LPI-MAM:以miRNAs为中介基于深度学习预测lncRNA-蛋白质相互作用

长链非编码RNA (Long non-coding RNAs, lncRNAs)是细胞增殖和死亡的重要调控因子,它的失调可能会导致多种疾病发生。LncRNAs主要是通过与蛋白质相互作用(lncRNA-protein interactions, lncRPIs)来发挥生物学功能。因此,研究lncRPIs对了解lncRNAs的功能及相关疾病至关重要。目前,多数计算方法依赖于已知的验证过的lncRPIs构建模型,但经过实验验证的样本是有限的。MiRNAs主要是与mRNAs结合导致基因沉默,而lncRNAs可作为竞争性内源性RNA,竞争性的结合miRNAs来间接地调节基因表达。本文提出LPI-MAM方法,使用miRNAs作为中间体来扩大lncRPIs的预测范围。该方法将序列、结构和组成转换分布特征融合,输入卷积神经网络和独立循环神经网络的集成深度学习框架中。结果表明,LPI-MAM在基准数据集上取得了良好的性能。并且通过构建可视化交互网络发现该模型具有预测未知lncRPIs的能力。

一种改进的蛋白质相互作用网络全局比对算法

改进更新匹配节点对的邻居节点得分之后的节点相似性得分计算方法,对匹配节点对的邻居节点相似性得分进行更新,综合使用节点间生物相似性得分、网络拓扑结构相似性得分和相互作用相似性得分对蛋白质相互作用网络进行匹配比对和迭代调整最佳匹配,以使得匹配结果更加贴近生物真实性.实验结果表明,给出的蛋白质相互作用网络全局比对算法整体上获得了更高的比对总分和检测到较多拥有共同基因本体的蛋白质对数.

动态加权蛋白质相互作用网络构建及其应用研究

一个蛋白质可能在不同条件或不同时刻与不同的蛋白质发生相互作用,这称为蛋白质的动态特性.蛋白质在分子处理的不同阶段参与到不同的模块,与其他的蛋白质共同完成某项功能.因此,动态蛋白质相互作用的研究有助于提高蛋白质功能预测的准确率.结合蛋白质相互作用网络和时间序列基因表达数据,构建动态蛋白质相互作用网络.为降低PPI网络中假阴性对功能预测产生的负面影响,结合结构域信息和复合物信息,预测和产生新的相互作用,并对相互作用加权.基于构建的动态加权网络,提出一种功能预测方法 D-PIN(Dynamic protein interaction networks).基于三个不同的酵母相互作用网络实验结果表明,D-PIN方法的综合性能比现有方法提高了14%以上.结果验证了构建的动态加权蛋白质相互网络的有效性.

金黄色葡萄球菌蛋白质相互作用网络及功能

【目的】金黄色葡萄球菌是一种革兰氏阳性菌,是目前最难以对付的病菌之一。它能引起多种感染,特别是在医院环境中。近年来,抗药性金黄色葡萄球菌传染更加严重,已成为公共卫生威胁。由于以前对于金黄色葡萄球菌的实验性研究大都是基于单个基因或者蛋白进行的,为了更好的研究这个物种,有必要从整体上把握金黄色葡萄球菌的蛋白作用机理。【方法】采用系统发生谱、操纵子法、基因融合法、基因邻近法、同源映射法等5种计算方法预测金黄色葡萄球菌蛋白质相互作用网络。【结果】从蛋白组的角度构建了金黄色葡萄球菌蛋白相互作用网络,并对网络进行功能分析。【结论】网络的分析表明金黄色葡萄球菌的蛋白质相互作用网络也服从scale-free属性,发现了SA0939、SA0868、rplD等重要的蛋白。通过对金黄色葡萄球菌的重要的细胞壁合成和信号转导调控蛋白局部网络分析,发现了一些对这两个系统十分重要的蛋白分子,这些信息将为更好的了解金黄色葡萄球菌的致病机理和开发新的药物靶点提供指导。

基于蛋白质相互作用网络局部相似度的肝癌疾病基因预测

基于人类蛋白质相互作用网络,该文采纳拓扑局部相似度去实现肝癌疾病基因的预测.交叉检验测试结果表明:有22%~29%的目标基因在候选基因中排名前5%,且预测精度均能达到0.7以上.归因于低的计算复杂度和相对高的预测精度,这类疾病基因预测方法可为发现和鉴定疾病基因提供有力的线索.

