基于不确定网络的关键蛋白质识别

生物学中,关键蛋白质及致病基因主要是通过生物医学实验来识别,然而这些方法的代价相当高,效率非常低,并且适用的物种有限。高通量蛋白质组技术的发展提供了大量的蛋白质相互作用数据,这使得通过计算机方法预测关键蛋白质成为可能。大部分方法对蛋白质相互作用网络中的噪声很敏感。考虑蛋白质相互作用网络的不可靠,构建不确定相互作用网络,提出一种名为EPU的关键蛋白质识别算法。算法采用期望稠密度作为评判一个子图能否预测为关键模块的准则,预测的模块将用于关键蛋白质识别;通过蛋白质在关键模块中出现的概率频率对蛋白质评分,分值越高,成为关键蛋白质的可能性越大。实验结果显示,EPU算法性能优于其他的关键蛋白质识别算法,是一种有别于现有方法的新型关键蛋白质识别算法。结果表明,不确定性数据管理理论有助于提高算法对蛋白质相互作用网络中噪声的鲁棒性。     

基于烟花算法的蛋白质相互作用网络功能模块检测方法

针对群智能聚类方法在蛋白质相互作用网络功能模块检测问题上运行时间长的不足,本文提出了一种基于烟花算法的蛋白质相互作用网络功能模块检测方法(Fireworks Algorithm for Functional Module Detection in Protein-protein Interaction Networks,简称FWA-FMD).首先结合蛋白质相互作用网络的拓扑结构信息和基因本体的功能注释信息,基于标签传播思想将每个烟花个体初始化为一种候选的功能模块划分.其次在每一代进化过程中,利用具有局部搜索和全局搜索自调整能力的爆炸操作对每个烟花个体进行优化,并同时采用精英保留和轮盘赌策略选择下一代烟花个体.最后通过将最优烟花个体中标签相同的节点划分到同一功能模块,以得到最终的功能模块检测结果.在酵母菌和人类两个物种的4个公共蛋白质相互作用网络数据集上的功能模块检测结果,分别用两种标准功能模块数据集作为基准来评价的实验表明:FWA-FMD算法不但求解时间少于遗传算法、蚁群算法和细菌觅食算法,而且在多项评价指标上与一些代表性算法相比都具有明显的优势,能够更好地识别功能模块.     

融合多数据源的蛋白质功能模块的挖掘算法

针对蛋白质相互作用(protein-protein interaction,PPI)网络的信息不完善和高噪声问题,提出一种融合多生物数据的二分图聚类集成方法以检测网络中的功能模块.该方法结合了基因本体论(gene ontology,GO)、基因表达谱数据以及多种基础聚类算法,用一种新的二分图来组织多种基础聚类算法的中间结果,并结合对称非负矩阵分解(non-negative matrix factorization,NMF)算法挖掘其中功能意义上最一致蛋白质功能模块,同时,该算法能处理蛋白质功能重叠问题.实验结果表明:所提算法整体优于基准比较方法,是一种融合多种生物信息源和不同的聚类方法的有效途径.     

一种面向多拓扑类型请求的虚拟网络映射算法

虚拟网络映射问题是网络虚拟化研究中的核心问题之一,其主要目标是将虚拟网络请求高效地映射到底层物理网络上. 针对面向多拓扑类型请求的虚拟网络映射问题进行研究,提出了节点连通性模型和通用底层物理网络节点评价模型用以判断节点映射的优先次序,在此基础上设计了一种复合型虚拟网络映射算法,在映射过程中通过识别虚拟网络请求的拓扑特征调用相应的映射子算法完成网络映射. 仿真结果表明,该复合型映射算法获得了较高的虚拟网络请求接受率和网络收益开销比,整体上提高了虚拟网络映射性能.     

基于距离测定的蛋白质复合物识别算法

针对蛋白质相互作用网络聚类算法标识已知蛋白质复合物数量有限的问题,提出了一种新的基于距离测定的蛋白质复合物识别算法IPC-DM。该算法基于对已知复合物内蛋白质之间的最短距离一般不超过2的发现,利用新的种子-扩充模型,大大提高了识别蛋白质复合物的准确性。基于酵母蛋白质相互作用网络的实验表明,算法IPC-DM较其他5种典型的蛋白质复合物识别算法MCODE、RNSC、CFinder、LCMA和DPClus具有更好的蛋白质复合物识别能力。     

