CN104866733B - 一种基于副本交换的群体构象空间优化方法 - Google Patents
一种基于副本交换的群体构象空间优化方法 Download PDFInfo
- Publication number
- CN104866733B CN104866733B CN201510157605.6A CN201510157605A CN104866733B CN 104866733 B CN104866733 B CN 104866733B CN 201510157605 A CN201510157605 A CN 201510157605A CN 104866733 B CN104866733 B CN 104866733B
- Authority
- CN
- China
- Prior art keywords
- mrow
- individual
- population
- msup
- temperature layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于副本交换的群体构象空间优化方法,首先在每个温度层通过对查询序列进行随机的折叠和变换生成一个初始种群;在种群更新中,以Rosetta Score3为优化目标函数,在每一个温度层中依次将种群中的每个个体作为目标个体,然后随机选取和目标个体不一样的两个个体进行变异、交叉产生变异个体,再将另一个个体随机选取一段与变异个体进行交换产生测试个体,再将测试个体与目标个体进行能量值比较,根据能量值判断是否接受测试个体。在更新完种群后,将相邻两个温度层之间种群个体进行副本交换来增加种群的多样性,通过不断更新种群以及副本交换获得一系列亚稳态构象。本发明提供了一种预测精度较高、复杂度较低的构象空间优化方法。
Description
技术领域
本发明涉及生物信息学、计算机应用领域,尤其涉及的是一种基于副本交换的群体构象空间优化方法。
背景技术
生物信息学是生命科学和计算机科学交叉领域的一个研究热点。生物信息学研究成果目前已经被广泛应用于基因发现和预测、基因数据的存储管理、数据检索与挖掘、基因表达数据分析、蛋白质结构预测、基因和蛋白质同源关系预测、序列分析与比对等。目前,根据Anfinsen假设,直接从氨基酸序列出发,基于势能模型,采用全局优化方法,搜索分子系统的最小能量状态,从而高通量、廉价地预测肽链的天然构象,已经成为生物信息学最重要的研究课题之一。对于序列相似度低或多肽(<10个残基的小蛋白)来说,从头预测方法是唯一的选择。从头预测方法必须考虑以下两个因素:(1)蛋白质结构能量函数;(2)构象空间搜索方法。第一个因素本质上属于分子力学问题,主要是为了能够计算得到每个蛋白质结构对应的能量值。目前已经存在一些有效的结构能量函数,如简单网格模型HP及更实际的经验力场模型MM3,AMBER,CHARMM,GROMOS,DISCOVER,ECEPP/3等;第二个因素本质上属于全局优化问题,通过选择一种合适的优化方法,对构象空间进行快速搜索,得到与某一全局最小能量对应的构象。其中,蛋白质构象空间优化属于一类非常难解的NP-Hard问题。2005年,D.Baker在Science中指出,构象空间优化方法是制约蛋白质从头预测方法预测精度的一个瓶颈因素。
因此,现有的构象空间优化方法存在采样效率、复杂度及预测精度方面存在不足,需要改进。
发明内容
为了克服现有的构象空间优化方法存在采样效率较低、复杂度较高、预测精度较低的不足,本发明提出一种基于副本交换的群体构象空间优化方法:在基本差分进化算法(DE)的框架下,首先在每个温度层通过对查询序列进行随机的折叠和变换生成一个初始种群;在种群更新中,以Rosetta Score3为优化目标函数,基于Anfinsen提出的蛋白质天然态结构时自由能最低的结构,在每一个温度层中依次将种群中的每个个体作为目标个体,然后随机选取和目标个体不一样的两个个体进行变异交叉产生变异个体,再将另一个个体随机选取一段与变异个体进行交换产生测试个体,再将测试个体与目标个体进行能量值比较,根据能量值判断是否接受测试个体。在更新完种群后,将相邻两个温度层之间种群个体进行副本交换来增加种群的多样性,通过不断更新种群以及副本交换获得一系列亚稳态构象。本发明提供了一种预测精度较高、复杂度较低的构象空间优化方法。
本发明解决其技术问题所采用的技术方案是:
一种基于副本交换的群体构象空间优化方法,所述优化方法包括以下步骤:
1)初始化:设置群体规模popSize,变异因子F,交叉概率CR,8个温度层T,迭代次数iteration,能量函数选用Rosetta Score3,首先在每个温度层通过对查询序列随机的折叠和变换,生成一个规模为popSize的初始种群,初始群体为PT={xi|i∈I},计算目标函数值fT(xi),i∈I,并设其中i为种群个体编号,I为种群个体编号集合,I={1,2,...,popSize},为对应温度层目标函数值中的最小值,T为温度层;