基因共表达网络分析及蛋白质相互作用筛选核分裂周期蛋白80与肺腺癌分期及预后的相关性

目的通过基因共表达网络分析(weighted gene co-expression network analaysis,WGCNA)及蛋白质相互作用(protein-protein interaction,PPI)识别肺腺癌发生发展中的枢纽基因。方法从TCGA数据库中下载497例肺腺癌组织和54例正常肺组织的RNA-seq表达矩阵及配套临床信息。利用R语言的DESeq2软件包进行差异基因表达分析。随后通过WGCNA筛选出枢纽模块,PPI分析鉴定出枢纽基因。最后使用GEIPA数据库验证枢纽基因与肿瘤分期、预后的关系。结果通过DESeq2分析得到1904个差异基因。通过构建共表达网络,确定棕色和蓝色模块为枢纽模块,PPI分析筛选得到核分裂周期蛋白80(nu⁃clear division cycle 80,NDC80)为枢纽基因。GEIPA数据库验证结果显示NDC80基因与肿瘤的分期相关(F=3.58,P<0.05),且NDC80基因高表达与肿瘤的总生存期较差有明显相关(HR=1.6,P<0.05)。结论通过构建WGCNA及PPI分析得到枢纽基因NDC80,且NDC80基因的高表达与肿瘤的分期及预后密切相关。提示NDC80基因有望成为肺腺癌预后的生物学标志物。

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。

酵母和大肠杆菌基因表达谱与蛋白质相互作用的相关性分析

为了研究酵母和大肠杆菌基因表达谱与蛋白质相互作用的关系,构建了蛋白质相互作用正负样本集.结合基于Pearson相关系数的共表达基因,分析了在受到外界刺激后,生物体内有相互作用的蛋白对与非相互作用的蛋白对之间的关系.结果显示,大肠杆菌和酵母在应激反应之后至恢复稳态的时间内,有相互作用的蛋白对与非相互作用的蛋白对之间的变化存在显著差异,对比发现非相互作用的蛋白对的基因表达谱具有较高的变化幅度.进一步分析了两物种的基因共表达网络,并阐述了作用机理.

基于蛋白质相互作用网络的茶树抗假眼小绿叶蝉研究

【目的】细胞生长的每个阶段都离不开蛋白质相互作用,研究假眼小绿叶蝉侵染茶叶后差异基因参与的蛋白质相互作用对解析抗虫分子机理具有指导意义。【方法】对有无受假眼小绿叶蝉侵害的都匀毛尖茶树鸟王种进行转录组测序,基于同源比对算法构建0 h与12 h、0 h与24 h的差异基因蛋白质相互作用网络。【结果】0 h与12 h的差异基因共有212个互作,0 h与24 h的差异基因共有3551个互作,合并网络后得到3605个互作,并对网络进行拓扑属性分析,发现网络中蛋白质的度符合幂律分布。通过网络可以进行蛋白质的功能预测,并且对网络进行GO和KEGG分析发现差异基因的蛋白互作主要参与植物病原体互作,植物激素信号转导,DNA碱基切除修复、核酸切除修复、错配修复,亚麻酸和亚油酸代谢等生物过程,并且侵染24 h比侵染12 h需要启动更多的互作来抵御假眼小绿叶蝉的侵染。【结论】茶叶主要通过三个差异基因启动相应的互作来抵抗假眼小绿叶蝉的侵害,继续被侵害时将启动更多的互作,并通过产生相关次级代谢产物来抵御虫害。研究结果为探究鸟王种受假眼小绿叶蝉取食前后茶树抵御假眼小绿叶蝉侵染的代谢机理提供参考,为都匀毛尖病虫害防治、后续良种选育和引种奠定基础。

