隨著人類基因組計(jì)劃的實(shí)施,生物醫(yī)學(xué)進(jìn)入后基因時代,系統(tǒng)全面地理解蛋白質(zhì)之間通過相互作用完成各項(xiàng)生命活動的規(guī)律已成為研究的熱點(diǎn)之一。蛋白質(zhì)互作用網(wǎng)絡(luò)作為復(fù)雜網(wǎng)絡(luò)之一,有明顯的社區(qū)結(jié)構(gòu),這些社區(qū)結(jié)構(gòu)通常對應(yīng)于特定的功能模塊,稱為蛋白質(zhì)復(fù)合物。從大規(guī)模蛋白質(zhì)互作用網(wǎng)絡(luò)中識別蛋白質(zhì)復(fù)合物對預(yù)測蛋白質(zhì)功能,解釋特定的生物進(jìn)程具有重要作用�；趫D聚類算法,發(fā)現(xiàn)蛋白質(zhì)互作用網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)(也稱為簇),是進(jìn)行蛋白質(zhì)復(fù)合物識別的有效方法�；诜N子擴(kuò)展策略的圖聚類算法可以有效發(fā)現(xiàn)大多數(shù)已知的蛋白質(zhì)復(fù)合物,然而這類算法的聚類結(jié)果受種子節(jié)點(diǎn)選取的影響較大,且擴(kuò)展過程一旦結(jié)束,聚類結(jié)果將不再調(diào)整。本文從智能優(yōu)化算法角度設(shè)計(jì)圖聚類算法發(fā)現(xiàn)蛋白質(zhì)互作用網(wǎng)絡(luò)中的稠密社區(qū),進(jìn)而進(jìn)行蛋白質(zhì)復(fù)合物識別,主要包括以下兩方面工作:(1)提出了基于遺傳策略的圖聚類算法GAGC(Genetic Algorithm based Graph Clustering,GAGC),設(shè)計(jì)了遺傳算法的染色體表示方式;改進(jìn)IPCA的種子節(jié)點(diǎn)選擇方式,產(chǎn)生初始種群;選擇f-measure作為種群進(jìn)化的目標(biāo)函數(shù),評價染色體質(zhì)量;設(shè)計(jì)了染色體對齊方式,...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究背景、目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文框架
第二章 理論基礎(chǔ)
    2.1 圖論基礎(chǔ)知識
    2.2 遺傳算法與粒子群優(yōu)化算法
    2.3 蛋白質(zhì)復(fù)合物算法評價指標(biāo)
    2.4 本章小結(jié)
第三章 基于遺傳算法的蛋白質(zhì)復(fù)合物識別算法GAGC
    3.1 目標(biāo)函數(shù)-個體適應(yīng)度
    3.2 GAGC算法
        3.2.1 初始種群產(chǎn)生過程InitialPopulation
        3.2.2 選擇策略
        3.2.3 基于染色體對齊的交叉策略
        3.2.4 染色體對齊機(jī)制
        3.2.5 變異策略
        3.2.6 基于遺傳算法的圖聚類算法GAGC流程
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 基于離散粒子群優(yōu)化算法的蛋白質(zhì)復(fù)合物識別算法
    4.1 粒子位置和速度的定義
    4.2 目標(biāo)函數(shù)
    4.3 粒子群初始化
    4.4 粒子狀態(tài)更新規(guī)則
    4.5 DPSOPC算法框架描述
    4.6 實(shí)驗(yàn)結(jié)果與分析
        4.6.1 實(shí)驗(yàn)配置與數(shù)據(jù)集
        4.6.2 與智能優(yōu)化算法的對比實(shí)驗(yàn)
        4.6.3 與其它算法的對比實(shí)驗(yàn)
        4.6.4 算法識別的復(fù)合物示例
    4.7 本章小結(jié)
第五章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝
個人簡況及聯(lián)系方式



本文編號：4049764