基于图子空间集成学习的生物实体交互推断研究
发布时间：2021-10-27 16:36
复杂生物系统由各种生物分子组成,任何一项生物功能都是有很多生物分子共同参与完成的,从复杂网络的角度研究生物分子的性质、功能是当前生物信息学的重要研究方向。随着新兴生物技术和数据库技术的迅速发展,产生了海量的组学数据,这为研究人员从分子水平上探索和揭示生命体的各项生命活动提供了丰富的数据来源,也使得构建不同生物分子（或实体）间的相互作用网络成为可能。整合多组学数据构建生物网络并推断不同生物实体的交互关系是网络生物学的重要研究课题,它可以揭示分子间的各种合作机制,帮助研究者了解生物分子功能,同时还能加深对各种复杂疾病的发生、发展和活动规律的理解。然而,面对海量的生物数据,仅依靠生物实验来探索交互关系,不仅要耗费大量的人力、物力,还要相当长的时间。机器学习作为人工智能的核心,在各行各业都发挥着重要的作用。随着计算机技术和统计学理论的发展,大量的机器学习模型被提出,以统计学理论为指导,利用机器学习模型和计算机技术来解决生物上的问题是当前生物信息的重要研究手段。利用数据挖掘、机器学习等计算手段作为生物实验的辅助和指导,可以快捷地从海量数据中进行初步筛选,大大的缩短了实验的时间成本和资源花费。针对...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：174 页
【学位级别】：博士
【部分图文】：
图１．１本文的组织结构图??其中，第三章所提出的多核邻域相似性（ＭＫＳＮＳ）校－型足其他Ｍ络推断投型的雄础，具体??
博ｉ学位论文??ＯＯＣＴＯＲＡＬ?Ｄ．ＳＳ．ＨＴＡＴＩＯＸ???点的线性重构来计算样本间的相似性，确实在一定程度上忽略非邻域样本的噪声干扰，节省了??存储空间，然而，它也完全舍弃非邻域样本对相似性的贡献，且仅仅适合样本的线性关系下的??相似性度量。考虑到ＬＮＳ相似性计算的局限性，本文提出了一种新的相似性计算方式，多核邻??域相似性（ＭＫＳＮＳ），不仅可以分层挖掘样本间的结构相似性信息，而且适用具有非线性关系??的样本集合。三种主要的相似性计算的示意图如图３．１所示。??Ａｅ?＼?：??（ａ）成对相似性计算?（ｂ）线性邻域相似??，’一??＇＇Ｏ＇＇??（ｃ）多核邻域相似性??图３．１不同相似性度量的对比示意图??图３．１给出了?３种不同类型的相似性计算方式，即通过不同的方式计算样本八１和其他样本的??相似性关系。具体的，图３．１中的（ａ）表示利用成对相似性度量来计算ＡＪＵＡ２、Ａ３、Ａ４、厶５和六６的??相似性关系，容易看出，成对相似性的计算结果只与当前两个样本的特征有关，与其他样本特??征无关。图３．１中的（ｂ）表示线性邻域相似性，它通过设置邻域范围（虚线圆圈表示），然后利用??邻域中的样本｛Ａ２，?Ａ４，４５）对六１的线性重构系数作为相似性度量，由于々３和六６不是Ａ：的邻域，因??此它们与六１的相似性值为０。图３．１中的（ｃ）表示本文提出的多核邻域相似性，它通过设置分层权??重来区分邻域和非邻域样本的重要性，即邻域样本｛Ａ２，Ａ４，ＡＳ｝对影响要比｛Ａ３，Ａ６｝对样本Ａｉ??的影响更大，其中曲线表所有的重构关系可以是非线性的。本小节从软邻域相似性、核邻域相??似性和多核邻域相似性三个过程详细介
图４．１?ＣＤ相似
【参考文献】：
