基于筛选-优化的基因选择

先按照相关性系数标准对样本所包含的全体基因进行筛选,降低冗余的同时有利于缩小优化算法的搜索范围;然后在筛选结果上采用蚁群优化策略进行分类相关基因子集的选择,并利用样本聚类效果作为优化目标函数,在保证分类准确度的同时大大降低了基因选择方法的计算复杂度。实验结果表明,提出的基因选择方法能在相当短的时间内选出与分类相关的基因子集。     

基因沉默机制的基因表达式编程

基因表达式编程（Gene Expression Programming,GEP）对多项式函数为目标的符号回归问题计算效果良好,而对包含多种运算目数、非多项式函数的计算效果欠佳。受转基因生物工程中基因沉默现象的启发,提出一种GEP拓展算法SFGEP（Gene Expression Programming of Symbol Field,SFGEP）。SFGEP染色体由表达因子域与表达基因域组成,按“深度优先”原则解释染色体,利用不同操作符目数,形成基因表达的抑制因子和位置效应,实现染色体解释中基因沉默的机制。实验结果表明,相较传统多基因染色体GEP,SFGEP既保持了一定多项式函数挖掘的能力,又在包含不同运算目数操作符的非多项式函数挖掘方面具有更好的效能,SFGEP的成功率更高、收敛速度更快。     

严格反馈极值搜索系统预设性能反演控制

针对一类目标函数受预设性能函数限定的严格反馈极值搜索系统的控制问题, 将极值搜索控制、预设性能控制、反演控制相结合, 提出一种预设性能反演控制器设计方法. 针对极值搜索系统的目标函数构造新型的性能函数; 利用性能函数对系统进行函数变换, 构建等效简单变换模型; 基于变换模型, 利用反演控制方法逐步递推选取适当的Lyapunov 函数进行控制器设计, 以实现在对目标函数搜索到极值的同时保证预设性能指标. 最后通过数值仿真验证了所提出方法的有效性.

     

基于交互式图论的目标边缘检测算法

针对传统边缘检测算法无法准确提取目标及其边缘的问题,基于交互式图论的最大流/最小割理论提出了一种新的边缘检测算法,设计了一种新的代价函数OE_COST 目标边缘代价函数;通过建立图割模型,能够在分割出目标的同时提取出目标边缘。算法通过交互式选择背景及目标像素集合作为硬性约束,通过图像特征（如灰度级、空间信息等）建立代价函数作为软性约束,同时施加软硬约束达到提取目标边缘的目的。实验结果表明,本算法可以准确提取出目标及其边缘轮廓。     

复数编码粒子群算法及在函数优化中的应用

为拓展个体基因包含的信息量,将复数编码用到粒子群算法中,用复数来表示粒子的基因,构造双倍体粒子群,提出一种复数粒子群算法（PCPSO）。目标函数自变量的大小由复数的模决定,复数的幅角决定自变量的符号。粒子飞跃分成实部基因和虚部基因两部分,文中给出了复数编码粒子群的更新关系,并对收敛性进行了分析。对典型函数进行实验,结果与实数编码方法相比,验证了方法的有效性。     

采用最小误差阈值分割算法的基因芯片图像分析

为了能够较好地处理芯片图像,尽可能准确地提取出描述基因样点的数据信息,采用了最小误差阈值的分割算法.该方法在假设目标和背景的分布服从混合正态分布的前提下,设定了最小误差分类目标函数,通过求得使目标函数值最小的最佳分割阈值,实现基因样点和背景图像的分割.针对分割出来的基因样点图像提取特征数据,最后对这些数据进行聚类分析,进而对实验样点进行分类.在实验中应用该方法分析了2组基因芯片图像,基因样点的分类效果较好,验证了该基因芯片分析方法的可行性.     

多目标学习的图像滤波电路函数级进化方法

针对图像滤波的可硬件化和细节保留中存在的问题,提出一种多目标学习的图像滤波电路函数级进化设计方法.首先建立平均绝对误差最小和高误差点数量最少的多目标滤波学习模型,以函数级基因表达式为进化电路个体的表征;采用离线进化模式搜索近似目标的最优进化电路个体,并对该个体的基因表达式进行VHDL转换,再将转换的VHDL移植于可编程逻辑器件上实现滤波电路.与多种滤波方法在边缘保留、峰值信噪比-均方误差的比较结果表明,电路在细节和边缘保留上有较大的提高,视觉效果更好.     

