酵母蛋白网络的功能模块与关键蛋白研究

蛋白交互网络在各种细胞功能和生命过程中发挥着至关重要的作用。对它的结构特征进行分析吸引了众多科研人员的关注,功能模块与关键蛋白的识别是其中的重要研究主题。本文主要使用模拟退火算法分析了酵母蛋白交互网络的功能模块,同时结合使用多种中心化指标识别了其中的关键蛋白,并讨论了这些功能模块和关键蛋白的生物学意义。     

边相似性聚类分析及其在生物网络功能模块识别中的应用

生物网络的功能模块识别有助于理解网络的结构和功能关系,有助于发现网络中的隐藏规律以及预测网络的行为等,是当前生物网络研究方面的一个重要研究主题。然而,当前的功能模块识别方法大多依赖于对网络中的节点进行聚类分析,其主要缺陷在于:每个节点只能属于某一个模块,而生物网络中的节点很难划分到某个独立的模块中。本文介绍了新近发展的基于边相似性的聚类方法,通过2个具体的生物网络功能模块识别实例,考察了这种新兴的方法在生物网络研究中的应用,结果表明了该方法的高效性。     

蛋白质网络中复合体和功能模块预测算法研究

预测蛋白质相互作用网络中的复合体和功能模块对于理解生物系统的组织和功能具有重要的意义.到目前为止,已经出现了大量的蛋白质复合体和功能模块预测算法及相关的软件,这些算法各具特色,但同时也具有一定的局限.文中对典型的聚类预测算法进行了研究,依据算法特性对它们进行了分类,并从算法思想、关键技术以及算法性能等方面进行了分析和比...     

一种基于遗传算法的PPI网络全局比对算法

蛋白质相互作用网络比对在识别同源蛋白质或者蛋白质功能模块、蛋白质功能预测等方面具有十分重要的生物学意义.通常从拓扑特性和生物特性两个方面来衡量网络比对的结果，而现有的网络比对算法很难同时取得好的拓扑特性和生物特性.基于此，本文提出一种新的网络比对算法NABG.NABG利用最小度启发式算法计算节点在网络中的重要性，并基于重要性得分计算节点对的拓扑相似性，引入节点对的序列相似信息，使拓扑和生物相似性高的蛋白质对被比对上；基于结合了节点相似性和边保守性的目标函数，使用遗传算法模拟生物进化过程来优化比对结果.NABG分别在合成网络和真实网络上进行了实验，并与MGANA++、PROPER、SPINAL等算法作比较分析.实验结果表明，NABG的比对结果在拓扑指标以及生物指标上能保持均衡的高指标且更具有生物学意义.     

基于SAA的苏云金杆菌代谢网络功能模块

比较几种常用的社团结构分析方法,讨论它们在代谢网络分析中的不足之处。模拟退火算法在代谢网络模块分析中具有一定优势,选用该算法分析苏云金杆菌代谢网络巨强连通体中的功能模块,并将所得的结果与KEGG数据库中的途径信息进行对比研究,发现大部分的模块都对应于1~2个KEGG途径。进一步的研究表明这些模块均具备重要的生物学功能意义。     

一种新的度量生物复杂网络模块性的方法

在生命科学领域,生物网络的概念也被大量引入,用以系统地表示复杂的生物过程。模块性是很多复杂网络都具有的特征,因此生物网络模块性的研究成为系统生物学一个重要的研究方向。为了更加深入地了解生物系统的组成和机理,本文提出了一种度量网络模块性的新方法,并将该序列指标应用于酵母转录因子调控网络和多个物种的代谢网络,结果发现酵母转录因子调控网络并不具有模块性而代谢网络具有显著的模块性。在应用中,代谢网络的功能模块度与平均聚类系数的相关性还说明我们的指标比平均聚类系数更适合刻画网络的功能模块性。另外,该指标的提出使得各种不同物种网络模块性的比较或者各种不同模块划分(或识别)方法的评价成为可能。     

一种改进退火算法在LEACH成簇机制中的应用

退火算法是在无线传感器网络最优簇类的求解中的关键算法,本文在参考其他研究人员在这方面研究成果的基础上,采用模拟退火算法来得到近似最优解,模拟退火算法所得到的解只是近似最优解,为了简单起见,本文称之为最优解.     

