基于动态PPI网络的蛋白质复合物和关键蛋白质挖掘算法研究
发布时间：2022-01-12 13:32
随着生物信息学和高通量技术的迅猛发展,使得全面分析蛋白质网络的结构、功能成为新的研究热点,尤其是基于PPI网络的蛋白质复合物和关键蛋白质识别,不仅为解释生命进程和探索生命奥秘提供理论基础,而且对疾病诊断和药物研制有重要意义。目前,蛋白质复合物和关键蛋白质挖掘算法虽然取得了一定成效,但由于PPI网络的不可靠性、小世界性和复杂性,以及目前聚类算法自身的局限性,导致现有挖掘算法的识别精度不高。本文在蛋白质复合物挖掘上主要从两个方向着手,一是结合PPI网络的结构,通过模拟蚁群清理蚁穴行为构建聚类模型;二是利用人工蜂群算法ABC解决DBSCAN聚类算法参数选取和设置敏感的问题。在识别关键蛋白质方法上,利用蛋白质的保守性和动态性,结合拓扑特性和共表达复合物中心性来提升关键蛋白质预测的准确度。本文主要研究工作如下:针对静态蛋白质网络无法真实模拟细胞的动态性,蚁群聚类算法挖掘蛋白质复合物准确性不高、速度慢等问题,提出一种基于模糊粒度和紧密度的蚁群聚类动态蛋白质复合物算法FGCDACC。首先,该算法基于PPI网络的拓扑特性和生物特性设计了综合性权值度量CWM,准确描述了蛋白质之间的相互作用;然后结合复合...
【文章来源】：江西理工大学江西省
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 动态蛋白质网络研究现状
1.2.2 蛋白质复合物研究现状
1.2.3 关键蛋白质研究现状
1.3 研究内容
1.4 论文的组织结构
第二章 算法及相关概念介绍
2.1 群智能优化算法简介
2.1.1 蚁群聚类算法
2.1.2 人工蜂群觅食算法
2.2 DBSCAN聚类算法
2.3 PPI网络
2.3.1 PPI网络概述
2.3.2 评价指标
2.4 本章小结
第三章 基于拾起放下的蚁群算法聚类蛋白质复合物
3.1 动态加权PPI网络构建
3.1.1 动态PPI网络构建
3.1.2 动态PPI网络加权
3.2 FGCDACC算法检测蛋白质复合物
3.2.1 核心团的构建
3.2.2 改进蚁群算法检测蛋白质复合物
3.2.3 局部和全局权值更新策略
3.2.4 算法步骤
3.2.5 算法时间复杂度
3.3 实验结果与分析
3.3.1 数据预处理
3.3.2 参数设置
3.3.3 权值更新策略有效性分析
3.3.4 聚类性能分析
3.3.5 聚类结果分析
3.4 本章小结
第四章 蜂群优化DBSCAN算法挖掘蛋白质复合物
4.1 改进的人工蜂群ABC算法
4.1.1 蜜源初始化
4.1.2 蜜源更新策略
4.1.3 自适应和全局引导的搜索策略
4.1.4 蜂群算法的适应度函数
4.2 改进的DBSCAN聚类算法
4.2.1 FD距离测度
4.2.2 修正更新策略
4.3 IABC-DBSCAN算法挖掘蛋白质功能模块
4.3.1 IABC算法寻找最优参数
4.3.2 算法实现
4.3.3 算法时间复杂度
4.4 实验结果与分析
4.4.1 数据来源
4.4.2 参数选择
4.4.3 IABC-DBSCAN算法有效性分析
4.4.4 与其他算法对比分析
4.4.5 聚类结果分析
4.4.6 富集程度分析
4.5 本章小结
第五章 混合动态-保守蛋白质网络的关键蛋白质识别算法
5.1 TW-PIN的构建
5.1.1 混合动态-保守蛋白质网络的构建
5.1.2 混合动态-保守蛋白质网络的加权
5.2 JTBC算法识别关键蛋白质
5.2.1 共表达复合物中心性
5.2.2 关键蛋白质识别
5.3 实验结果与分析
5.3.1 实验数据
5.3.2 TW-PIN有效性分析
5.3.3 不同复合物下JTBC算法的识别结果
5.3.4 JTBC算法与其他算法性能分析
5.3.5 可视化分析
5.4 本章小结
第六章 总结与展望
6.1 全文工作总结
6.2 研究展望
参考文献
致谢
攻读硕士期间的科研成果
【参考文献】：
期刊论文
[1]基于动态加权PPI网络的关键蛋白质识别算法[J]. 杨书新,鲁纪华,汤达荣. 计算机应用研究. 2019(02)
[2]基于改进的PSO算法的关键蛋白质识别方法研究[J]. 洪海燕,刘维. 计算机科学. 2017(10)
[3]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)
[4]融合时序保持特征和蚁群聚类的动态PPI网络复合物识别[J]. 赵学武,程新党,吕嘉伟,刘向娇. 小型微型计算机系统. 2017(06)
[5]动态蛋白质网络的构建、分析及应用研究进展[J]. 李敏,孟祥茂. 计算机研究与发展. 2017(06)
[6]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)
[7]动态-静态混合的时序蛋白质网络构建方法[J]. 代启国,郭茂祖,刘晓燕,王春宇. 哈尔滨工业大学学报. 2016(11)
[8]一种基于随机游走模型的关键蛋白质预测方法[J]. 杨莉萍,路松峰,黄钰. 华中农业大学学报. 2016(06)
[9]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)
[10]Detecting protein complexes from DPINs by density based clustering with Pigeon-Inspired Optimization Algorithm[J]. Xiujuan LEI,Yulian DING,Fang-Xiang WU. Science China（Information Sciences）. 2016(07)
