本文選題：蛋白質(zhì)相互作用網(wǎng)絡(luò) + 人工魚(yú)群算法　； 參考：《陜西師范大學(xué)》2012年碩士論文

【摘要】：隨著人類(lèi)基因組計(jì)劃的完成和蛋白質(zhì)組學(xué)的研究進(jìn)展,由生物體動(dòng)態(tài)產(chǎn)生并執(zhí)行遺傳程序的蛋白質(zhì)逐漸進(jìn)入人們的視線(xiàn)。眾所周知,蛋白質(zhì)是是構(gòu)成一切細(xì)胞組織的必不可少的成分,是生理功能的執(zhí)行者。但是研究表明細(xì)胞中的大部分蛋白質(zhì)并不是孤立存在的,而是與其它蛋白質(zhì)一起進(jìn)行相互作用來(lái)行使其功能的。在一個(gè)生命體內(nèi),所有蛋白質(zhì)之間的相互作用組成的網(wǎng)絡(luò)稱(chēng)為蛋白質(zhì)相互作用(Protein-Protein Interaction, PPI)網(wǎng)絡(luò)。通過(guò)對(duì)PPI網(wǎng)絡(luò)的模塊化研究可以從分子水平上預(yù)測(cè)未知蛋白質(zhì)的功能,從而進(jìn)一步揭示生長(zhǎng)發(fā)育、新陳代謝等細(xì)胞活動(dòng)的規(guī)律以及生命過(guò)程中的許多本質(zhì)問(wèn)題,并有利于疾病的診斷和病理的深入研究,同時(shí)推動(dòng)生物學(xué)、醫(yī)學(xué)以及生物信息學(xué)等多種學(xué)科的研究和發(fā)展。 群智能優(yōu)化算法是模擬自然界生物系統(tǒng)通過(guò)無(wú)意識(shí)的尋優(yōu)行為來(lái)優(yōu)化其生存狀態(tài)并適應(yīng)環(huán)境的一類(lèi)新型的最優(yōu)化方法,具有自組織性、可擴(kuò)展性和較強(qiáng)的魯棒性,目前已經(jīng)成功地解決了數(shù)據(jù)挖掘、圖像處理、函數(shù)優(yōu)化、TSP等領(lǐng)域的許多問(wèn)題。本文對(duì)群智能算法的特點(diǎn)和優(yōu)勢(shì)進(jìn)行了簡(jiǎn)單概述,并詳細(xì)介紹了幾種主流的智能優(yōu)化算法的原理以及算法步驟。針對(duì)傳統(tǒng)的聚類(lèi)算法和功能流聚類(lèi)算法在解決PPI網(wǎng)絡(luò)聚類(lèi)問(wèn)題上存在的缺陷,如正確率和查全率較低、時(shí)間復(fù)雜度較高以及預(yù)先設(shè)置聚類(lèi)數(shù)目等問(wèn)題,本文結(jié)合PPI網(wǎng)絡(luò)的小世界和無(wú)尺度的拓?fù)浣Y(jié)構(gòu)特征,分別采用了蟻群算法、人工魚(yú)群算法以及細(xì)菌覓食優(yōu)化算法解決PPI網(wǎng)絡(luò)的聚類(lèi)問(wèn)題。 本文首先在基本功能流聚類(lèi)算法的基礎(chǔ)上融入了蟻群優(yōu)化算法的機(jī)理,提出了一種基于信息素更新的蟻群優(yōu)化(Variable Pheromone based Ant Colony Optimization. VPACO)PPI網(wǎng)絡(luò)聚類(lèi)算法。該算法將食物源看作聚類(lèi)中心,將螞蟻看作除了聚類(lèi)中心之外的蛋白質(zhì)結(jié)點(diǎn)。在PPI網(wǎng)絡(luò)聚類(lèi)過(guò)程中,蛋白質(zhì)結(jié)點(diǎn)根據(jù)它們距離聚類(lèi)中心的路徑上的信息素的濃度以及對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移概率判斷是否歸并到該聚類(lèi)中心所在的聚類(lèi)模塊中。PPI數(shù)據(jù)上的仿真結(jié)果表明該算法可以有效地提高聚類(lèi)結(jié)果的正確率以及查全率。 采用智能優(yōu)化算法機(jī)理優(yōu)化基本功能流的方法可以有效地預(yù)測(cè)未知蛋白質(zhì)的功能,但是時(shí)間復(fù)雜度比較高。為此本文直接將人工魚(yú)群算法的機(jī)理應(yīng)用到PPI網(wǎng)絡(luò)聚類(lèi)問(wèn)題上,將人工魚(yú)看作是一組聚類(lèi)中心,在人工魚(yú)執(zhí)行覓食行為的過(guò)程中,算法從聚類(lèi)中心開(kāi)始向它的鄰接結(jié)點(diǎn)搜索生成聚類(lèi)模塊。接下來(lái)執(zhí)行追尾行為,將適應(yīng)度值最大的人工魚(yú)對(duì)應(yīng)的一組聚類(lèi)模塊看作初始的聚類(lèi)結(jié)果,剩下的人工魚(yú)開(kāi)始執(zhí)行聚群行為,判斷對(duì)應(yīng)的聚類(lèi)模塊與初始的聚類(lèi)結(jié)果之間的相似度,如果低于給定的閾值,則添加到初始的聚類(lèi)結(jié)果中。仿真結(jié)果表明該算法可以自動(dòng)確定聚類(lèi)數(shù)目,而且聚類(lèi)結(jié)果的正確率和算法的運(yùn)行效率都優(yōu)于功能流聚類(lèi)算法。 另外考慮到PPI網(wǎng)絡(luò)中的蛋白質(zhì)結(jié)點(diǎn)可能具有一種或者多種功能,本文提出了一種基于直覺(jué)模糊集的改進(jìn)細(xì)菌覓食優(yōu)化算法,簡(jiǎn)稱(chēng)為IFBFO(Intuitionistic Fuzzy set based Bacteria Foraging Optimization)算法。該算法在細(xì)菌執(zhí)行復(fù)制行為操作的過(guò)程中,采用直覺(jué)模糊集中的隸屬度和猶豫度對(duì)PP1網(wǎng)絡(luò)中的蛋白質(zhì)結(jié)點(diǎn)進(jìn)行聚類(lèi),猶豫度較高的蛋白質(zhì)結(jié)點(diǎn)可以歸并到一個(gè)或者多個(gè)功能模塊中,因此會(huì)產(chǎn)生重疊的聚類(lèi)模塊。仿真實(shí)驗(yàn)結(jié)果表明該算法可以有效地提高聚類(lèi)結(jié)果的查全率,并能更準(zhǔn)確地檢測(cè)出功能相同的蛋白質(zhì)聚類(lèi)模塊。
[Abstract]:With the progress of human genome project and complete proteome study, produced by organisms and perform dynamic genetic program of protein gradually into people's sight. As everyone knows, is a protein which all the tissue essential ingredient is the executor of the physiological function. But the research shows that most of the protein in the cell is not isolated but, together with other proteins interact to perform their functions. In an organism consisting of all interactions between proteins known as protein interaction network (Protein-Protein Interaction PPI) network. To predict unknown protein functions at the molecular level can be studied by means of modularization on the PPI network, thus further to reveal the growth of many cell activities of the nature of the problem The new supersedes the old. law and in the course of life, It also facilitates the diagnosis and pathology of the disease, and promotes the research and development of biology, medicine and bioinformatics.
