电子细胞模型Analog-Cell中基因表达调控的模拟实现

电子细胞模型的研究是人工生命的重要研究领域之一,Analog-Cell是国内第1个电子细胞图形模型,用于在分子水平上图形化的模拟真核细胞的基因表达过程.扩展的Analog-Cell添加了在基因表达过程中起重要作用的酶和调控因子,利用状态控制机制,设计并实现了转录、mRNA的加工和翻译3个阶段中基因表达调控的主要反应的算法,并结合模拟示例展示了这些算法的运行结果.模拟实验结果表明,设计的算法符合生物学原理,使Analog-Cell具备了一定的图形化模拟基因表达调控反应的能力.最后,指出了上述工作给Analog-Cell带来的新优势,并对下一步工作进行了展望.     

电子细胞中前体mRNA加工过程的模拟与研究

前体mRNA的加工是基因表达过程中必需的一个步骤,是调节基因表达和产生具有生化活性的蛋白质的重要机制,现有的电子细胞模型对前体mRNA的加工过程模拟得较少。自主开发设计的Analog-Cell电子细胞模型定义了反应过程中的反应规则,提出了模拟前体mRNA加工过程的多个算法,真实地再现了基因表达这一细胞内重要的生命活动,并得到了比较理想的模拟结果。     

Analog-Cell电子细胞模型中基于并发约束的随机模型构架

提出了一种在电子细胞模型中基于并发约束的随机模型架构方法,应用该架构建立了模拟基因表达过程的电子细胞模型Analog-Cell.模拟结果表明Analog-Cell这种基于并发约束的随机模型构架能更准确地反映出生物系统的真实性,相比其他电子细胞模型含有更丰富的图像信息,能更清晰地观察细胞内基因表达的全过程,具有良好的应用前景.     

利用脱氧核酶调控基因表达的DNA计算模型研究(英文)

用于逻辑调控基因表达分子自动机的研究是DNA计算的重要研究领域．文中将脱氧核酶技术应用于DNA计算研究当中,利用脱氧核酶的特性,特别是可以作为反义药物的特点,作为构建分子自动机的主要材料,设计了调控基因H—ras表达的DNA计算模型,而且模型也可适用于其它过表达基因的调控．结合DNA计算具备的高度并行性和智能性的优点,该模型为DNA计算在基因表达调控方面的应用做了进一步探索．     

用并行计算从基因表达数据构建大规模基因调控网络

为解决大规模基因调控网络构建算法精度不高、计算时间过长的问题,提出一种从基因表达数据分析出发,并行计算和阈值限定相结合的新算法来构建大规模基因调控网络。该算法中基因间交互强度值采用条件互信息值度量,并行计算采用GPU与CPU相结合的CUDA与Open MP架构。综合数据集的运行结果证明该算法较新的构建算法(如贝叶斯模型算法和微分方程模型算法)相比,在构建大规模基因调控网络时有更高的运算精度和更短的运行时间。     

基因表达谱芯片数据挖掘系统*

基因芯片是基因组研究的重要工具,其数据分析极大依赖于数据挖掘技术。结合数据挖掘技术和生物信息学研究,设计并实现了若干基因表达谱芯片数据挖掘分析模型及相应的数据挖掘系统,具有良好的收缩性和实体独立性,底层复杂的数据挖掘算法对用户透明。     

基于支持向量机的微阵列基因表达数据分析方法

DNA微阵列技术，使人们可以同时观测成千上万个基因的表达水平，对其数据的分析已成为生物信息学研究的焦点．针对微阵列基因表达数据维数高、样本小、非线性的特点，设计了一种基于支持向量机的基因表达数据分类识别方法，该方法采用信噪比进行基因特征提取，运用支持向量机的不同核函数进行性能测试，针对几个典型数据集的实验表明其识别效果良好．     

基于改进Multi-Agent系统的基因表达数据的分析与研究

通过介绍改进的多代理系统在分析基因表达数据中的应用,揭示了运用普通分类器找出有效的分类基因,而且这些普通分类器在研究基因表达数据库时可被代理使用.这样就可得到一个具有大量基因特征的小子集,并且用它可以帮助辨认病人的临床状况和特征.实验表明代理通过改进和相互协作可改进其性能,并通过两个著名的基因表达问题来展示项目的研究成果,而且使得量度的准确性在维数增加时变得不很敏感.     

基因表达数据的并行双向聚类算法

基因表达数据的双向聚类问题是生物信息学中的一个重要的问题,通过对基因在各种不同实验条件下的表达数据进行双向聚类,可以分析和识别同类基因所共同拥有的基因功能以及转录调控元件.本文对基因表达数据进行双向聚类的问题进行了深入的研究.提出一种并行算法.该算法根据数据集合的大小对双向聚类质量的反单调性,由最小的数据集合开始逐步添加行或列,最终找到所有满足条件的聚类.实验结果表明,该算法处理速度快,聚类质量高,性能明显优于其它同类算法.     