改进广义Hammerstein模型的自适应预测控制

针对广义Hammerstein模型不能描述"对称非线性系统"的问题,提出了可描述"对称非线性系统"的改进模型.首先,在目标函数中加入控制输入的高次项和其符号函数,建立一个合理的超二次型目标函数;同时给出了自适应预测控制算法,并证明了算法的稳定性和全局收敛性;最后采用目标函数形式的切换,提出了一个使系统无稳态偏差且控制输入收敛于以原点为中心的变化域内的控制策略.仿真研究表明了上述研究的合理性和有效性.     

基于自适应Memetic算法的多目标复杂网络社区检测

针对提高复杂网络社区检测准确度问题, 提出了一种自适应Memetic算法的多目标社区检测算法。在全局搜索中利用Logistic函数来设置与全局优化相应的交叉概率和变异概率,并将多目标优化问题转化成同时最小优化Kernel K-Means和Ratio Cut这两个目标函数;在局部搜索中利用权重将两个目标函数合并成一个局部优化目标,并采用爬山搜索来寻找个体最优。在虚拟和真实网络实验平台下,与五个基于遗传算法的方法以及Fast Modularity算法相比,结果表明算法能有效提高社区检测准确度,具有更好的寻优效果。     

基于环境资源因子的产品平台模块划分方法

产品平台能够根据用户的个性化需求,利用模块化的零部件快速衍生出不同产品.通过分析基于环境资源因子的产品平台模块划分方法,将绿色理念贯穿产品全生命周期过程中,提出基于环境资源属性的产品集成信息模型.通过引入环境资源因子和零部件关联矩阵,分别建立了基于环境资源因子的绿色度目标函数和基于零部件关联矩阵的聚合度目标函数;提出一种改进的免疫克隆多目标优化算法,对二进制基因对进行变异与跟踪,在克隆选择中筛选出满足环境资源属性的非支配抗体,对产品平台的模块化分问题进行多目标优化求解,构建出能够量化评估产品的环境资源属性的产品平台,从而在满足客户对产品功能需求的同时提高了产品对环境的友好性.最后以采煤机为应用实例,通过与其他算法的对比以及与绿色影响程度的分析评价,对该方法进行了验证.     

基于因果关系挖掘的概率基因调控网络的构建

科学的基因聚类方法是构建基因调控网络的前提,但仅以聚类作为构建网络的主要手段只能找到共同调控的基因,不能精确反映基因之间的相互作用过程。贝叶斯网络模型通过基于图的方式求得多变量之间条件独立的概率因果关系,但因其计算复杂性受到应用层面的限制。该文综合考虑几方面因素,在对基因进行聚类基础上,通过对调控关系的预测获得对目标基因的调控基因组,再利用LCD(local causal relation discovery)方法通过限制搜索条件发现基因间的独立关系,进而获得基因调控网络。实验结果表明了该方法的可行性和有效性。     

Using radial basis function networks and significance testing to select effective siRNA sequences

Although short interfering RNA (siRNA) has been widely used for studying gene functions in mammalian cells, its gene silencing efficacy varies markedly and there are only a few consistencies among the recently reported design rules/guidelines for selecting siRNA sequences effective for mammalian genes. We propose a method for selecting effective siRNA target sequences by using a radial basis function (RBF) network and statistical significance analysis for a large number of known effective and ineffective siRNAs. The siRNA classification is first carried out by using the RBF network and then the preferred and unpreferred nucleotides for effective siRNAs at individual positions are chosen by significance testing. The gene degradation measure is defined as a score based on the preferred and unpreferred nucleotides. The effectiveness for the proposed method was confirmed by evaluating effective and ineffective siRNAs for the recently reported genes (15 genes, 196 sequences) and comparing the scores thus obtained with those obtained using other scoring methods. Since the score is closely correlated with the degree of gene degradation, it can easily be used for selecting high-potential siRNA candidates. The evaluation results indicate that the proposed method may be applicable for many other genes. It will therefore be useful for selecting siRNA sequences in mammalian genes.     

Using radial basis function networks and significance testing to select effective siRNA sequences

Although short interfering RNA (siRNA) has been widely used for studying gene functions in mammalian cells, its gene silencing efficacy varies markedly and there are only a few consistencies among the recently reported design rules/guidelines for selecting siRNA sequences effective for mammalian genes. We propose a method for selecting effective siRNA target sequences by using a radial basis function (RBF) network and statistical significance analysis for a large number of known effective and ineffective siRNAs. The siRNA classification is first carried out by using the RBF network and then the preferred and unpreferred nucleotides for effective siRNAs at individual positions are chosen by significance testing. The gene degradation measure is defined as a score based on the preferred and unpreferred nucleotides. The effectiveness for the proposed method was confirmed by evaluating effective and ineffective siRNAs for the recently reported genes (15 genes, 196 sequences) and comparing the scores thus obtained with those obtained using other scoring methods. Since the score is closely correlated with the degree of gene degradation, it can easily be used for selecting high-potential siRNA candidates. The evaluation results indicate that the proposed method may be applicable for many other genes. It will therefore be useful for selecting siRNA sequences in mammalian genes.     

