本文選題：基因共表達(dá)　切入點(diǎn)：蛋白質(zhì)復(fù)合物　出處：《華中師范大學(xué)》2015年博士論文　論文類型：學(xué)位論文

【摘要】：蛋白質(zhì)是基因表達(dá)的產(chǎn)物,生命活動(dòng)的重要物質(zhì)基礎(chǔ),幾乎參與所有的生命活動(dòng)和生物過程。研究發(fā)現(xiàn),大多數(shù)蛋白質(zhì)不能獨(dú)立地執(zhí)行生物功能,而是通過相互作用以協(xié)作的方式發(fā)揮其生物功能。日前,隨著蛋白質(zhì)相互作用數(shù)據(jù)的不斷積累和完善,復(fù)雜生物網(wǎng)絡(luò)中蛋白質(zhì)相互作用網(wǎng)絡(luò)逐漸成為系統(tǒng)生物學(xué)研究的熱點(diǎn)問題之一。本文利用蛋白質(zhì)相互作用網(wǎng)絡(luò),就蛋白質(zhì)復(fù)合物的挖掘、關(guān)鍵蛋白質(zhì)的識(shí)別、致病基因的預(yù)測(cè)等熱門問題進(jìn)行了較為深入的研究,具體研究如下：1.基于蛋白質(zhì)復(fù)合物“核-附屬物”的內(nèi)部結(jié)構(gòu)及核內(nèi)蛋白質(zhì)高度共表達(dá)的新發(fā)現(xiàn),提出了一種基于基因共表達(dá)的蛋白質(zhì)復(fù)合物挖掘算法。首先,根據(jù)編碼相互作用蛋白質(zhì)的基因之間存在共表達(dá)的特性,本文利用基因表達(dá)數(shù)據(jù),構(gòu)建了帶權(quán)的蛋白質(zhì)相互作用網(wǎng)絡(luò)。然后,從邊的角度選擇權(quán)重大的邊作為種子,識(shí)別出蛋白質(zhì)復(fù)合物的核蛋白質(zhì)。最后,根據(jù)為每個(gè)蛋自質(zhì)復(fù)合物的核識(shí)別附屬蛋白質(zhì),與核一起形成蛋白質(zhì)復(fù)合物。2.結(jié)合已有關(guān)鍵蛋白質(zhì)識(shí)別算法的優(yōu)點(diǎn),本文提出了一種基于局部連通強(qiáng)度的關(guān)鍵蛋白質(zhì)識(shí)別算法。算法利用關(guān)鍵蛋白質(zhì)往往對(duì)應(yīng)著蛋白質(zhì)相互作用網(wǎng)絡(luò)中的高度蛋白質(zhì)這樣的事實(shí),從源節(jié)點(diǎn)出發(fā)根據(jù)局部連通度的大小逐步逼近網(wǎng)絡(luò)中的核心節(jié)點(diǎn),以此識(shí)別山蛋白質(zhì)網(wǎng)絡(luò)中的高度關(guān)鍵蛋白質(zhì)；然后,根據(jù)網(wǎng)絡(luò)中蛋白質(zhì)節(jié)點(diǎn)的局部中心性,識(shí)別蛋白質(zhì)相互作用網(wǎng)絡(luò)中處于稀疏區(qū)域的關(guān)鍵蛋白質(zhì)。該算法既能識(shí)別蛋白質(zhì)網(wǎng)絡(luò)中處于稠密區(qū)域的關(guān)鍵蛋白質(zhì),又能識(shí)別蛋白質(zhì)網(wǎng)絡(luò)中稀疏區(qū)域的關(guān)鍵蛋白質(zhì),有效地提高了關(guān)鍵蛋白質(zhì)識(shí)別的準(zhǔn)確度。3.研究發(fā)現(xiàn),關(guān)鍵蛋白質(zhì)往往聚集于蛋白質(zhì)復(fù)合物或功能模塊,本文也對(duì)標(biāo)準(zhǔn)蛋白質(zhì)復(fù)合物數(shù)據(jù)集進(jìn)行了統(tǒng)計(jì),結(jié)果發(fā)現(xiàn)超過60%的蛋白質(zhì)復(fù)合物中都有關(guān)鍵蛋白質(zhì)的存在。基于這種發(fā)現(xiàn),并結(jié)合蛋白質(zhì)復(fù)合物的“核-附屬物”內(nèi)部結(jié)構(gòu),提山了一種基于關(guān)鍵蛋白質(zhì)的蛋白質(zhì)復(fù)合物挖掘算法。首先,關(guān)鍵蛋白質(zhì)節(jié)點(diǎn)為中心,根據(jù)一階連通強(qiáng)度進(jìn)行第一次擴(kuò)展識(shí)別核蛋白質(zhì)。然后,根據(jù)二階連通強(qiáng)度為每個(gè)蛋白質(zhì)復(fù)合物的核識(shí)別附屬蛋白質(zhì),并與核一起生成蛋白質(zhì)復(fù)合物。實(shí)驗(yàn)結(jié)果顯示,本文提出的算法能夠有效地從蛋自質(zhì)網(wǎng)絡(luò)中挖掘蛋白質(zhì)復(fù)合物。4.研究發(fā)現(xiàn),相同或相似疾病的致病基因所編碼的蛋白質(zhì)傾向于在蛋白質(zhì)相互作用網(wǎng)絡(luò)中聚集�；谶@種發(fā)現(xiàn),本文提出了基于功能流的致病基因識(shí)別算法,根據(jù)基因與蛋白質(zhì)問的對(duì)應(yīng)關(guān)系,利用蛋白質(zhì)相互作用網(wǎng)絡(luò)識(shí)別致病基因。文章首先基于基因本體GO計(jì)算基因之間的功能相似性,構(gòu)建了帶權(quán)的人類蛋白質(zhì)相互作用網(wǎng)絡(luò),并將已知的致病基因以及同在一個(gè)關(guān)聯(lián)區(qū)域的候選基因映射到蛋白質(zhì)網(wǎng)絡(luò)中。然后,以已知致病基因?yàn)樵袋c(diǎn)模擬功能流算法過程,計(jì)算網(wǎng)絡(luò)中每個(gè)蛋白質(zhì)(基因)獲得來自致病基因的功能得分。最后,根據(jù)功能得分對(duì)關(guān)聯(lián)區(qū)域的候選基因進(jìn)行排序,排序靠前的基因被認(rèn)為更可能成為致病基因。總之,本文基于蛋白質(zhì)相互作用網(wǎng)絡(luò)的實(shí)際應(yīng)用展開研究,利用蛋白質(zhì)相互作用,基因表達(dá)、基因本體等生物數(shù)據(jù),分別從邊和點(diǎn)的角度設(shè)計(jì)了兩種蛋白質(zhì)復(fù)合物挖掘算法,基于連通強(qiáng)度設(shè)計(jì)了一種關(guān)鍵蛋白質(zhì)識(shí)別算法,基于功能流思想設(shè)計(jì)了一種致病基因預(yù)測(cè)算法,并在真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)分析,結(jié)果顯示本文提出的算法是有效的。
[Abstract]:Protein is the product of gene expression, an important material basis of life activities, involved in almost all life activities and biological processes. The study found that most proteins cannot independently perform biological functions, but through interactions in a cooperative manner to play its biological function. The day before, with the accumulation of protein interaction data and improve the complex biological networks, protein interaction network has gradually become one of the hot issues of systems biology. The protein interaction network, mining protein complexes, identify key protein, in-depth study of the pathogenic gene prediction and other hot issues, specific studies are as follows: 1. protein complexes based on nuclear appendage the internal structure and the newly discovered nuclear protein is highly expressed, propose a method based on