硕士论文
[1]动态蛋白质复合物挖掘与保守复合物进化研究[D]. 易丽.华中师范大学 2017
[2]基于群智能优化的动态蛋白质复合物和关键蛋白质识别算法研究[D]. 丁玉连.陕西师范大学 2017
[3]基于结构域信息的蛋白质复合物识别与疾病基因预测[D]. 易阳.华中师范大学 2016
[4]基于动态蛋白互作网络的蛋白质复合物识别算法研究[D]. 苏令涛.吉林大学 2015
本文编号：3584861
【文章来源】：江西理工大学江西省
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 动态蛋白质网络研究现状
1.2.2 蛋白质复合物研究现状
1.2.3 关键蛋白质研究现状
1.3 研究内容
1.4 论文的组织结构
第二章 算法及相关概念介绍
2.1 群智能优化算法简介
2.1.1 蚁群聚类算法
2.1.2 人工蜂群觅食算法
2.2 DBSCAN聚类算法
2.3 PPI网络
2.3.1 PPI网络概述
2.3.2 评价指标
2.4 本章小结
第三章 基于拾起放下的蚁群算法聚类蛋白质复合物
3.1 动态加权PPI网络构建
3.1.1 动态PPI网络构建
3.1.2 动态PPI网络加权
3.2 FGCDACC算法检测蛋白质复合物
3.2.1 核心团的构建
3.2.2 改进蚁群算法检测蛋白质复合物
3.2.3 局部和全局权值更新策略
3.2.4 算法步骤
3.2.5 算法时间复杂度
3.3 实验结果与分析
3.3.1 数据预处理
3.3.2 参数设置
3.3.3 权值更新策略有效性分析
3.3.4 聚类性能分析
3.3.5 聚类结果分析
3.4 本章小结
第四章 蜂群优化DBSCAN算法挖掘蛋白质复合物
4.1 改进的人工蜂群ABC算法
4.1.1 蜜源初始化
4.1.2 蜜源更新策略
4.1.3 自适应和全局引导的搜索策略
4.1.4 蜂群算法的适应度函数
4.2 改进的DBSCAN聚类算法
4.2.1 FD距离测度
4.2.2 修正更新策略
4.3 IABC-DBSCAN算法挖掘蛋白质功能模块
4.3.1 IABC算法寻找最优参数
4.3.2 算法实现
4.3.3 算法时间复杂度
4.4 实验结果与分析
4.4.1 数据来源
4.4.2 参数选择
4.4.3 IABC-DBSCAN算法有效性分析
4.4.4 与其他算法对比分析
4.4.5 聚类结果分析
4.4.6 富集程度分析
4.5 本章小结
第五章 混合动态-保守蛋白质网络的关键蛋白质识别算法
5.1 TW-PIN的构建
5.1.1 混合动态-保守蛋白质网络的构建
5.1.2 混合动态-保守蛋白质网络的加权
5.2 JTBC算法识别关键蛋白质
5.2.1 共表达复合物中心性
5.2.2 关键蛋白质识别
5.3 实验结果与分析
5.3.1 实验数据
5.3.2 TW-PIN有效性分析
5.3.3 不同复合物下JTBC算法的识别结果
5.3.4 JTBC算法与其他算法性能分析
5.3.5 可视化分析
5.4 本章小结
第六章 总结与展望
6.1 全文工作总结
6.2 研究展望
参考文献
致谢
攻读硕士期间的科研成果
【参考文献】：
期刊论文
[1]基于动态加权PPI网络的关键蛋白质识别算法[J]. 杨书新,鲁纪华,汤达荣. 计算机应用研究. 2019(02)
[2]基于改进的PSO算法的关键蛋白质识别方法研究[J]. 洪海燕,刘维. 计算机科学. 2017(10)
[3]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)
[4]融合时序保持特征和蚁群聚类的动态PPI网络复合物识别[J]. 赵学武,程新党,吕嘉伟,刘向娇. 小型微型计算机系统. 2017(06)
[5]动态蛋白质网络的构建、分析及应用研究进展[J]. 李敏,孟祥茂. 计算机研究与发展. 2017(06)
[6]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)
[7]动态-静态混合的时序蛋白质网络构建方法[J]. 代启国,郭茂祖,刘晓燕,王春宇. 哈尔滨工业大学学报. 2016(11)
[8]一种基于随机游走模型的关键蛋白质预测方法[J]. 杨莉萍,路松峰,黄钰. 华中农业大学学报. 2016(06)
[9]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)
[10]Detecting protein complexes from DPINs by density based clustering with Pigeon-Inspired Optimization Algorithm[J]. Xiujuan LEI,Yulian DING,Fang-Xiang WU. Science China（Information Sciences）. 2016(07)
硕士论文
[1]动态蛋白质复合物挖掘与保守复合物进化研究[D]. 易丽.华中师范大学 2017
[2]基于群智能优化的动态蛋白质复合物和关键蛋白质识别算法研究[D]. 丁玉连.陕西师范大学 2017
[3]基于结构域信息的蛋白质复合物识别与疾病基因预测[D]. 易阳.华中师范大学 2016
[4]基于动态蛋白互作网络的蛋白质复合物识别算法研究[D]. 苏令涛.吉林大学 2015
本文编号：3584861
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3584861.html
