基于模块度函数的加权蛋白质复合物识别算法

发布时间：2022-08-08 22:00

　　针对加权模块度函数聚类算法在蛋白质相互作用网络中进行复合物识别的准确率不高、召回率较低以及时间性能不佳等问题进行了研究,提出一种基于模块度函数的加权蛋白质复合物识别算法IWPC-MF（Algorithm for Identifying Weighted Protein Complexes based on Modularity Function）。融合点聚集系数改进边聚集系数,将改进后的边点聚集系数与基因共表达的皮尔逊相关系数结合来构建加权蛋白质网络;基于节点权重选取种子节点,遍历种子的邻居节点,设计节点间的相似度度量和蛋白质附着度来获取初始聚类模块;设计基于紧密度的蛋白质复合物模块度函数来合并初始模块,并最终完成复合物的识别,克服传统的模块度函数无法识别出重叠和规模较小的复合物的缺陷。将IWPC-MF算法应用在DIP数据上进行复合物的识别,实验结果表明IWPC-MF算法的准确率和召回率较高,能够较准确地识别蛋白质复合物。 

【文章页数】：13 页

【文章目录】：
1 引言
2 相关定义
3 IWPC-MF算法
    3.1 算法思想
    3.2 加权网络的构建
        3.2.1 PPI网络的拓扑特性
        3.2.2 蛋白质的皮尔逊相关系数
        3.2.3 蛋白质网络的加权
    3.3 初始模块的形成
    3.4 初始模块的合并
    3.5 IWPC-MF算法步骤
    3.6 算法的时间复杂度
4 实验结果以及分析
    4.1 实验环境
    4.2 实验数据集
    4.3 评价指标
        4.3.1 精度、召回率和F-measure度量
        4.3.2 P-value值度量
    4.4 参数选择
    4.5 边点聚集系数度量的有效性分析
    4.6 加权蛋白质网络的性能分析
    4.7 优化的模块度函数的有效性分析
    4.8 算法性能的比较分析
5 结束语


【参考文献】：
期刊论文
[1]结合节点度和节点聚类系数的链路预测算法[J]. 高杨,张燕平,钱付兰,赵姝.  小型微型计算机系统. 2017(07)
[2]基于遗传算法的蛋白质复合物识别算法[J]. 郑文萍,李晋玉,王杰.  计算机科学与探索. 2018(05)
[3]基于关键功能模块挖掘的蛋白质功能预测[J]. 赵碧海,李学勇,胡赛,张帆,田清龙,杨品红,刘臻.  自动化学报. 2018(01)
[4]模拟鸽子优化过程的蛋白质复合物识别算法[J]. 丁玉连,雷秀娟,代才.  计算机科学与探索. 2017(08)
[5]A Feature Selection Method for Prediction Essential Protein[J]. Jiancheng Zhong,Jianxin Wang,Wei Peng,Zhen Zhang,Min Li.  Tsinghua Science and Technology. 2015(05)
[6]基于谱聚类的蛋白质对接复合物最佳预测结构的挑选方法[J]. 蔡磊鑫,陈荣,吕强.  小型微型计算机系统. 2015(10)
[7]动态加权蛋白质相互作用网络构建及其应用研究[J]. 胡赛,熊慧军,赵碧海,李学勇,王晶.  自动化学报. 2015(11)
[8]基于多视图融合的蛋白质功能模块检测方法[J]. 张媛,贾克斌,ZHANG Aidong.  电子学报. 2014(12)
[9]一种蛋白质复合体模块度函数及其识别算法[J]. 郭茂祖,代启国,徐立秋,刘晓燕.  计算机研究与发展. 2014(10)
[10]一种改进的基于加权网络的蛋白质复合物识别算法[J]. 赵碧海,熊慧军,倪问尹,刘志兵,胡赛.  计算机科学. 2014(06)



本文编号：3672309