中科院两位院士莅临西门子 自动化之光——未来城

3月9日,西门子自动化与驱动集团的超大型全球巡展活动"自动化之光未来城"(exiderdome)巡展迎来了两位特别的客人中科院院士,中国自动化学会理事长,信息技术科学部副主任戴汝为先生和中科院院士,中国自动化学会副理事长,北京生物工程学会生物信息学专业委员会主任李衍达先生。随行的还有中国自动化学会第四——第八届副理事长孙柏林先生,中国科学院自动化研究所副所长王飞跃先生,他们在西门子(中国)有限公司执行副总裁及自动化驱动集团总裁何维克先生等的陪同下兴致勃勃地进行了参观。     

词法分析工具在数据文件中的应用

词法分析是程序编译中的重要组成模块,它的任务是识别源程序中最小的语法单位.本文使用flex作为构建词法分析工具,把应用推广到数据文件分析中,并以生物大数据文件为例子,使用词法分析工具构建数据文件分析器,对文件中的数据进行检索和分析,展示词法分析工具的广阔应用.     

生物信息学教学与医科学生计算思维培养

随着生命科学与计算科学的交叉越发紧密,计算思维培养已成为医学院校计算机教育的研究热点。文章分析生物信息学与计算思维培养的关系,提出以生物信息学为课程载体,在"让思维具有计算特征"的教学中培养医科学生的计算思维能力。     

基于字典的DNA序列压缩算法研究及应用*

在现有DNA序列数据压缩算法的基础上,以DNA序列数据的存储效率及生物学解释综合考虑,设计并实现了基于字典的DNA序列压缩算法DNADCompress.算法核心包括重复子串字典建立、字典项筛选、字串压缩编码三方面.实验数据表明,数据压缩算法压缩效果达到常用DNA序列压缩算法水平,并为序列生物学解释提供了基础.     

基于HMM的基因识别并行计算

本文分析了传统的串行基因分析方法的局限性,阐述了基于隐马尔科夫模型的基因识别方法和原理,最后给出了基于隐马尔科夫模型的并行算法并进行了并行效果分析,指出了并行计算在生物信息学领域的广阔前景及重要意义。     

结构关系模式挖掘在生物信息中的应用

把数据挖掘应用到SNP和单体型分析,采用数据挖掘的方法得到SNP位点序列和单体型序列,从结构关系模式挖掘的角度,分析SNP位点之间、单体型之间可能存在的结构关系.并为用结构关系模式挖掘分析SNP和单体型之间的结构关系奠定基础.     

针对H1N1病毒的多特征siRNA设计

针对甲型流感病毒H1N1基因,从RNAi的角度出发,采用多特征融合的方法,进行siRNA预测。对2009年的46株病毒序列的PA片段进行分析,从经过序列分析所获得的众多靶序列中,采用结构分析手段对靶序列进行筛选,获得较易干扰的靶序列及设计出相应的siRNA。2009年爆发的H1N1病毒,序列保守性高,靶序列一致性高,结构保守性高。该方法可以有效选择可能的靶序列,并在此基础上进一步筛选,以获得少量较易干扰的靶序列,该方法为复杂序列siRNA的设计提供了新思路,对siRNA的优化设计有指导意义,有助于利用RNAi进行H1N1治疗的后续研究。     

基于动态算法的序列分析

为了获得2009年新型甲型H1N1流感病毒与2008流感病毒的基因序列及氨基酸序列的一致性,以便对一个基因家族的生物学特征有一个简明扼要的了解,针对目前流行的新型甲型H1N1流感病毒的基因序列及其所编码的氨基酸序列,采用动态规划算法对其一级序列进行序列相似度分析,获得了2009年新型甲型H1N1流感病毒的NA和M基因片段以及2008年猪源性甲型H1N1流感病毒的相应基因片段同源性高、在有些位点发生了基因突变增添和突变缺失等重要基因信息。为此次新型甲型H1N1流感病毒的研究提供了依据。     

黏着斑激酶生物信息学分析

从生物信息学的角度对黏着斑激酶进行分析,为进一步研究其高级结构及探寻黏着斑激酶的潜在功能提供理论数据.用生物信息学方法对已在GenBank上注册的人、牛、鸡、非洲蟾蜍、斑马鱼等动物黏着斑激酶基因的核苷酸序列以及推导的氨基酸序列、组成成分、氨基酸翻译后修饰、信号肽、跨膜拓朴结构域、疏水性/亲水性、蛋白质二级结构以及三级结构等进行分析预测和推断.结果表明:这些动物的黏着斑激酶属于非跨膜的亲水性蛋白,α-螺旋和不规则卷曲是其蛋白质二级结构的主要结构元件,β-转角和延伸链散布在整个蛋白质中,包含三个结构域,即N末端FERM同源结构域,中部的激酶结构域和C末端富含脯氨酸的位点和FAT结构域.     

基于融合神经网络模型的药物分子性质预测

在生物信息学领域,人工智能方法在预测药物分子的物理化学性质和生物活性中获得了重大成功,特别是神经网络已被广泛应用到药物研发中.但是浅层神经网络的预测精度低,深度神经网络又容易出现过拟合的问题,而模型融合策略有望提升机器学习中弱学习器的预测能力.据此,文中将模型融合方法首次应用到药物分子性质的预测中,通过对药物分子的化学结构进行信息化编码,采用平均法、堆叠法融合浅层神经网络,提高对药物分子pKa预测的能力.与深度学习方法相比,堆叠法(Stacking)融合的模型具有更高的预测准确性,其预测结果的相关系数达到0.86.通过将多个弱学习器的神经网络有机组合可使其达到深度神经网络的预测精度,同时保留更好的模型泛化能力.研究结果表明,模型融合方法可提高神经网络对药物分子pKa预测结果的准确性和可靠性.