注意力特征融合的蛋白质药物相互作用预测

药物一般通过抑制或激活人体中某些蛋白活性反应进而发挥效能,因此预测蛋白和药物的相互作用对新药开发的筛选工作极为关键.然而,基于传统方法在湿实验中进行该类实验需要耗费巨大的人力和物力.为解决这一问题,提出了一种基于自注意力机制和多药物特征融合的蛋白质药物相互作用预测算法.首先,合理融合基于药物分子结构特征的Morgan指纹、Mol2Vec表示向量以及消息传递网络所提特征;随后,将融合结果对由密集型卷积所提取的蛋白特征做注意力加权;接着综合两者特征,利用自注意力机制和双向门控循环单元预测蛋白质药物相互作用;最后,根据训练模型设计了可应用的预测系统,并展示了其在筛选治愈阿尔兹海默症药物的具体使用方法和效果.实验结果表明,较现有的预测方法,新方法在BindingDB,Kinase,Human,C.elegans数据集上均达到了更好的预测效果.最优的AUC分别达到了0.963,0.937,0.983,0.990,较同类方法具有十分明显的优势.

RNA-蛋白质相互作用位点的预测

蛋白质与RNA的相互作用在很多生物过程中起到了非常重要的作用。例如，蛋白质的合成，基因融合，mRNA的加工等生物过程。RNA在蛋白质上的结合位点的识别，主要是通过生物物理学方法在体外研究和分析RNA蛋白质复合物。这些方法需要实验过程繁琐、耗费大量人力和财力。因此，建立一种计算机方法预测RNA-蛋白质相互作用位点非常必要。

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.

一种基于多头注意力机制的关键蛋白质靶点识别方法

蛋白质是机体功能的重要执行者。特定的一些蛋白质对生物的生存、繁殖和生理调节尤为关键,它们往往成为疾病发生、发展中的重要参与者,这类蛋白质被称为关键蛋白质。因此,在疾病预防和治疗过程中快速找到蛋白质关键靶点是尤为重要的。本文提出了一种借助多头注意力机制来解决这一难题的方法。该方法将蛋白质相互作用(PPI)网络的拓扑特征、基因表达谱特征以及同源特融合,从而构建一个融合PPI网络。进而,我们采用图注意力神经网络(GAT)模型,学习融合PPI网络中节点的特征表示,为了更好的地捕获蛋白质之间的关联关系,我们引入多头注意力机制增强模型的学习效果。最终,通过在DIP酵母蛋白数据集上的训练和测试,实验结果证明了我们的方法相较于传统的基于拓扑的策略具有更高的识别精度。

融合蛋白质复合体的人类蛋白互作网络功能模块发现

人类蛋白互作网络中功能模块的检测是目前网络医学研究的一个热点问题。好的功能模块可以帮助我们更好地去理解和认识蛋白质相互作用的分子机理。近年来的一些研究大多数是基于复杂网络中的拓扑模块发现算法对蛋白质相互作用网络进行模块划分，然后对其进行生物学上的功能研究。由于PPI网络中的蛋白之间相互作用的数据获取的不完整，相关研究表明目前人类只获得了人类蛋白之间相互作用数据的10％～20％，其中已经获取的数据中还包含着一些噪声，这就导致基于拓扑结构的社团检测算法的精度降低。为了克服这个问题，本文将蛋白质复合体数据融入到模块检测算法中，分别使用K-Means和NMF算法对PPI网络进行模块划分，然后从基因本体和通路2个方面对检测到的模块进行功能分析。实验结果表明融合了蛋白质复合体的PPI网络更容易得到具有生物学意义的功能模块。

基于动态网络切分的关键蛋白质预测方法

关键蛋白质作为蛋白质中的关键物质,不仅对研究细胞生长调控有着重要意义,也为更深层次的疾病研究奠定理论基础.目前,针对关键蛋白质的识别方法大多为应用基因表达信息和蛋白质相互作用网络,提出识别关键蛋白质的静态和动态网络方法,但这些方法未考虑基因表达调控的周期性规律,无法准确地刻画受基因周期调控的蛋白质网络.为此,在基因表达动态性的基础上引入了基因周期性表达的概念,提出了一种动态网络切分方法.该方法通过构建基因“活性”表达矩阵,利用切分后的“活性”表达矩阵作用于蛋白质相互作用网络,从而形成蛋白质周期子网络,最终综合各周期子网络来衡量蛋白质结点在网络中的重要性.实验结果表明,该方法在酵母、大肠杆菌和人类膀胱数据中可以有效地提高关键蛋白质预测率.