基于遗传模拟退火算法的网络负载均衡研究

为均衡网络负载,提高网络节点工作性能,建立了基于遗传模拟退火算法的网络负载均衡数学模型,提出将遗传模拟退火算法应用于寻优网络负载均衡的算法GSAA.OPNET仿真实验表明,GSAA算法将遗传算法和模拟退火算法相结合,发挥了遗传算法的快速全局搜索性能和模拟退火算法的局部搜索效率,显著地提高了搜索效率,能够高效地寻优均衡网络负载的参数.     

基于遗传模拟退火算法的网络负载平衡研究

介绍了网络负载平衡的基本算法,建立了负载平衡的数学模型,重点阐述了遗传算法和模拟退火算法相结合的重要意义。并提出将遗传模拟退火算法应用于解决网络负载平衡问题的算法,通过实例证明了其有效性。     

动态网络模式挖掘方法及其应用

静态复杂网络研究在揭示社会网络、信息网络和生物网络的形成和演化机制方面取得了重要成果,其方法和结果对系统生物学产生了重要影响.但现实世界中,很多网络是随时间发生变化的,即动态网络.以动态网络为对象,对动态网络的拓扑特性分析、动态网络相关的各种模式挖掘模型和方法进行了综述、比较和分析.特别地,将动态网络模式分析方法应用于生物网络和社会网络,分析了生物网络相关的动态功能模块和模式演化问题、科学家合作网络和社交网络的动态模式.最后指出了动态网络的模式挖掘方法及其在动态生物网络和社会网络研究中存在的问题和挑战,并对未来的研究方向进行了分析.     

基于极端途径的生化网络模块化分析

近年来,对于复杂生化网络系统进行模块化分析引起了科研人员的极大关注。一般认为,模块化分析有助于理解这些网络的结构与功能关系。但是,当前的模块化分析方法大多将生化网络考虑为普通的复杂网络,所得模块的生物学意义较低。介绍了化学计量矩阵及极端途径分析等基本概念,对苏云金杆菌的丁醇代谢系统进行建模分析,研究结果表明：极端途径分析可用于识别网络中的功能模块,具备较好的生物学意义。     

Petri网在代谢网络模块化分析中的应用

代谢网络的模块化分析有助于理解网络的结构和功能。然而,当前众多的模块化分析方法大多将代谢网络考虑为普通的复杂网络,所得模块的生物学意义较低。对枯草芽孢杆菌的核黄素代谢进行Petri网建模分析,研究结果表明：Petri网的T不变量可用于识别代谢网络中的功能模块,具备较好的生物学意义。     

大规模生物网络马尔可夫聚类的并行化算法

马尔可夫聚类算法（MCL）是在大规模生物网络中寻找模块的一个有效方法，能够挖掘网络结构和功能影响力较大的模块。算法涉及到大规模矩阵计算，因此复杂度可达立方阶次。针对复杂度高的问题，提出了基于消息传递接口（MPI）的并行化马尔可夫聚类算法以提高算法的计算性能。首先，生物网络转化成邻接矩阵；然后，根据算法的特性，按照矩阵的规模判断并重新生成新矩阵以处理非平方倍数矩阵的计算；其次，并行计算通过按块分配的方式能够有效地实现任意规模矩阵的运算；最后，循环并行计算直至收敛，得到网络聚类结果。通过模拟网络和真实生物网络数据集的实验结果表明，与全块集体式通信（FCC）并行方法相比，平均并行效率提升了10个百分点以上，因此可以将该优化算法应用在不同类型的大规模生物网络中。     

随机走步软聚类识别蛋白质网交叠功能模块

认定蛋白质交互网中的功能模块对于理解细胞的组织结构,处理过程及其功能都是至关重要的。由于一个蛋白质可能具有多重功能因此蛋白质功能模块可能会相互交叠。然而,目前已有的一些识别功能模块的软聚类算法有如下两个缺陷：一是一些算法需要阈值来截断聚类;二是有些算法需要预设聚类数目。为了克服这两个缺陷,提出了随机走步软聚类识别算法来认定蛋白质交互网中的交叠功能模块。实验结果表明该算法在无需任何参数的情况下能发现一些重要的交叠功能模块。     