大数据层面的 microRNA 功能相似性分析

随着大数据时代的来临,microRNA与基因的序列数据不断增加,如何从大量的数据中挖掘有生物学意义的信息成为新的热点问题。研究表明microRNA间以协作的方式在疾病中发挥作用,并呈现出网络的结构化趋势。因此,系统分析不同microRNA间的相似性将在疾病生物学标记挖掘等研究领域起到关键的桥梁作用。而microRNA通过调节其靶基因发挥作用,所以本研究将充分利用现有靶基因数据,从功能角度分析microRNA间的相似性。研究选取前期工作所得的靶基因优化列表,利用富集分析将基因集合转化为功能节点集合,并在此基础上利用集合相似性测度计算microRNA对在不同层面的功能一致性。结果表明,相同家族的microRNA倾向于调控相同或相似的靶基因;类比于非靶基因,microRNA靶基因倾向于共享较多相似的细胞组分,而在生物学通路及生物学过程中则具有相对较低的相似性。     

一种共调控基因C均值模糊聚类算法

聚类方法在基因表达数据分析中发挥着非常重要的作用,但基因表达数据相对其他领域的数据具有自身的特性,因此传统的数据距离定义和聚类方法已不能完全满足研究者对生物数据的分析要求。提出一种基于泊松分布的数据距离度量方式TransChisq,它以一种全新的视角定义了基因数据之间的距离,鉴于模糊聚类算法能够更加深刻地描述复杂的基因作用关系,将TransChisq距离与模糊聚类方法相结合对模糊C均值算法进行改进,并应用于真实基因表达数据分析。实验结果表明,该方法能够按照生物学的真实分类将基因表达数据聚类,并且可以发现更多的共调控基因,更加满足了基因表达数据分析的需要。     

小麦基因转化研究进展

对小麦基因转化方法、转化效率以及影响转化的因素进行了总结，并对中国小麦基因转化的发展提出了展望。     

基因表达谱数据分析技术

人类基因组计划的研究已进入后基因组时代,后基因组时代研究的焦点已经从测序转向功能研究,主要采用无监督和有监督技术来分析基因表达谱和识别基因功能,通过基因转录调控网络分析细胞内基因之间的相互作用关系的整体表示,说明生命功能在基因表达层面的展现,对目前基因表达谱数据分析技术及它们的发展,进行了综述性的研究,分析了它们的优缺点,提出了解决问题的思路和方法,为基因表达谱的进一步研究提供了新的途径。     

Computational prediction of nucleic acid secondary structure: Methods,applications, and challenges

RNA molecules are crucial in different levels of cellular function, ranging from translation and regulating genes to coding for proteins. Additionally, nucleic acids (RNA and DNA molecules) are designed for novel applications in biotechnology. Understanding the structure of a molecule is important in inferring its function, and computational methods for structure prediction have captured the interest of many researchers.Some functions of RNA molecules in cells, such as gene regulation, result from the binding of one RNA molecule to another, so-called target RNA molecule. This has led to recent interest in prediction of the secondary structure formed from interacting molecules. In this paper, we provide a brief overview of methods, applications, and challenges in computational prediction of nucleic acid secondary structure, both for single strands and for interacting strands.     

融合粒子群优化和遗传算法的基因调控网络构建

MicroRNA（miRNA）是一类大小为21~25 nt的内源性非编码小核糖核酸（RNA）,通过与mRNA的3’-UTR互补结合,导致mRNA降解或翻译抑制来调控编码基因的表达。为了提高构建基因调控网络的准确度,提出一种基于粗糙集、融合粒子群（PSO）和遗传算法（GA）的基因调控网络构建方法（PSO-GA-RS）。该方法首先通过对序列信息进行特征提取;然后采用粗糙集的依赖度作为适应度函数,融合粒子群和遗传算法选出较优的特征子集;最后使用支持向量机（SVM）建立模型,预测未知的调控关系。在拟南芥数据集上进行实验,相比基于粗糙集和粒子群优化的特征选择方法和Rosetta算法,所提方法的预测准确率、F值和受试者工作特征（ROC）曲线面积最多能提高5%,在水稻数据集上最多能提高8%。实验结果表明所提方法能够比较准确地预测miRNA和靶基因之间的调控关系。