中科院两位院士莅临西门子 自动化之光——未来城

3月9日,西门子自动化与驱动集团的超大型全球巡展活动"自动化之光未来城"(exiderdome)巡展迎来了两位特别的客人中科院院士,中国自动化学会理事长,信息技术科学部副主任戴汝为先生和中科院院士,中国自动化学会副理事长,北京生物工程学会生物信息学专业委员会主任李衍达先生。随行的还有中国自动化学会第四——第八届副理事长孙柏林先生,中国科学院自动化研究所副所长王飞跃先生,他们在西门子(中国)有限公司执行副总裁及自动化驱动集团总裁何维克先生等的陪同下兴致勃勃地进行了参观。     

词法分析工具在数据文件中的应用

词法分析是程序编译中的重要组成模块,它的任务是识别源程序中最小的语法单位.本文使用flex作为构建词法分析工具,把应用推广到数据文件分析中,并以生物大数据文件为例子,使用词法分析工具构建数据文件分析器,对文件中的数据进行检索和分析,展示词法分析工具的广阔应用.     

生物信息学教学与医科学生计算思维培养

随着生命科学与计算科学的交叉越发紧密,计算思维培养已成为医学院校计算机教育的研究热点。文章分析生物信息学与计算思维培养的关系,提出以生物信息学为课程载体,在"让思维具有计算特征"的教学中培养医科学生的计算思维能力。     

基于字典的DNA序列压缩算法研究及应用*

在现有DNA序列数据压缩算法的基础上,以DNA序列数据的存储效率及生物学解释综合考虑,设计并实现了基于字典的DNA序列压缩算法DNADCompress.算法核心包括重复子串字典建立、字典项筛选、字串压缩编码三方面.实验数据表明,数据压缩算法压缩效果达到常用DNA序列压缩算法水平,并为序列生物学解释提供了基础.     

基于HMM的基因识别并行计算

本文分析了传统的串行基因分析方法的局限性,阐述了基于隐马尔科夫模型的基因识别方法和原理,最后给出了基于隐马尔科夫模型的并行算法并进行了并行效果分析,指出了并行计算在生物信息学领域的广阔前景及重要意义。     

结构关系模式挖掘在生物信息中的应用

把数据挖掘应用到SNP和单体型分析,采用数据挖掘的方法得到SNP位点序列和单体型序列,从结构关系模式挖掘的角度,分析SNP位点之间、单体型之间可能存在的结构关系.并为用结构关系模式挖掘分析SNP和单体型之间的结构关系奠定基础.     

针对H1N1病毒的多特征siRNA设计

针对甲型流感病毒H1N1基因,从RNAi的角度出发,采用多特征融合的方法,进行siRNA预测。对2009年的46株病毒序列的PA片段进行分析,从经过序列分析所获得的众多靶序列中,采用结构分析手段对靶序列进行筛选,获得较易干扰的靶序列及设计出相应的siRNA。2009年爆发的H1N1病毒,序列保守性高,靶序列一致性高,结构保守性高。该方法可以有效选择可能的靶序列,并在此基础上进一步筛选,以获得少量较易干扰的靶序列,该方法为复杂序列siRNA的设计提供了新思路,对siRNA的优化设计有指导意义,有助于利用RNAi进行H1N1治疗的后续研究。     

基于动态算法的序列分析

为了获得2009年新型甲型H1N1流感病毒与2008流感病毒的基因序列及氨基酸序列的一致性,以便对一个基因家族的生物学特征有一个简明扼要的了解,针对目前流行的新型甲型H1N1流感病毒的基因序列及其所编码的氨基酸序列,采用动态规划算法对其一级序列进行序列相似度分析,获得了2009年新型甲型H1N1流感病毒的NA和M基因片段以及2008年猪源性甲型H1N1流感病毒的相应基因片段同源性高、在有些位点发生了基因突变增添和突变缺失等重要基因信息。为此次新型甲型H1N1流感病毒的研究提供了依据。     

非负矩阵分解算法及其在生物信息学中的应用研究

非负矩阵分解是近年来快速发展的一类机器学习算法,能够实现对高维数据的维度规约及局部特征提取,在诸多生物信息问题的分析与处理中得到了广泛应用,并衍生出一系列实用算法。本文系统分析了非负矩阵分解的数学理论基础及其特有的局部表达属性,综述了标准非负矩阵分解与各种衍生算法的发展历程及算法初始化与参数选取方法的研究进展,并从序列特征分析、表达模式与功能模块识别、生物医学文献挖掘等几个方面总结了非负矩阵分解算法在生物信息学领域的应用成果。最后,指出了非负矩阵分解算法研究及其应用于生物信息处理所面临的问题,分析和预测了可能的发展方向。     

基于非线性降维算法的膜蛋白类型识别

众所周知,研究未知膜蛋白的类型可对基础研究和药物发现提供有用的线索。在后基因组时代,伴随着蛋白质序列数量的剧增,用实验方法确定膜蛋白类型太过昂贵和费时。因此,研究出一种能够自动发现可能的膜蛋白的计算方法变得很重要。鉴于这种情况,曾有人采用DC(Dipeptide Composition)方法表示蛋白质序列并取得了很好的预测结果。然而,采用这种表示方法得到的特征维数很高,冗余很大,使得预测系统十分复杂。为了解决这个问题,本文采用非线性降维算法KPCA(Kernel Principle component analysis),通过从高维的DC(Dipeptide Composition)特征空间中提取出低维的重要特征来简化该系统,采用K-NN(K-nearest neighbor)分类器从约简后的低维特征中预测膜蛋白类型。实验结果表明,使用KPCA方法预测膜蛋白类型非常有效。