蛋白质相互作用网络的蜂群信息流聚类模型与算法

蛋白质相互作用网络的聚类算法研究是充分理解分子的结构、功能及识别蛋白质的功能模块的重要方法.很多传统聚类算法对于蛋白质相互作用网络聚类效果不佳.功能流模拟算法是一种新型聚类算法,但该算法没有考虑到距离的作用效果并且需要人为地设置合并阈值,带有主观性.文中提出了一种新颖的基于蜂群优化机理的信息流聚类模型与算法.该方法中,数据预处理采用结点网络综合特征值的排序来初始化聚类中心,将蜂群算法的蜜源位置对应于其聚类中心,蜜源的收益度大小对应于模块间的相似度,采蜜蜂结点的所有邻接点按照结点网络综合特征值的降序排列,作为侦察蜂的搜索邻域.采用正确率、查全率等指标对聚类效果做出客观评价,并对算法的一些关键参数进行仿真、对比与分析.结果表明新算法不仅克服了原功能流模拟算法的缺点,且其正确率和查全率的几何平均值最高,能够有效地识别蛋白质功能模块.     

随机神经网络发展现状综述

随机神经网络 (RNN)在人工神经网络中是一类比较独特、出现较晚的神经网络 ,它的网络结构、学习算法、状态更新规则以及应用等方面都因此具有自身的特点 .作为仿生神经元数学模型 ,随机神经网络在联想记忆、图像处理、组合优化问题上都显示出较强的优势 .在阐述随机神经网络发展现状、网络特性以及广泛应用的同时 ,专门将RNN分别与Hopfield网络、模拟退火算法和Boltzmann机在组合优化问题上的应用进行了分析对比 ,指出RNN是解决旅行商 (TSP)等问题的有效途径     

异构无线传感器网络中基于模拟退火算法的成本最优部署机制

针对异构传感器网络节点的高密度部署和监测目标非均匀分布的情况,提出了一种基于模拟退火算法的成本最优部署方法.算法在保证网络覆盖和容错性的条件下,以异构节点部署成本最小为优化目标进行操作.仿真结果表明该算法能快速收敛于最优解,有效降低网络部署的成本,提高了目标监测质量.     

基于蚁群优化算法的神经网络训练的研究

在ACO算法原理及框架的基础上，将蚁群优化算法引入神经网络的训练中．提出了ACO训练神经网络的基本原理和方法步骤。并与遗传算法、模拟退火算法、加动量项的BP算法相比，仿真结果表明，用ACO算法训练的神经网络具有较快的收敛速度．能够达到较小的均方误差值。     

Enhanced simulated-annealing-based algorithms and their applications to process planning in reconfigurable manufacturing systems

Capabilities of enhanced simulated-annealing-based algorithms in solving process planning problems in reconfigurable manufacturing are investigated. The algorithms are enhanced by combining variants of the simulated annealing technique with other algorithm concepts such as (i) knowledge exploitation and (ii) parallelism. Four configurations of simulated annealing algorithms are devised and engaged to solve an instance of a process planning problem in reconfigurable manufacturing systems. These configurations include; a basic simulated annealing algorithm, a variant of the basic simulated annealing algorithm, a variant of the simulated annealing algorithm coupled with auxiliary knowledge and a variant of the simulated annealing algorithm implemented in a quasi-parallel architecture. Although differences in performances were observed, the implemented algorithms are capable of obtaining good solutions in reasonable time. Experimental results show that the performances of the variants of simulated annealing based algorithms are better in comparison to a basic simulated annealing algorithm. A computational analysis and comparison using ANOVA indicates that improvements towards a better optimal solution can be gained by implementing variants of the simulated annealing algorithm. In addition, little speed gains can be obtained by implementing variants of the simulated annealing algorithms that are coupled with other algorithmic concepts.