gene expression of the egg white Quality of complex mining algorithm. Firstly, according to the existing characteristics of the co expression of encoding protein interactions between genes, using gene expression data, construct the weighted protein interaction network. Then, select the right side from the side of the great angle as seed, identify the nuclear protein protein complexes. Finally, according to the for each egg nucleus recognition self interstitial complexes attached to protein, and nuclear protein complexes together form.2. combines the advantages of existing key protein recognition algorithm, this paper proposes a local connectivity based on the key protein recognition algorithm. Algorithm using key proteins often correspond to the height of protein-protein interaction network in the fact from the source node based on local connectivity gradually approaching the size of the core nodes in the network, in order to identify the protein network in high mountain Then, according to the local key protein; protein center node in the network is the key protein sparse region recognition protein interaction network. The algorithm can not only in the key protein dense region recognition protein network, and the key protein identification of protein sparse region network, effectively improve the accuracy of the.3. key identification of protein found that key proteins tend to congregate in protein complexes or functional modules, this paper also makes statistics on the standard protein complex data sets, and found the key protein protein complexes in the presence of more than 60%. Based on the findings, combined with the protein complex nuclear appendage internal structure. Propose a mining algorithm based on key protein protein complexes. Firstly, the key node proteins as the center, according to a Order connectivity first extended identification of nuclear protein. Then, according to the identification of two order for each nuclear protein complex connectivity affiliated protein, and together produce nuclear protein complexes. The experimental results show that the proposed algorithm can effectively from the protein network in mining of.4. protein complex found pathogenic the same or similar disease gene encoding proteins tend to cluster in the protein interaction network. Based on the findings, proposed pathogenic gene identification algorithm based on function flow, according to the corresponding relationship between the gene and protein Q, using protein interaction networks. Firstly, based on the identification of pathogenic gene of GO gene between the gene ontology calculation the similarity function, construct the human protein interaction network with weight, and known pathogenic genes and associated with a The candidate gene mapping region to the protein network. Then, the source function simulation flow algorithm to the known genes was calculated for each protein network (genes) obtained from gene function score. Finally, according to the function of the regional association score of the candidate base for sorting, sorting by the gene is thought to be more may be the pathogenic gene. In short, research on the practical application of the protein interaction network based on the use of protein interaction, gene expression, gene ontology and other biological data, respectively from the side and point angle design of two kinds of protein complex mining algorithm, a key protein recognition algorithm based on connectivity design, design a disease gene prediction algorithm based on the idea of function flow, and the experimental analysis on real data sets, the results show that the proposed algorithm is effective.

