人類基因組測序的完成讓蛋白質組學研究成為了生命科學的重要領域之一。蛋白質作用參與了人體的各個生命活動,例如遺傳物質復制、基因表達控制、代謝等活動都依賴于蛋白質-蛋白質相互作用（PPI）。因此,對PPI網(wǎng)絡的研究有助于人們系統(tǒng)地了解其多樣的生物學過程,PPI網(wǎng)絡在后基因組時代受到越來越多的關注。在如今科技的發(fā)展趨勢下,高通量技術也在不斷完善中,得益于高通量技術的發(fā)展提升,越來越多的PPI數(shù)據(jù)能夠被收集起來。然而盡管其中部分蛋白質的功能已經(jīng)被加以標注,但未被標注功能的蛋白質數(shù)目也隨著不斷被收集的PPI網(wǎng)絡數(shù)據(jù)而日漸擴大。因此如何能夠科學高效的標注蛋白質功能成為生物課題研究中的一個重點內容。在目前已經(jīng)被收集的蛋白質數(shù)據(jù)中,有相當大一部分的蛋白質的特征信息已經(jīng)明確,而更多的是僅僅存在于相互作用網(wǎng)絡中的蛋白質數(shù)據(jù),它們沒有其他附加的特征信息來幫助預測功能。對于僅僅存在于相互作用網(wǎng)絡中沒有其他特征信息的蛋白質,我們無法直接用分類的方法去預測它們的功能,卻可以考慮用網(wǎng)絡嵌入的方法學習出PPI網(wǎng)絡中每個蛋白質數(shù)據(jù)點的低維表示,并以此作為蛋白質的特征來預測蛋白質功能。而那些具有特征信息的蛋白質,我們可以... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

利用邊緣介數(shù)對原始PPI網(wǎng)絡進行加權Fig3.1weighttheoriginalPPInetworkwithedgebetweenness

第三章基于網(wǎng)絡嵌入和特征選擇的蛋白質功能預測22（1）算法收斂性分析：這一部分用實驗結果證實了目標函數(shù)值在優(yōu)化過程中不斷收斂直到趨于穩(wěn)定，如圖3.2所示。圖3.2（a）展示了收斂過程中目標函數(shù)值的變化趨勢。此外，隨著迭代次數(shù)的平均進動如圖3.2（b）所示。（a）（b）圖3.2算法目標函數(shù)收斂性分析Fig3.2Convergenceanalysisoftheobjectivefunctionofthealgorithm（2）PPI網(wǎng)絡的加權低維嵌入表示效果分析：在這一部分，我們將加權PPI網(wǎng)絡低維嵌入的數(shù)據(jù)重構結果與原始PPI數(shù)據(jù)進行比較。在這里，如3.31章節(jié)內容所述，我們將PPI網(wǎng)絡的原始二分鄰接矩陣和權值鄰接矩陣嵌入到相同的維度空間中，實驗結果在圖3.3中給出。顯然，與直接將PPI網(wǎng)絡的原始二分鄰接矩陣相比，使用權值鄰接矩陣來學習網(wǎng)絡低維表示的殘差更校結果表明，邊介數(shù)在保持PPI網(wǎng)絡結構的有效性，這充分體現(xiàn)了我們的嵌入策略的優(yōu)越性。并且，在圖3.4中，利用邊介數(shù)構造權值鄰接矩陣后學習的PPI網(wǎng)絡低維表示（圖3.4（b））明顯比二分鄰接矩陣的低維嵌入結果更加接近（圖3.4（a）），這更加證明了使用邊介數(shù)加權的有效性。

安徽大學碩士學位論文23圖3.3兩種不同加權PPI網(wǎng)絡嵌入表示的殘差Fig3.3ResidualoftwodifferentweightedPPInetworkembeddingrepresentations圖3.4兩種不同加權PPI網(wǎng)絡的低維分布Fig3.4Low-dimensionaldistributionsoftwodifferentweightedPPInetworks（3）算法準確性的比較實驗結果分析：在這一部分中，我們將所提出的多標簽分類模型與目前最先進的幾種用于蛋白質功能預測的多標簽分類方法的性能進行了比較。我們選擇的比較方法如下所述：BP-MLL[39]：這個方法是Zhang等人提出的一個用于多標簽學習的反向傳播神經(jīng)網(wǎng)絡算法，它是由流行的反向傳播算法，通過引入一個新的誤差函數(shù)去捕獲多標簽學習的特征。ML-RBF[40]：此方法是在廣泛使用的RBF方法的基礎上，提出的一種新的多標簽神

【參考文獻】：
碩士論文
[1]基于流形學習的蛋白質功能預測與優(yōu)化[D]. 梁華東.安徽大學 2017



本文編號：3095781