期刊论文
[1]基于PU学习的链接预测方法[J]. 李琦,王智强,梁吉业. 模式识别与人工智能. 2019(09)
[2]基于PU学习的建议语句分类方法[J]. 张璞,刘畅,李逍. 计算机应用. 2019(03)
[3]半监督学习理论及其研究进展概述[J]. 屠恩美,杨杰. 上海交通大学学报. 2018(10)
[4]随机游走技术在网络生物学中的研究进展[J]. 李敏,王晓桐,罗慧敏,孟祥茂,王建新. 电子学报. 2018(08)
[5]基于关联分类算法的PU学习研究[J]. 杨建林,刘扬. 数据分析与知识发现. 2017(11)
[6]Roles, Functions, and Mechanisms of Long Non-coding RNAs in Cancer[J]. Yiwen Fang,Melissa J.Fullwood. Genomics,Proteomics & Bioinformatics. 2016(01)
[7]A Bipartite Network-based Method for Prediction of Long Non-coding RNA–protein Interactions[J]. Mengqu Ge,Ao Li,Minghui Wang. Genomics,Proteomics & Bioinformatics. 2016(01)
[8]半监督学习方法[J]. 刘建伟,刘媛,罗雄麟. 计算机学报. 2015(08)
[9]针对不确定正例和未标记学习的最近邻算法(英文)[J]. 潘世瑞,张阳,李雪,王勇. 计算机科学与探索. 2010(09)
博士论文
[1]稀疏子空间聚类及快速算法的研究[D]. 王君.哈尔滨工业大学 2019
[2]基于对称非负矩阵分解的信息融合方法与应用研究[D]. 马园园.华中师范大学 2018
[3]基于生物网络的复杂疾病关联miRNA预测方法研究[D]. 陈敏.湖南大学 2018
[4]约束非负矩阵分解算法及其应用研究[D]. 钱彬.南京理工大学 2018
[5]基于子空间学习的数据表示方法研究[D]. 罗鹏.西北大学 2017
[6]基于生物网络的致病miRNA预测及模块识别算法研究[D]. 肖球.湖南大学 2017
[7]药物—靶标相互作用预测及其在药物重定位中的应用研究[D]. 彭利红.湖南大学 2017
[8]基于图的大规模半监督学习算法及应用研究[D]. 刘斌.电子科技大学 2017
[9]核函数逼近方法若干理论与应用研究[D]. 李俊彬.大连理工大学 2017
[10]基于图的半监督学习算法及其应用[D]. 翁立波.南京理工大学 2017
硕士论文
[1]基于相似度的PU文本分类算法研究[D]. 张路.合肥工业大学 2018
[2]基于数据融合的生物网络推断[D]. 滕奔.大连理工大学 2016
[3]基于核函数理论的改进FDA间歇过程故障诊断研究[D]. 付元建.哈尔滨理工大学 2016
本文编号：3461983
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：174 页
【学位级别】：博士
【部分图文】：
图１．１本文的组织结构图??其中，第三章所提出的多核邻域相似性（ＭＫＳＮＳ）校－型足其他Ｍ络推断投型的雄础，具体??
