一种关于蛋白质模体的自动识别算法

随着生物信息学的发展,模体识别已经成为一种能够从生物序列中提取有用生物信息的方法.文中介绍了有关模体的一些概念,讨论了模体识别算法(MEME)的基础,即EM(expectation maximization)算法,由于MEME算法是建立在EM算法的基础上的,所以又由此引出了MEME算法,并对MEME算法的一些基本问题比如时间复杂度、算法性能等进行了详细讨论,对算法的局限性和有待改进的地方作了说明.实践证明,MEME是一个较好的模体识别算法,它能够识别出蛋白质或者DNA序列中单个或多个模体,具有很大的灵活性.     

一种不用大小比较的快速模乘算法

基于Ｂｌａｋｌｅｙ算法,介绍了一种计算Ａ＊ＢＭＯＤＮ（Ｎ〉５００位）的迭代算法,在该算法中,不需要进行任何大小比较操作,该算法与Ｂｌａｋｌｅｙ算法相比其速度提高了一倍。     

一种求解多项式根最大模的人工鱼群算法

利用多项式根的反演关系,给出判定多项式根是否全部在单位圆内的判定定理。引入变形参数将多项式变形,并基于判定定理,给出求变形参数最小值的人工鱼群算法,即求多项式根最大模的人工鱼群算法,使变形多项式根全部在单位圆内。算例表明该算法收敛速度快,求解精度高。     

基于迁徙差分进化算法集成的模体识别

为了克服微分进化的局部收敛问题,通过模拟游牧民族的迁徙机制,提出一种迁徙策略,将其与差分进化算法相结合,得到一种迁徙差分进化算法新范式,利用集成技术,发挥各种差分进化算法的优点,提高算法的全局搜索能力。通过生物序列模体识别实验,验证了该算法的有效性。     

转录调控网络模块和模体识别算法研究进展

转录调控网络是生物体遗传信息传递的整体表示,是人们理解基因表达过程的重要内容。识别转录调控网络的模块和模体是分析网络拓扑结构和组织方式的重要方法,是揭示转录调控机制、生物发育与进化过程的重要环节之一。通过分析比较近年来用于转录调控网络模块识别的三类典型算法,阐述了它们各自的优势和不足。介绍了一种被广泛使用的转录调控网络模体识别算法。以此为基础,提出了转录调控网络模块和模体识别算法未来的研究方向。     

一种改进的Montgomery模乘快速算法

利用Karatsuba-Ofman算法的思想,改进了Montgomery模乘的CIOS实现算法：一方面,改进后的CIOS算法在时间效率上有较大提高,减少的乘法次数比率接近25％;另一方面,改进后的算法具有更好的并行性,能够实现两个乘法器的并行结构,适合于设计高速的RSA密码专用芯片。     

一种体数据面绘制算法

三维标量场可视化技术不仅可以绘制等值面,而且可以模拟X线的透射效果,文中以彩色分割医学图像为背景讨论了体数据的表面绘制算法;应用势函数原理,给出了一种新、快速有效的法向计算公式,并给出部分实现细节;最后,应用光线投射原理,绘制出彩色图像空间中物体表面的高度真实感图形。     

一种改进的RSA模幂乘算法

模幂乘运算是RSA算法中的主要内容,传统的模幂乘运算是将指数化为二进制数进行迭代,指数2k进制化算法是其改进的算法,能缩短指数的序列长度,减少迭代次数。本文在此基础上介绍一种改进的算法,通过实例分析,改进后的算法可以提高运算速度。     

一种Montgomery模幂乘硬件流水线实现算法

文章提出了一种基于Montgomery算法的模幂乘硬件流水线实现算法,该算法的核心是把模N乘上一个系数,使倍增后的模之低若干位(二进制)全为1,然后用倍增后的模进行Montgomery算法模幂乘运算。采用该算法,可以设计出用于实现RSA的高频流水线运算部件。     

蛋白质作用网络中模体识别技术研究

生物网络是利用网络理论对生物系统进行建模,从而借助于网络的概念、属性和复杂网络研究的各种方法来理解生物系统的演化和行为。生物网络是生物信息学中一个崭新的研究领域,特别是蛋白质作用网络中网络模体具有很重要的生物意义。网络模体为在某个网络的多个不同部分出现的相互连接的子结构,其表达程度明显高于在随机网络中的表达。文中对模体识别技术进行了研究,系统阐述了模体识别技术的研究现状和各种技术方法,展望了模体识别技术的未来研究方向。识别大模体及将模体跟功能相结合将是该领域的发展方向。     

Particle Swarm Optimisation for Protein Motif Discovery

In this paper, a modified particle swarm optimisation algorithm is proposed for protein sequence motif discovery. Protein sequences are represented as a chain of symbols and a protein sequence motif is a short sequence that exists in most of the protein sequence families. Protein sequence symbols are converted into numbers using a one to one amino acid translation table. The simulation uses EGF protein and C2H2 Zinc Finger protein families obtained from the PROSITE database. Simulation results show that the modified particle swarm optimisation algorithm is effective in obtaining global optimum sequence patterns, achieving 96.9 and 99.5 classification accuracy respectively in EGF and C2H2 Zinc Finger protein families. A better true positive hit result is achieved when compared to the motifs published in PROSITE database.     