一种基于完全子图与标签传播的重叠社区检测算法

提出了一种基于完全子图和标签传播的重叠社区检测ＣＬＰＯＡ算法。该算法首先搜寻完全子图,并为每个子图分配唯一标签,实现快速标签预处理;然后根据每个节点的邻接节点标签来更新该节点的标签,同时提出接触频数优化标签选择策略降低标签随机传播概率;最后,通过网络标签分布情况进行社区划分。选取两个小规模标准数据集和两个大规模网络数据集进行实验,结果表明ＣＬＰＯＡ算法能保持和ＣＯＰＲＡ算法相同社区划分质量,同时具有更好的算法稳定性和时间性能。     

基于图卷积的3D骨架数据的双人交互行为识别

针对图卷积神经网络的双人交互行为识别方法存在交互语义信息表达不充分的问题,提出了一种新的双人交互时空图卷积神经网络（DHI-STGCN）用于行为识别的方法。该网络包含空间子网络模块和时间子网络模块。将基于交互动作视频获取的3D骨架数据生成一种双人交互动作的空间动作图用于空间信息的表示,图中根据关节点位置信息对双人之间的连接边赋予不同的权重。时间信息处理中,在构造的邻接矩阵中增加了上下文时间信息的联系,图中关节点与其一定时间范围内的节点增加连接。将生成的时空图数据送入空间图卷积网络模块,结合时间图卷积网络模块增强帧间运动特征连续性进行时序建模。该模型充分考虑了双人交互动作的紧密关系,具有较强的鲁棒性,获得了比现有模型更好的交互动作识别效果。     

WSNs中基于蚁群模拟退火算法的移动Agent访问路径规划

关于无线传感器网络(WSNs)中移动Agent(MA)路由规划问题的解决方法,基本都以把它抽象成为一个无向全连通图(Completely Connected Graph)作为分析的前提,但一跳网络在实际的WSNs应用中并不合理。文章提出一种适用于多跳WSNs的基于蚁群模拟退火算法(ACA-SAA)的移动A-gent访问路径规划模型。在Sink节点建立包含源节点在内的本地网络节点关系表LNNRT,将MA访问路径分解为定向子路径、数据融合子路径和返回子路径,利用ACA-SAA算法分别对子路径的解进行进化计算以求得最优解路径。仿真结果表明,随着网络规模的扩大,该优化模型优势明显,ACA-SAA表现出比SAA和ACA算法更好的性能。     

基于双连通分量覆盖图的稀疏大图最大流并行加速方法

最大流问题是图论中重要的基础性问题,大规模网络中的最大流加速已成为重要研究方向,已有工作包括并行计算加速和图缩减加速2种思路,但仍有较大改进空间:(1)图缩减和并行计算2种加速思路并未充分融合,导致各自加速效果受限;(2)已有加速算法对常见的多次最大流求解支持不足,导致多次计算间存在大量冗余工作;(3)已有加速算法往往需涉及出入度和边容量等多个条件,计算复杂度偏高。针对上述问题,提出了一种基于优化子图的最大流并行加速方法,通过识别原始大图的双连通分量并建立覆盖图,可将任意最大流问题分解为独立的子问题,并行求解快速获取最大流精确解;覆盖图的构建仅涉及节点之间连接关系,具较低的时间复杂度。在基准图上的测试结果表明,算法可显著缩短稀疏大图中最大流计算时间。     

基于度约束最小生成树的域间路由恢复算法

低速拒绝服务攻击对于域间路由系统造成威胁,已有失效恢复算法未能有效解决恢复拓扑计算的时间复杂度高和节点聚合控制等问题,为此,提出一种基于度约束最小生成树的失效恢复算法.通过设计基础迁移子算法和复杂迁移子算法,在满足度约束的条件下根据遭袭路由系统生存拓扑构建新的恢复拓扑,并针对上述两类迁移子算法,分别提出关键点选择子算法,用于判定和计算迁移过程所需的关键节点.理论分析和仿真实验结果证明,该算法生成的恢复拓扑在有效控制节点度的同时,具有较优的性能.     

基于蝙蝠算法的蛋白质网络功能模块检测

为了得到更好的蛋白质功能模块,揭示蛋白质的功能,利用蝙蝠算法对蛋白质相互作用网络(PPINs)进行功能模块检测. 每个蝙蝠个体所在的位置代表一种候选的功能模块划分,将PPIN中每个蛋白质节点与其所有邻居节点组成邻居有序表,采用在邻居有序表中随机游走的编码方式进行种群的初始化;在种群优化过程中,设计定向局部扰动、随机扰动、基于距离和频率的自适应变异、自然选择4种寻优机制来进行解的随机优化. 在5个不同规模的酵母菌PPIN数据集上,将所提出方法与6种经典算法进行对比实验. 结果表明,所提出方法检测到的功能模块中有较多模块与标准模块相匹配,并且所提出算法在覆盖率、召回率、灵敏度、正的预测率、准确度评价指标上均表现突出,验证了所提出方法的有效性.     

