一种基于动态加权PPI网络的关键蛋白质识别算法

与静态PPI网络相比,动态PPI网络更能体现蛋白质之间相互作用的真实情况,并有效降低PPI网络中的假阴性。现有的关键蛋白质预测方法主要应用在静态PPI网络,忽视了PPI网络的动态特性。为有效预测关键蛋白质,利用基因表达数据提取蛋白质的动态信息,再结合静态PPI网络构建动态PPI网络,然后引入GO术语对网络加权,并基于动态加权PPI网络提出一种新的预测方法-DWE。该方法以蛋白质在动态网络中的动态加权边之和与蛋白质在动态网络中出现的次数的比值衡量蛋白质在网络中的关键性。实验结果表明动态加权PPI网络有助于提高关键蛋白质的预测精度,且DWE方法优于其他几种关键蛋白质预测方法。     

PPI网络在柔性自动生产线中的应用

利用PPI网路实现了柔性自动生产线自动化运行的协调控制，给出了PPI网络的连接与调试方法。     

S7-200PLC的NETR与NETW指令在网络通讯中的应用

对基于PPI协议的网络读写指令进行分析、研究,结合实例给出了基于PPI主站模式通讯网络连接的方法,阐述了网络通讯中数据交换的原理,并在此基础上叙述了软件的编程。     

融合Doc2vec与GCN的多类型蛋白质相互作用预测方法北大核心CSCD

多类型蛋白质−蛋白质相互作用(protein-protein interaction,PPI)的研究是从系统角度理解生物过程和揭示疾病机制的基础。现有的GNN-PPI、PIPR等针对多类型PPI预测方法在采用广度和深度优先搜索对数据集进行划分时,测试准确率会显著下降,因此本文基于Doc2vec方法思想和图卷积神经网络(graph convolutional network,GCN)技术,提出了一种新的多类型PPI预测方法GDP(GCN Doc2vec PPI)。该方法无需依赖蛋白质的物理和生物学特性,仅用序列信息对蛋白质进行编码,并结合网络结构信息对蛋白质进行特征聚合形成PPI信息,从而对其进行多类型预测。实验结果表明,该方法在不同规模的真实数据中可以有效地提高多类型PPI预测准确率,尤其是在训练集中未曾见过的新蛋白质之间的PPI。     

NOBEL: 一种基于拓扑信息与监督学习的蛋白质复合物识别方法

蛋白质复合物对于生物学家有效了解细胞组织和功能具有重要意义,如何通过计算方法从蛋白质-蛋白质相互作用(PPI)网络中识别复合物是当前研究热点之一。然而,由于PPI网络中存在大量假阴性和假阳性噪声数据且现有已知蛋白质复合物并不完整,使得如何克服PPI网络的噪声问题,以及更好地利用已知蛋白质复合物,成为蛋白质复合物识别亟待解决的关键问题。为此,该文提出一种基于蛋白质复合物拓扑信息,利用监督学习进行蛋白质复合物识别的算法(NOBEL)。首先,NOBEL根据蛋白质的生物信息和拓扑信息构建加权PPI网络,降低了网络中的噪声问题;然后,通过加权PPI网络和未加权PPI网络提取复合物拓扑信息作为特征,并根据提取的特征训练监督学习模型,使得监督学习模型能有效学习复合物蕴含的信息;最后,将训练好的模型应用于PPI网络识别蛋白质复合物。作者在四种真实PPI网络上进行了实验,实验结果表明,NOBEL与其他七种蛋白质复合物识别算法相比,在F-measure方面分别至少提高了4.39%(Gavin)、1.32%(DIP)、2.39%(WI-PHI_core)和2.34%(WI-PHI_extend)。     

基于不确定性PPI网络的最大稠密子图挖掘*

研究表明使用PPI数据进行蛋白质功能预测是很有意义的。然而,从生物学实验得到的PPI数据一般是含有噪声的、不完全的和不精确的,这使得将PPI网络作为不确定图来处理变得更加合理。提出了一种基于深度优先搜索策略和点扩展的挖掘算法,它可以有效地从不确定的PPI网络中挖掘最大稠密子图。该算法使用了几种高效的剪枝技术来提高挖掘的时间效率。在酵母菌PPI数据上的实验结果表明该算法在精度和效率上都有很好的表现。     

基于复杂网络理论的PPI网络拓扑分析

蛋白质相互作用在生命活动中起核心作用,由蛋白质相互作用构成的PPI网络的拓扑特性分析是后基因组时代最重要的研究课题之一。应用复杂网络理论对DIP数据库中7个物种的8个PPI网络的拓扑结构进行分析与研究。分析结果表明,这些PPI网络具有较小的平均路径长度和较高的聚集系数,其度分布服从幂规律,即p（k）=ak^-r,其中r大于1小于3,a近似等于1±0.5,表现出典型的无标度性,并具有高的异质性。其中平均度大于3.5的5个PPI网络对随机删除不超过10%的顶点都具有很好的鲁棒性,但对有选择的删除2%的高度顶点就开始表现出极弱的抗攻击性。     

基于局部优化与二分图匹配的PPI网络比对算法

生物蛋白质相互作用网络,简称PPI网络,是一种生物信息学中用来表示蛋白质之间相互作用关系的图模型。不同物种PPI网络之间的比对,有着重要的生物学意义,一个好的PPI网络比对算法,显得尤为重要。针对该问题,首次提出了LOBM(Local Optimization based on Bipartite graph Matching)算法。LOBM是一种能够局部优化既有比对结果,并且利用二分图匹配这一经典图论模型,来提高既有比对算法的比对效果。实验表明,LOBM相比一些现有的比对算法,在比对结果上有较大的提升。     

一种基于蛋白质交互网络链接预测的新方法

当前可用的生物数据在不断地迅速增长,仍有很多生物信息如蛋白质交互信息(protein-protein interac-tion,PPI)还未被发现,而这些潜在的或未知的信息对生物过程的研究是至关重要的。近年来,对未知生物信息的挖掘和研究吸引了很多人的关注。通过实验检测方法来发现这些信息是非常耗时耗力的,所以链接预测成为一种新的挖掘这些信息的指导方法。基于蛋白质交互网络并融合了基因表达数据信息,从拓扑和基因表达两个方面的信息来构建PPI权值网络,提出了一种在权值网络中基于相似度比较的链接预测的新方法来预测PPI网络中未知的交互信息。使用MIPS数据库评估了实验结果,表明了该算法有很好的准确率和良好的性能。     

社交网络节点中心性测度

研究节点影响力以及扩大节点影响力的范围在社交网络传播中具有重大意义。为了综合分析节点自身影响力与其潜在影响力,提出了PPI（Personal-Potential Influence,PPI）算法,用介数中心性值,紧密中心性值及k-shell值加权来评估节点自身影响力,再通过节点间的相互影响来评估其潜在影响力。实验结果表明PPI算法在评估节点影响力上有较好的准确性。