MCL聚类算法求解植入(l,d)模体识别问题

模体识别是指寻找一系列功能相近且形式相似的基因片段.为此将MCL聚类算法引入模体识别应用,设计出一种适用于这个问题的新算法,在一组目标DNA序列中找到拟识别的模体.该方法基于马尔科夫链原理,构建概率转移矩阵,按随机游走方式对矩阵进行扩展、膨胀迭代,最终形成各个样本的分类.在此基础上进行贪心算法求精计算,得出若干组模体.实验表明该算法是有效的.

PPI网络的改进马尔科夫聚类算法

蛋白质相互作用(PPI)网络是生物信息学的一个新的研究领域。近年来马尔科夫(MCL)聚类算法在未知蛋白质的功能模块预测方面发挥了重要作用,但是聚类质量不高,为此提出了一种基于突变因子和惩罚因子及重新定义解释聚类结果的MCL聚类算法。该算法采用惩罚因子,惩罚质量较大的吸引子;采用突变因子在算法后期断绝初始转移概率对转移概率的束缚。算法在PPI网络数据集上进行了测试,结果表明该算法不但可以抑制小类的产生,而且聚类结果的质量在Avg.F方面相对于基本MCL算法提高了13.1%。

一种从马尔可夫聚类簇发现潜在WEB社区特征的方法

在分析了目前一些典型的社区发现算法的基础上,通过对无主题条件下的隐含社区发现算法的研究,提出将基于流的社区特征和马尔可夫图形聚类算法(MCL)的簇结合起来寻找Web隐含社区的方法．将镜像或近似镜像页面的删除放在图形聚类之后,大大减少了比较的代价．然后,在聚类簇的基础上,使用判定每个簇内元素的筛选算法产生可能的社区候选集合．实验表明,该方法是可行的,可以发现许多存在的社区．

网络聚类算法及其生物信息学应用

介绍一些网络聚类算法及其基本原理,简述了其在生物信息学的应用。本文不是网络聚类算法的全面综述,只介绍这些网络聚类算法的基本思路,体会其数学建模的基本思想。

基于动态ε的社会网络差分隐私保护

针对权重社会网络发布算法中使用全局统一的ε值而导致隐私保护不均衡的问题,提出一种动态ε社会网络差分隐私保护方法.使用马尔可夫聚类(Markov cluster algorithm,MCL)和Chameleon混合聚类把社会网络图划分成若干个簇,根据每个簇中边的权重信息使用ε函数f(x)来确定簇的ε值,对带有大权重边的簇添加较多的服从拉普拉斯分布的噪声,该方法满足ε-差分隐私模型.实验表明,动态ε使每个簇能添加合适的噪声,比全局统一设定ε值有更好的数据效用性.该方法有效解决了权重社会网络中的隐私保护不均衡问题.