【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：Q51;Q811.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉彬彬;李敏;王建新;段桂華;;基于團(tuán)滲透和距離限制的蛋白質(zhì)復(fù)合物識(shí)別算法[J];系統(tǒng)工程理論與實(shí)踐;2012年02期

2 黃新;;一種基于極大團(tuán)擴(kuò)展的蛋白質(zhì)復(fù)合物識(shí)別算法[J];飼料工業(yè);2012年13期

3 王可玢,趙福洪,許春輝;不同葉齡黃瓜葉片葉綠素蛋白質(zhì)復(fù)合物組分的比較研究[J];植物學(xué)通報(bào);1989年04期

4 湯海旭,陳潔,丁達(dá)夫;蛋白質(zhì)復(fù)合物結(jié)合自由能的預(yù)測(cè)(英文)[J];生物化學(xué)與生物物理學(xué)報(bào);1998年02期

5 楊丹慧;許春輝;王可玢;戴云玲;;鎘離子對(duì)菠菜葉綠體色素蛋白質(zhì)復(fù)合物及激發(fā)能分配的影響[J];Journal of Integrative Plant Biology;1990年03期

6 胡偉;湯�，|;;一種新的基于多數(shù)據(jù)源的蛋白質(zhì)復(fù)合物識(shí)別算法[J];計(jì)算機(jī)與應(yīng)用化學(xué);2014年04期

7 湯希瑋;王建新;胡秋玲;;蛋白質(zhì)復(fù)合物預(yù)測(cè)方法分析與比較[J];計(jì)算機(jī)應(yīng)用研究;2011年10期

8 儲(chǔ)鐘稀,牟夢(mèng)華,邵宏翔,王鳳珍;鈰對(duì)黃瓜葉綠體葉綠素蛋白質(zhì)復(fù)合物形成的影響[J];植物學(xué)報(bào);1994年10期

9 王可玢,婁世慶,趙福洪,戴云玲,匡廷云;長(zhǎng)期二氧化碳倍增對(duì)大豆、谷子葉片的葉綠素蛋白質(zhì)復(fù)合物的影響[J];科學(xué)通報(bào);1997年11期

10 李愛芬,陳敏,周百成;褐藻色素-蛋白質(zhì)復(fù)合物PAGE分離研究[J];煙臺(tái)大學(xué)學(xué)報(bào)(自然科學(xué)與工程版);1999年03期

相關(guān)會(huì)議論文 前6條

1 蔣思婧;馬立新;陳煥春;;表達(dá)蛋白質(zhì)復(fù)合物的偽狂犬病毒系統(tǒng)的建立[A];中國(guó)蛋白質(zhì)組學(xué)第三屆學(xué)術(shù)大會(huì)論文摘要[C];2005年

2 汪文俊;王廣策;馬圣媛;孫海寶;曾呈奎;;條斑紫菜類囊體膜的分離以及色素-蛋白質(zhì)復(fù)合物的分離以及特性的初步研究[A];中國(guó)藻類學(xué)會(huì)第十一次學(xué)術(shù)討論會(huì)論文摘要集[C];2001年