Swarm intelligence optimization algorithm is simulated through unconscious behavior optimization to optimize the survival state and adapt to a new environment optimization method of natural biological systems, with self-organization, scalability and robustness, has successfully solved the data mining, image processing, function optimization, many problems of TSP other fields. In this paper, the characteristics and advantages of swarm intelligence algorithms were introduced simply, and introduced several mainstream intelligent optimization algorithm principle and algorithm steps. Aiming at the limitation of traditional clustering methods and functional flow clustering algorithm exists in the PPI network to solve the clustering problem, such as accuracy and low recall. The time complexity is high and the preset number of clusters, this paper combines the PPI network of the small world and scale-free topology characteristics, using ant colony algorithm, artificial fish swarm algorithm The algorithm and bacterial foraging optimization algorithm solve the clustering problem of PPI network.
Based on the basic functions of the current clustering algorithm into the mechanism of ant colony optimization algorithm, this paper proposed an ant colony optimization based on pheromone update (Variable Pheromone based Ant Colony Optimization. VPACO) PPI network clustering algorithm. The algorithm of food source is regarded as the clustering center, the ants are considered to be the protein except the cluster center node. In the PPI network clustering process, the protein node according to the path their distance from the clustering center of the pheromone concentration and the corresponding state transition probability to determine whether the incorporation of.PPI data simulation results on clustering module in the clustering center that the correct rate of the algorithm can effectively improve the clustering results and recall.
The mechanism of intelligence optimization algorithm method of basic function flow can effectively predict unknown protein functions, but the time complexity is relatively high. This paper will direct the mechanism of artificial fish swarm algorithm is applied to PPI network clustering problem, artificial fish as a set of cluster centers, the artificial fish foraging behavior in the process of execution that algorithm begins its search to adjacent node clustering module from the clustering center. Then the following behavior, the fitness value of the clustering results a set of clustering modules corresponding to the largest artificial fish as the initial, the rest of the artificial fish swarm behavior started, the similarity between the clustering result and the initial judgment of the corresponding clustering module, if less than the threshold, is added to the initial clustering results. The simulation results show that the algorithm can automatically determine the number of clustering and clustering results The correctness rate and the operation efficiency of the algorithm are better than the function flow clustering algorithm.
Considering the protein node in PPI network may have one or more functions, this paper presents an improved bacterial foraging optimization algorithm based on intuitionistic fuzzy sets, referred to as IFBFO (Intuitionistic Fuzzy set based Bacteria Foraging Optimization) algorithm. The algorithm in the process of implementation of bacterial reproduction operation, using intuitionistic fuzzy sets membership and hesitancy degree of clustering protein node in PP1 network, the uncertain degree of higher protein nodes can merge into one or more functional modules, and therefore will have overlapping clustering module. Simulation results show that this algorithm can effectively improve the clustering results of the recall, and can more accurately detect protein the same clustering module.