一种优化的蛋白质序列模式挖掘方法

蛋白质序列作为生物序列数据一个重要组成部分,对其的分析研究已经成为生物信息学中的一个重要的研究方向和内容.通过对序列进行模式挖掘,可以对蛋白质序列或某一蛋白质家族序列进行研究,因此蛋白质序列的模式挖掘已经成为蛋白质序列研究中的一项重要任务.MBioPM是一种最新的生物序列模式挖掘算法,该算法通过引入模式划分概念,提高算法的效率,但该算法在效率方面仍存在不足,而且挖掘结果存在冗余性的问题.因此,提出一种优化算法BioPMMH,通过带有模式划分特点的Hash链表结构来优化算法中的搜索空间及策略,并在算法过程中对重复模式进行过滤.实验表明,算法BioPMMH能有效提高模式挖掘的效率,并解决结果的冗余性问题.     

Self-Organizing Maps of Position Weight Matrices for Motif Discovery in Biological Sequences

The identification of overrepresented motifs in a collection of biological sequences continues to be a relevant and challenging problem in computational biology. Currently popular methods of motif discovery are based on statistical learning theory. In this paper, a machine-learning approach to the motif discovery problem is explored. The approach is based on a Self-Organizing Map (SOM) where the output layer neuron weight vectors are replaced by position weight matrices. This approach can be used to characterise features present in a set of sequences, and thus can be used as an aid in overrepresented motif discovery. The SOM approach to motif discovery is demonstrated using biological sequence datasets, both real and simulated     

基于AFT的链路层自动拓扑发现算法

分析了链路岳拓扑发现的重要性和现状，讨论了基于Bridge MIB库的AFT信息拓扑发现技术的理论、模型和原理，提出了在交换城内基于AFT的链路层拓扑发现的一个通用算法，给出了算法伪代码及详细描述，最后对该发现算法进行了小结．     

基于最长公共子序列距离的主旨模式挖掘算法

针对现有主旨模式挖掘算法易受噪声干扰的问题,提出一种基于最长公共子序列距离的挖掘算法。在搜索过程中,该算法采用基于子序列距离判别的策略进行了有效的剪枝,对于非等长的候选模式,使用最小描述长度原则求其相关权重,据此选择出现频率最高、最能体现原时间序列特征的主旨模式。实验结果表明,与朴素式搜索相比,该算法的速度至少提升60%。     

基于颜色直方图的EM对象跟踪算法

基于均值漂移运动目标跟踪的迭代算法,简单可靠,可以方便准确的找到一个基于内核的概率密度函数估计目标的位置。但是该算法对目标尺寸形状变化的适应能力比较差,文章提出一个改进的均值漂移算法。新算法同时估计目标的位置和用协方差矩阵来描述的目标的形状,能够处理对象的角度和形状大小发生变化时的跟踪问题,运用新的算法实现以颜色直方图为基础的非刚性目标跟踪算法。实验表明,该改进的算法在不同环境下跟踪目标的鲁棒性很好,尤其对跟踪目标的形状和尺寸的改变,具有很强的适用性。     

基于Gibbs采样与遗传算法的模体识别

借鉴Gibbs采样思想,将序列峰值所对应的候选模体作为遗传算法的初始种群,提出一种改进的模体识别算法。将模体在序列中的出现次数作为变量加入到适应度函数中,使其更符合生物数据的特性。在算法变异操作中加入IUPAC简并码保持种群的多样性。对DBTSS数据库中的真实数据进行测试,结果表明该算法具有较高的识别精度和较快的搜索速度。     

ProFaM:一个蛋白质序列家族挖掘算法

有效分析蛋白质家族是生物信息学的一项重要挑战,聚类成为解决这一问题的主要途径之一.基于传统序列比对方法定义蛋白质序列间相似关系时,假设了同源片断问的邻接保守性,与遗传重组相冲突.为更好地识别蛋白质家族,提出了一种蛋白质序列家族挖掘算法ProFaM.ProFaM首先采用前缀投影策略挖掘表征蛋白质序列的模式,然后基于模式及其权重信息构造相似度度量函数,并采用共享最近邻方法,实现了蛋白质序列家族聚类.解决了以往方法在蛋白质模式挖掘及相似度设计中的不足.在蛋白质家族数据库Pfam上的实验结果证实了ProFaM算法在蛋白质家族分析上有良好的结果.     

改进的KMP算法在生物序列模式自动识别中的应用

介绍了改进后的KMP算法在生物序列模式自动识别中的应用以及关于生物序列中模式的概念和表示方法,并对生物序列中有关模式匹配的知识作了介绍,阐述了如何将生物序列转换为字符串,以及如何编程实现此算法,成功地对KMP算法作了一些改进,实现了生物序列中模式的自动识别,实验结果表明,该算法具有较好的可行性。