基于花授粉算法的蛋白质网络功能模块检测方法

揭示未知蛋白质功能是后基因时代蛋白质组学中的核心内容之一,运用群集智能思想识别蛋白质相互作用网络(protein-protein interaction network, PPIN)中的功能模块已经成为该领域的一个研究热点。提出一种基于花授粉算法(flower pollination algorithm, FPA)的蛋白质相互作用网络功能模块检测方法(FPA for functional module detection in PPIN, FPA-FMD)。采用随机游走的方式对种群中的每个花粉进行编码,并利用花授粉算法特有的自花授粉和异花授粉机制优化种群,其中自花授粉采用重组策略和取优策略,异花授粉采用基于Levy机制的变异策略和基于差异度的自适应变异策略,4种策略分别从不同角度推进了种群的进化。在3个公共数据集上的仿真试验表明:与其他6种经典算法相比,本研究提出的算法的整体性能优良而且在F度量和准确度两项综合指标上具有绝对优势。     

基于子图交互关系的网络结构增强算法

已有研究基于子图交互关系构造子图网络来实现网络结构增强,然而其算法复杂度高.鉴于此,基于不同阶子图网络的拓扑属性分别对原始网络进行赋权,得到一阶和二阶加权网络,以权重的形式直观体现子图交互关系.同时,这两种加权网络的权重可以直接通过原始网络的拓扑结构计算得出,从而避免了子图网络的构造过程,大大降低了算法复杂度.最后,以...     

基因调控网络中的癌症标记物预测方法

基于多组学的癌症标记物识别对癌症分子机制的研究具有重要的意义,但是当前大部分工作都是结合蛋白质相互作用数据进行的,故提出一种新型的基于多基因调控网络和多组学数据的研究方法,用于分析癌症的分子机制以及预测生物分子标记物。该方法首先整合多组学数据,以胃癌和食管癌为例,分别构建了胃癌和食管癌的癌症特异性网络;然后在这两个网络上进行加权共表达网络分析,采用层次聚类划分模块,计算模块的第一主成分和所有已知癌症标记物的关系,以此为据筛选出癌症特异的模块;最后再提取疾病特异的生物通路,使用相似性评估方法识别潜在的癌症标记物。实验结果表明,该方法预测的特异性模块具有功能特性,并且在模块内部使用皮尔逊相关系数法进行预测的结果更准确。     

基于文化算法的PPI网络功能模块检测方法

为了解决蛋白质相互作用(protein-protein interaction,PPI)网络功能模块检测问题,提出一种基于文化算法的PPI网络功能模块检测(CA-FMD)方法.首先,每个个体采用基于节点邻居有序表的编码方式表示功能模块检测问题的一个可行解.然后,利用文化算法的双层进化机制获得最优解,其中,上层机制用来模拟信念空间中群体经验的进化,下层机制用来刻画种群空间中个体的进化.最后,借助2个空间的相互作用和影响完成解的优化.在3个数据集上的实验结果表明:与其他算法相比,CA-FMD方法在多项评价指标上都具有明显的优势.     

全光网中采用可信度模型的故障定位技术

宽带业务的飞速发展推动着光网络向着超大容量、超高速率方向演进．与此同时,在透明节点增加、光电再生设备减少的全光网络中,多故障定位的非完全多项式属性、网络拓扑的复杂性以及承载业务的多样性使得故障定位变得尤为困难．如何根据收集的告警信息,确切地找出故障的准确数目及其位置成为网络管理人员的难题．针对全光网中故障与告警的关系展开研究,在多故障定位的相关方向上完成了采用可信度推理方法对故障与告警之间的复杂映射关系进行梳理,建立了一种多故障条件下全光网故障定位模型,并以此为基础,提出了基于模糊隶属度以及联合可信度的两种启发式故障定位算法．通过不同的网络拓扑以及与其他的算法对比,对这两种算法以及可信度模型的正确性进行了验证．仿真结果表明,该模型能够很好地处理多故障定位问题的不确定性,且定位性能优越,具有很强的实际意义．