【學(xué)位授予單位】：陜西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2012
【分類(lèi)號(hào)】：R346;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 雷秀娟;黃旭;吳爽;郭玲;;基于連接強(qiáng)度的PPI網(wǎng)絡(luò)蟻群優(yōu)化聚類(lèi)算法[J];電子學(xué)報(bào);2012年04期

2 吳超;鐘一文;;蛋白質(zhì)功能預(yù)測(cè)的蟻群優(yōu)化算法[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

3 劉白;周永權(quán);;一種基于人工魚(yú)群的混合聚類(lèi)算法[J];計(jì)算機(jī)工程與應(yīng)用;2008年18期

4 周雅蘭;;細(xì)菌覓食優(yōu)化算法的研究與應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2010年20期

5 曲良東;何登旭;;一種混沌人工魚(yú)群優(yōu)化算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年22期

6 雷秀娟;田建芳;;蛋白質(zhì)相互作用網(wǎng)絡(luò)的蜂群信息流聚類(lèi)模型與算法[J];計(jì)算機(jī)學(xué)報(bào);2012年01期

7 鄒遠(yuǎn)強(qiáng);李國(guó)徽;趙梓屹;;基于遺傳和蟻群算法融合的聚類(lèi)新方法[J];科學(xué)技術(shù)與工程;2006年23期

8 李曉磊,路飛,田國(guó)會(huì),錢(qián)積新;組合優(yōu)化問(wèn)題的人工魚(yú)群算法應(yīng)用[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2004年05期

9 李曉磊,邵之江,錢(qián)積新;一種基于動(dòng)物自治體的尋優(yōu)模式:魚(yú)群算法[J];系統(tǒng)工程理論與實(shí)踐;2002年11期

相關(guān)博士學(xué)位論文 前6條

1 尤著宏;基于圖和復(fù)雜網(wǎng)絡(luò)理論的蛋白質(zhì)相互作用數(shù)據(jù)分析與應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

2 孫鵬崗;聚類(lèi)算法研究及其在網(wǎng)絡(luò)模塊性分析中的應(yīng)用[D];西安電子科技大學(xué);2011年

3 鐘一文;智能優(yōu)化方法及其應(yīng)用研究[D];浙江大學(xué);2005年

4 王俊偉;粒子群優(yōu)化算法的改進(jìn)及應(yīng)用[D];東北大學(xué);2006年

5 李敏;蛋白質(zhì)網(wǎng)絡(luò)中復(fù)合物和功能模塊挖掘算法研究[D];中南大學(xué);2008年

6 倪青山;蛋白質(zhì)相互作用與功能預(yù)測(cè)方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 劉彬彬;大規(guī)模蛋白質(zhì)相互作用網(wǎng)絡(luò)復(fù)合物挖掘算法研究[D];中南大學(xué);2011年

2 劉金洋;粒子群優(yōu)化算法的研究與改進(jìn)[D];哈爾濱工業(yè)大學(xué);2006年

3 鄭曉鳴;人工魚(yú)群算法的改進(jìn)及應(yīng)用[D];上海海事大學(xué);2006年

4 李延恩;蛋白質(zhì)相互作用網(wǎng)絡(luò)的模塊結(jié)構(gòu)辨識(shí)[D];華中科技大學(xué);2006年

5 莫春玲;復(fù)雜網(wǎng)絡(luò)中聚類(lèi)方法及社團(tuán)結(jié)構(gòu)的研究[D];武漢理工大學(xué);2007年

6 彭利紅;基于蛋白質(zhì)相互作用網(wǎng)絡(luò)的聚類(lèi)和稀疏點(diǎn)檢測(cè)算法研究[D];湖南大學(xué);2008年

7 劉昊;基于聚類(lèi)算法和相互作用網(wǎng)絡(luò)的蛋白質(zhì)功能預(yù)測(cè)研究[D];湖南大學(xué);2009年

8 彭振文;區(qū)間直覺(jué)模糊集的聚類(lèi)算法研究[D];廈門(mén)大學(xué);2009年

9 曾海群;蟻群聚類(lèi)算法研究[D];中南大學(xué);2008年

10 代利堅(jiān);蛋白質(zhì)相互作用預(yù)測(cè)及其假陽(yáng)性過(guò)濾研究[D];中南大學(xué);2009年

，

本文編號(hào)：1770294