多细胞基因表达式编程的函数优化算法

针对处理复杂的函数优化问题时传统演化算法易出现收敛性能不佳、搜索冗长和精度不高等问题,提出了一种基于多细胞基因表达式编程的函数优化新算法.该算法引入了同源基因和细胞系统思想,设计了相应新的个体编码方案、种群生成和遗传操作策略.通过对8个Benchmarks函数的对比实验,验证了该算法具有很强的全局寻优能力、较佳的收敛性能和更高的解精度.     

基于基因表达谱的小圆蓝细胞瘤亚型识别

基于基因表达谱提出了一种依据类加权Bhattacharyya距离提取特征基因并使用人工神经网络(ANN)进行肿瘤亚型识别的方法。分析了儿童小圆蓝细胞瘤(SRBCTs)的基因表达数据后,在训练样本集上计算出各个基因的类加权Bhattacharyya距离,并据此选择特征基因构造若干ANN模型,利用独立测试集验证其分类能力,且依据分类错误率最小的原则确定了含40个基因的特征基因组合。基于该特征基因组合的ANN模型不仅正确地识别了所有的患病样本的亚型,还能鉴别非患病样本。     

基于动态适应度的基因表达式编程挖掘反函数

为提高基因表达式编程(GEP)发现知识效率,提出并实现了基因表达式编程的动态适应度函数. 将逐步权重自适应(SAW)应用于基因表达式编程中适应度函数的动态调整;将线性N维向量函数引入作为适应度函数的组件,用于提高求适应度效率;通过挖掘反函数和方程求解的实验, 表明新方法比传统基因表达式编程所求得的反函数表达式的精确度有较大的优势,性能提高约8%.     

基于基因表达式编程的知识发现的三项新技术--转基因,重叠基因表达和回溯进化

介绍了在研发基于基因表达式编程(GEP)的知识发现的三项新技术,包括:(a)转基因技术,通过注入转基因,引导进化方向,控制知识发现过程;(b)重叠基因表达,借鉴生物基因片段重叠表达,引入重叠基因概念,节约了表达空间;(c)回溯进化,借鉴生物“返祖现象”,引入回溯检查点概念和可回溯GEP算法、设计了等比递增检查点序列和加速递增检查点序列,约束回溯过程。实验表明,三项技术在一定的场合下分别提高了知识发现的性能1至2个数量级。     

Cancer classification from serial analysis of gene expression with event models

Cancer class prediction and discovery is beneficial to imperfect non-automated cancer diagnoses which affect patient cancer treatments. Serial Analysis of Gene Expression (SAGE) is a relatively new method for monitoring gene expression levels and is expected to contribute significantly to the progress in cancer treatment by enabling an automatic, precise and early diagnosis. A promising application of SAGE gene expression data is classification of cancers. In this paper, we build three event models (the multivariate Bernoulli model, the multinomial model and the normalized multinomial model) for SAGE gene expression profiles. The event models based methods are compared with the standard Naïve Bayes method. Both binary classification and multicategory classification are investigated. Experiments results on several SAGE datasets show that event models are better than standard Naïve Bayes in general. Normalized Information Gain (NIG), an extension of Information Gain (IG), is proposed for gene selection. The impact of gene correlation on the classification performance is investigated.     

基于统计分析和停滞速度的GEP自动建模*

介绍了基因表达式程序设计的基本原理,并针对经典GEP算法存在的不足提出了一种基于统计分析和停滞速度的改进GEP算法——SACVGEP。其特点在于：用重复体统计的方法改进了初始种群的生成;提出停滞速度概念;引入了动态变异算子。最后,将该算法用于求解复杂函数自动建模并与传统方法、神经网络方法、经典GEP方法等进行比较。实验结果表明,用此方法建立的模型比传统方法、神经网络方法、经典GEP等方法具有更好的性能。     

不同胰岛素敏感状态下大鼠基因数据处理

胰岛素抵抗是目前众多老年慢性疾病发病的共同途径,其发生机制的研究对于寻找与制定疾病的防治策略最有重要的意义,但传统的研究方案往往局限于某个器官、一货机种代谢产物,或某一、两种基因参与的条件,得出的结论多为局部描述性,难以进行规律上的探素.基于两种组织(肌肉和肝脏)3种不同胰岛素敏感状态下(限食、对照、肥胖)的12组4 040条基因芯片数据,从基因表达数据的统计分析开始,观察不同胰岛素敏感状态下的大鼠组织对糖刺激反应的基因表达情况,比较、阐述胰岛素抵抗发生的分子机理;并通过SOM聚类分析的方法,发现不同胰岛素敏感状态下的大鼠基因表达变化下所隐藏的表达模式,从而为进一步分析胰岛素抵抗发生的分子机理提供了可能.     

时间序列信号多尺度FCM聚类方法

目的：探讨基因海量时间序列信号的归类方法。方法：将小波多尺度分析引入,在多个尺度上进行聚类,并结合FCM得到新的聚类算法。结果：应用新的聚类方法,对小脑组织的一组基因芯片时间序列信号进行分析,通过分类结果对照发现,各类中的大多数基因生物学意义接近。结论：此改进的聚类方法是有效的,是一种新的思路。