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。     

一种新的度量生物复杂网络模块性的方法

在生命科学领域,生物网络的概念也被大量引入,用以系统地表示复杂的生物过程。模块性是很多复杂网络都具有的特征,因此生物网络模块性的研究成为系统生物学一个重要的研究方向。为了更加深入地了解生物系统的组成和机理,本文提出了一种度量网络模块性的新方法,并将该序列指标应用于酵母转录因子调控网络和多个物种的代谢网络,结果发现酵母转录因子调控网络并不具有模块性而代谢网络具有显著的模块性。在应用中,代谢网络的功能模块度与平均聚类系数的相关性还说明我们的指标比平均聚类系数更适合刻画网络的功能模块性。另外,该指标的提出使得各种不同物种网络模块性的比较或者各种不同模块划分(或识别)方法的评价成为可能。     

模拟退火算法在生物网络研究中的应用

生物网络的功能模块识别是当前生物信息学和系统生物研究领域的一个重要研究主题。首先介绍了模拟退火算法的基本原理,分析了聚集系数和模块性等与生物网络功能模块识别相关的一些基本概念,随后阐述了模拟退火算法在生物网络功能模块识别方面的应用。最后,通过新陈代谢网络和蛋白交互网络这2种具体生物网络的模块划分实例,证实了模拟退火算法在生物网络功能模块研究方面的高效性。     

基于生物网络的智能控制与优化研究进展

生物网络在生物系统中扮演着维持动态平衡的重要角色,受其启发可提出多种新颖的智能控制和优化的理论与技术.为此,对这一研究领域进行了较系统的综述,主要包括受免疫网络、神经内分泌网络、神经内分泌免疫网络、生物整体网络等研究领域启发而形成的控制理论、技术及其应用方法.未来基于生物网络的智能控制与优化,将更加注重对上述生物网络间互连融合以及协同机制的进一步挖掘,及其在控制理论和工程方面的创新应用,同时充分吸收生物学最新成果,抽象并产生多种新型生物智能控制器及其控制方法,以更好地满足复杂系统对智能系统的应用需求.     

基因共表达网络的构建及分析方法研究综述

随着高通量生物实验技术的快速发展,特别是基因芯片和新一代测序技术的发展,全基因组范围内的基因表达数据呈爆炸式增长。利用网络生物学的方法对高通量基因表达数据进行分析和挖掘已经成为生物信息学重要的研究方向。对基因共表达网络的研究与分析从系统层面上加深了研究人员对生物系统的认识。本文综述了基因共表达网络的构建和分析的常用方法,主要包括基因相似性度量方法、阈值选择方法、拓扑分析方法、基因模块识别及其功能注释方法,并对一些常用的分析工具进行了分析总结。     

动态网络模式挖掘方法及其应用

静态复杂网络研究在揭示社会网络、信息网络和生物网络的形成和演化机制方面取得了重要成果,其方法和结果对系统生物学产生了重要影响.但现实世界中,很多网络是随时间发生变化的,即动态网络.以动态网络为对象,对动态网络的拓扑特性分析、动态网络相关的各种模式挖掘模型和方法进行了综述、比较和分析.特别地,将动态网络模式分析方法应用于生物网络和社会网络,分析了生物网络相关的动态功能模块和模式演化问题、科学家合作网络和社交网络的动态模式.最后指出了动态网络的模式挖掘方法及其在动态生物网络和社会网络研究中存在的问题和挑战,并对未来的研究方向进行了分析.     

基于指纹和声纹的身份认证技术研究

基于生物特征识别的身份认证技术已经应用于多个领域,然而单一的生物特征有各自的优缺点,为了提高身份认证的安全性和鲁棒性,对多生物特征进行融合便成为了身份认证技术新的研究方向。将指纹识别和声纹识别通过加权融合的方法在匹配层进行融合,实验结果表明,融合系统的等错误率(EER)比指纹识别和声纹识别提高了0.3%~0.4%,证明了融合系统识别率有所提高。     

步态识别研究进展

近年来步态识别技术已经成为生物特征识别领域一个新的研究热点。该技术是唯一可在远距离非接触状态下识别生物特征的技术,因此引起了各国学术科研机构的重视。对步态识别系统的一般处理过程进行了综述,重点分析和跟踪了步态特征提取技术的最新研究进展,讨论了各种方法中典型技术的优缺点和步态识别技术所面临的挑战,并概括介绍了常用的步态评测数据库和实验结果,最后展望了步态识别技术未来的发展方向和趋势。     

基于模体的目标区域网络拓扑划分方法

随着信息社会的发展,网络安全的重要性日益凸显,准确获取网络实体的地理位置有助于更好地实施网络管理。现有经典的基于拓扑启发式聚类的网络实体定位方法,采用基于网络结构的集群划分对网络实体进行聚类,由于没有考虑网络拓扑的具体特性,导致最后的结果误差较大。为解决这一问题,提出一种基于模体的目标区域网络拓扑划分方法。该方法根据目标网络拓扑呈现局部节点高聚类性的特点,创新性地引入"模体"的概念,在目标网络拓扑中挖掘模体结构并进行分析;然后借鉴复杂网络研究领域内局部社团发现方法中初始种子扩展的思路,以模体结构为初始种子进行相应扩展,将拓扑中与模体紧密相连的节点划分为多个集合;最后分别根据地标和公开的IP地理位置数据库对划分的节点集合进行定位,将集合的位置作为集合内节点的地理位置,从而实现网络实体的批量定位。基于香港和台湾两个地区网络拓扑的实验结果表明,该方法与经典的HC-Based方法、NNC方法相比,在网络实体定位准确率上分别能提高25%和16%左右,并且可批量定位的网络实体更多。     

轻量级网络在人脸表情识别上的新进展

作为人工智能领域的热门研究方向,人脸表情识别（facial expression recognition,FER）是让计算机获取人类感情最直接最有效的方式,在人机交互、智慧医疗、疲劳驾驶等研发课题中占据关键的技术地位。为了满足高识别率的应用需求,FER深度学习网络结构愈发复杂,占用了大量的计算资源和存储空间,严重影响了算法实时性的要求。围绕如何在有效提升模型运算速度的同时,保障模型的精度这一问题展开综述。首先,介绍了利用轻量级网络实现表情识别的重要数据集;其次,对用于人脸表情识别的经典轻量级网络模型进行了分析;再次,阐述了主要的网络轻量化方法的原理、特点及适用场景;最后,总结了轻量级网络在人脸表情识别研究中存在的问题和挑战,对未来的研究方向进行展望。