力的最优的最小驱动节点集.首先,确定了驱动节点的最小数量.然后,通过两种方法确定了最优的最小驱动节点集,一种是分析节点i的控制集中性,另一种是查找控制信号u^+(t)和具有强控制能力的节点i之间有用的连接添加.最后,输入信号被施加到最优的最小驱动节点上以使得网络能控.同时,关于最优的最小驱动节点集的算法也被提出用于复杂网络能控性的研究.

基于配合依赖关系图计算环网方向保护最优配合顺序的新方法

提出了基于保护主后备配合关系,利用保护配合依赖关系有向图节点邻接矩阵计算环网方向保护最优配合顺序的新方法。根据节点入度最大的原则逐步选择断点,根据节点出度为0的原则确定保护配合顺序,通过对节点邻接矩阵简单的行列化简运算逐步计算大规模复杂环网最小断点集和确定全网保护最优配合顺序。该方法简单直观,大大降低了问题的复杂度和计算量。

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。

基于控制理论的关键基因预测算法

针对目前关键基因预测不准确和预测算法缺乏等问题,本文提出一种基于控制理论的关键基因预测算法。首先,从TCGA数据库收集结直肠癌数据,使用计算机工具预处理数据,并利用结直肠癌数据和LncMAP数据库数据构建lncRNATF-gene调控网络。然后,设计一种新的筛选方法,基于控制理论中的最小驱动节点集思想和可控性动态分类理论,筛选得到关键节点基因集;将突变得分和网络拓扑分析方法得分融合分析,得到潜在关键基因集。最后,对关键节点基因集和潜在关键基因集取交集,得到关键基因集。结合相关文献和CGC数据库对关键基因集进行验证,证实了该预测算法的有效性,为预测结直肠癌关键基因提供了一种新的思路和方法。