3 汪文俊;王廣策;馬圣媛;劉洪艷;孟斌;燙曉榮;孫海寶;曾呈奎;;條斑紫菜類囊體膜的分離以及色素-蛋白質(zhì)復(fù)合物的分離以及特性的初步研究[A];中國(guó)科學(xué)院海洋科學(xué)青年學(xué)術(shù)研討會(huì)暨2001年海洋湖沼科學(xué)青年學(xué)者論壇論文摘要集[C];2001年

4 都建;秦宜德;姚雪彪;;一個(gè)新的與CENP-E結(jié)合的動(dòng)點(diǎn)蛋白CENP-V的發(fā)現(xiàn)與功能研究[A];華東六省一市生物化學(xué)與分子生物學(xué)會(huì)2010年學(xué)術(shù)交流會(huì)論文集[C];2010年

5 邵錦震;張宇博;丁毅;;水稻類囊體膜蛋白質(zhì)復(fù)合物的BN/SDS-PAGE分離與蛋白質(zhì)組學(xué)研究[A];中國(guó)遺傳學(xué)會(huì)第八次代表大會(huì)暨學(xué)術(shù)討論會(huì)論文摘要匯編（2004-2008）[C];2008年

6 唐淳;;極弱蛋白質(zhì)瞬態(tài)復(fù)合體與磷酸信號(hào)轉(zhuǎn)導(dǎo)[A];中國(guó)生物化學(xué)與分子生物學(xué)會(huì)第十一次會(huì)員代表大會(huì)暨2014年全國(guó)學(xué)術(shù)會(huì)議論文集——專題報(bào)告一[C];2014年

相關(guān)博士學(xué)位論文 前7條

1 張偉;病毒誘導(dǎo)的先天免疫信號(hào)網(wǎng)絡(luò)的數(shù)學(xué)建模和蛋白質(zhì)復(fù)合物識(shí)別[D];武漢大學(xué);2014年

2 趙軍民;基于PPI網(wǎng)絡(luò)的生物信息數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究[D];華中師范大學(xué);2015年

3 任峻;蛋白質(zhì)網(wǎng)絡(luò)中復(fù)合物的挖掘與應(yīng)用研究[D];中南大學(xué);2013年

4 潘建義;大腸埃希氏菌蛋白質(zhì)復(fù)合物組的鑒定分析及重要復(fù)合物的功能研究[D];廈門大學(xué);2008年

5 徐博;基于蛋白質(zhì)關(guān)系網(wǎng)絡(luò)的復(fù)合物抽取研究[D];大連理工大學(xué);2014年

6 彭瑋;基于隨機(jī)游走模型的蛋白質(zhì)網(wǎng)絡(luò)研究[D];中南大學(xué);2013年

7 常珊;蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法學(xué)研究[D];北京工業(yè)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 彭小清;動(dòng)態(tài)蛋白質(zhì)網(wǎng)絡(luò)的構(gòu)建和蛋白質(zhì)復(fù)合物識(shí)別研究[D];中南大學(xué);2012年

2 趙艷麗;基于時(shí)序網(wǎng)絡(luò)的蛋白質(zhì)復(fù)合物挖掘與疾病基因預(yù)測(cè)研究[D];華中師范大學(xué);2015年

3 易陽(yáng);基于結(jié)構(gòu)域信息的蛋白質(zhì)復(fù)合物識(shí)別與疾病基因預(yù)測(cè)[D];華中師范大學(xué);2016年

4 王丹陽(yáng);基于路徑相似性的蛋白質(zhì)復(fù)合物檢測(cè)方法[D];西安電子科技大學(xué);2012年

5 李鵬;基于蛋白質(zhì)親和密度擴(kuò)展的蛋白質(zhì)復(fù)合物挖掘[D];華中師范大學(xué);2014年

6 張海;大鼠神經(jīng)細(xì)胞蛋白質(zhì)復(fù)合物組學(xué)和多肽組學(xué)研究[D];湖南師范大學(xué);2010年

7 武學(xué)鴻;蛋白質(zhì)網(wǎng)絡(luò)的聚類分析方法及評(píng)估[D];中南大學(xué);2013年

8 李燦;基于基因本體的蛋白質(zhì)網(wǎng)絡(luò)中蛋白質(zhì)復(fù)合物識(shí)別算法研究[D];湖南大學(xué);2013年

9 劉女英;Blue native-PAGE分離復(fù)合物方法的建立及其在膜蛋白質(zhì)復(fù)合物鑒定中的應(yīng)用[D];湖南師范大學(xué);2011年

10 劉鵬飛;基于傳播理論的蛋白質(zhì)復(fù)合物挖掘算法研究[D];華中師范大學(xué);2014年

，

本文編號(hào)：1632729