蛋白质复合物预测方法分析与比较

分析和比较了五种蛋白质复合物预测的典型计算方法,并讨论了该领域一些有希望的研究方向。实验结果显示各种计算方法预测出的复合物能较好地匹配真实的复合物。如果恰当地考虑蛋白质相互作用数据的质量而将数据源的噪声最小化并将各种生物特征结合到预测过程中去,计算方法的性能将进一步改善。

应用蛋白质的相互作用网络图筛选鼻咽癌放射抗拒相关基因

目的应用蛋白质相互作用网络图，寻找鼻咽癌放射抗拒相关的分子标志物，探讨鼻咽癌放射抗拒机制。方法应用全基因组表达谱芯片，初步筛选出2种不同放射敏感性细胞株CNE-2R与CNE-2的差异表达基因。采用计算机软件随机选取4个差异表达基因，分别设计引物，用半定量RT—PCR技术检测验证。将2次实验中均出现的差异有统计学意义的基因导入SNOW在线数据库进行分析，绘制差异基因相互作用网络图，网络中心节点作为鼻咽癌放射抗拒相关分子标志物；进一步采用Westernblot检测关键节点STAT1在CNE-2R与CNE-2表达差异。结果CNE-2R与CNE-2相比，2次芯片实验中均出现的差异基因374个，其中差异有统计学意义的基因197个；随机选取的4个差异表达基因RT—PCR结果与芯片扫描结果相似，具有相同的方向性。197个共有的差异有统计学意义的基因编码蛋白经SNOW分析存在相互作用，并构成一个复杂的相互作用网络图，寻找到了关键性的节点为STAT1和JUN。Westernblot结果显示，STAT1-α在CNE-2R中表达明显高于CNE-2（t=4．96，P〈0．05）。结论关键性的节点STAT1和JUN可能是引起鼻咽癌放射抗拒的分子标志物，STAT1-α可能与鼻咽癌放射抗拒发生密切相关。

酒精性肝炎自噬关键基因的筛选及生物信息学分析

目的筛选酒精性肝炎(AH)的自噬关键基因,探讨AH潜在的生物标志物和治疗靶点。方法采用基因表达综合数据库(GEO)中的2个AH基因芯片和从MSigDB、GeneCards数据库中获得的自噬相关数据集,通过加权基因共表达网络分析(WGCNA)获取关键基因。对筛选的关键基因进行基因本体(GO)、京都基因和基因组百科全书(KEGG)功能富集分析,蛋白质相互作用(PPI)分析,免疫浸润分析,构建信使RNA(mRNA)-微小RNA(miRNA)网络,进行酒精性肝病不同分期的自噬相关关键基因的表达差异分析,并进一步通过实时荧光定量逆转录聚合酶链反应(RT-qPCR)在AH患者和小鼠肝脏组织中验证。结果本研究筛选得到了11个与AH自噬相关的基因(EEF1A2、CFTR、SOX4、TREM2、CTHRC1、HSPB8、TUBB3、PRKAA2、RNASE1、MTCL1、HGF),均为上调基因。在AH患者和小鼠肝脏组织中,SOX4、TREM2、HSPB8、PRKAA2在AH组中的相对表达量均高于对照组。结论SOX4、TREM2、HSPB8、PRKAA2可能是AH潜在的生物标志物和治疗靶点。

钩端螺旋体蛋白质相互作用网络预测与系统分析

问号钩端螺旋体是一种致病菌,能够引起人畜共患病．该细菌全基因组序列测序的完成,为从全蛋白质组学的角度分析蛋白质相互作用网络提供了基础．本研究通过整合4种计算方法(基因融合法、基因邻居法、系统发生谱法和操纵子法)来预测钩端螺旋体赖株蛋白质相互作用网络．对运动和趋化系统、信号传导系统、脂多糖生物合成以及黏附、侵袭等有关蛋白质之间的相互作用进行了详细分析．除此以外,根据蛋白质的相互作用网络以及功能分类,预测了203个未知蛋白质可能的功能．这不仅为进一步研究钩端螺旋体赖株的致病机制提供了一个资料,也为在基因组范围内应用生物信息学方法研究微生物提供了一个实例．