博ｉ学位论文??ＯＯＣＴＯＲＡＬ?Ｄ．ＳＳ．ＨＴＡＴＩＯＸ???点的线性重构来计算样本间的相似性，确实在一定程度上忽略非邻域样本的噪声干扰，节省了??存储空间，然而，它也完全舍弃非邻域样本对相似性的贡献，且仅仅适合样本的线性关系下的??相似性度量。考虑到ＬＮＳ相似性计算的局限性，本文提出了一种新的相似性计算方式，多核邻??域相似性（ＭＫＳＮＳ），不仅可以分层挖掘样本间的结构相似性信息，而且适用具有非线性关系??的样本集合。三种主要的相似性计算的示意图如图３．１所示。??Ａｅ?＼?：??（ａ）成对相似性计算?（ｂ）线性邻域相似??，’一??＇＇Ｏ＇＇??（ｃ）多核邻域相似性??图３．１不同相似性度量的对比示意图??图３．１给出了?３种不同类型的相似性计算方式，即通过不同的方式计算样本八１和其他样本的??相似性关系。具体的，图３．１中的（ａ）表示利用成对相似性度量来计算ＡＪＵＡ２、Ａ３、Ａ４、厶５和六６的??相似性关系，容易看出，成对相似性的计算结果只与当前两个样本的特征有关，与其他样本特??征无关。图３．１中的（ｂ）表示线性邻域相似性，它通过设置邻域范围（虚线圆圈表示），然后利用??邻域中的样本｛Ａ２，?Ａ４，４５）对六１的线性重构系数作为相似性度量，由于々３和六６不是Ａ：的邻域，因??此它们与六１的相似性值为０。图３．１中的（ｃ）表示本文提出的多核邻域相似性，它通过设置分层权??重来区分邻域和非邻域样本的重要性，即邻域样本｛Ａ２，Ａ４，ＡＳ｝对影响要比｛Ａ３，Ａ６｝对样本Ａｉ??的影响更大，其中曲线表所有的重构关系可以是非线性的。本小节从软邻域相似性、核邻域相??似性和多核邻域相似性三个过程详细介
图４．１?ＣＤ相似
【参考文献】：
期刊论文
[1]基于PU学习的链接预测方法[J]. 李琦,王智强,梁吉业. 模式识别与人工智能. 2019(09)
[2]基于PU学习的建议语句分类方法[J]. 张璞,刘畅,李逍. 计算机应用. 2019(03)
[3]半监督学习理论及其研究进展概述[J]. 屠恩美,杨杰. 上海交通大学学报. 2018(10)
[4]随机游走技术在网络生物学中的研究进展[J]. 李敏,王晓桐,罗慧敏,孟祥茂,王建新. 电子学报. 2018(08)
[5]基于关联分类算法的PU学习研究[J]. 杨建林,刘扬. 数据分析与知识发现. 2017(11)
[6]Roles, Functions, and Mechanisms of Long Non-coding RNAs in Cancer[J]. Yiwen Fang,Melissa J.Fullwood. Genomics,Proteomics & Bioinformatics. 2016(01)
[7]A Bipartite Network-based Method for Prediction of Long Non-coding RNA–protein Interactions[J]. Mengqu Ge,Ao Li,Minghui Wang. Genomics,Proteomics & Bioinformatics. 2016(01)
[8]半监督学习方法[J]. 刘建伟,刘媛,罗雄麟. 计算机学报. 2015(08)
[9]针对不确定正例和未标记学习的最近邻算法(英文)[J]. 潘世瑞,张阳,李雪,王勇. 计算机科学与探索. 2010(09)
博士论文
[1]稀疏子空间聚类及快速算法的研究[D]. 王君.哈尔滨工业大学 2019
[2]基于对称非负矩阵分解的信息融合方法与应用研究[D]. 马园园.华中师范大学 2018
[3]基于生物网络的复杂疾病关联miRNA预测方法研究[D]. 陈敏.湖南大学 2018
[4]约束非负矩阵分解算法及其应用研究[D]. 钱彬.南京理工大学 2018
[5]基于子空间学习的数据表示方法研究[D]. 罗鹏.西北大学 2017
[6]基于生物网络的致病miRNA预测及模块识别算法研究[D]. 肖球.湖南大学 2017
[7]药物—靶标相互作用预测及其在药物重定位中的应用研究[D]. 彭利红.湖南大学 2017
[8]基于图的大规模半监督学习算法及应用研究[D]. 刘斌.电子科技大学 2017
[9]核函数逼近方法若干理论与应用研究[D]. 李俊彬.大连理工大学 2017
[10]基于图的半监督学习算法及其应用[D]. 翁立波.南京理工大学 2017
硕士论文
[1]基于相似度的PU文本分类算法研究[D]. 张路.合肥工业大学 2018
[2]基于数据融合的生物网络推断[D]. 滕奔.大连理工大学 2016
[3]基于核函数理论的改进FDA间歇过程故障诊断研究[D]. 付元建.哈尔滨理工大学 2016
本文编号：3461983
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3461983.html