2)变异、交叉生成测试个体x′i:对每个目标个体xi作如下处理,i=1,2,…,popSize:
2.1)令i=1;
2.2)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i};
2.3)根据公式(1)对{xa,xb,xc}执行变异操作,生成变异个体
2.4)根据公式(2)对目标个体xi和变异个体执行交叉操作,生成测试个体x′i,其中,randb(0,1)表示为产生0到1之间的随机小数,rnbr(k)表示随机产生1到N之间的整数;
其中k为索引编号;
2.5)i=i+1;如果i<popSize转至2.2);
3)根据Anfinsen提出的天然构象的蛋白质处于热力学最低的能量状态,比较测试个体x′i和目标个体xi的能量函数值,i=1,2,…,popSize,选择能量函数值较低的个体从而更新种群;
4)在每个温度层都进行变异、交叉和选择更新完种群后,将相邻的温度层的对应个体进行副本交换:
4.1)首先选择种群中第i个个体,i=1,2,…,popSize;
4.2)选择两个相邻的温度层Tj和Tj+1,j=1,2,…,7;
4.3)产生一个随机数rand1∈(0,1),和判别数judge
其中为种群个体的能量值,i=1,2,…,popSize,Tj为第j个温度层的开尔文温度,j为索引编号,j=1,2,…,7;
4.4)若rand1<judge,将相邻温度层中的和个体进行交换;
5)置
6)判断是否满足终止条件到达迭代次数iteration,如不满足则转至2);
7)如满足终止条件,则输出结果。
本发明的技术构思为:在基本DE算法的框架下,首先在每个温度层通过对查询序列进行随机的折叠和变换生成一个初始种群;在种群更新中,以Rosetta Score3为优化目标函数,基于Anfinsen提出的蛋白质天然态结构时自由能最低的结构,在每一个温度层中依次将种群中的每个个体作为目标个体,然后随机选取和目标个体不一样的两个个体进行变异、交叉产生变异个体,再将另一个个体随机选取一段与变异个体进行交换产生测试个体,再将测试个体与目标个体进行能量值比较,根据能量值判断是否接受测试个体。在更新完种群后,将相邻两个温度层之间种群个体进行副本交换来增加种群的多样性,通过不断更新种群以及副本交换获得一系列亚稳态构象。本发明提供了一种预测精度较高、复杂度较低的构象空间优化方法。
附图说明:
图1是测试序列在种群更新过程中RMSD和能量值的关系示意图。
图2是1ENH实验结果和天然态构象的三维结构比对示意图。
具体实施方式:
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于副本交换的群体构象空间优化方法,所述构象空间优化方法包括以下步骤:
1)初始化:设置群体规模popSize,变异因子F,交叉概率CR,8个温度层T,迭代次数iteration,能量函数选用Rosetta Score3,首先在每个温度层通过对查询序列随机的折叠和变换,生成一个规模为popSize的初始种群,初始群体为PT={xi|i∈I},计算目标函数值fT(xi),i∈I,并设其中i为种群个体编号,I为种群个体编号集合,I={1,2,...,popSize},为对应温度层目标函数值中的最小值,T为温度层;
2)变异、交叉生成测试个体x′i:对每个目标个体xi作如下处理,i=1,2,…,popSize:
2.1)令i=1;
2.2)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i};
2.3)根据公式(1)对{xa,xb,xc}执行变异操作,生成变异个体
2.4)根据公式(2)对目标个体xi和变异个体执行交叉操作,生成测试个体x′i,其中,randb(0,1)表示为产生0到1之间的随机小数,rnbr(k)表示随机产生1到N之间的整数;
其中k为索引编号;
2.5)i=i+1;如果i<popSize转至2.2);
3)根据Anfinsen提出的天然构象的蛋白质处于热力学最低的能量状态,比较测试个体x′i和目标个体xi的能量函数值,i=1,2,…,popSize,选择能量函数值较低的个体从而更新种群;
4)在每个温度层都进行变异、交叉和选择更新完种群后,将相邻的温度层的对应个体进行副本交换:
4.1)首先选择种群中第i个个体,i=1,2,…,popSize;
4.2)选择两个相邻的温度层Tj和Tj+1,j=1,2,…,7;
4.3)产生一个随机数rand1∈(0,1),和判别数judge
其中为种群个体的能量值,i=1,2,…,popSize,Tj为第j个温度层的开尔文温度,j为索引编号,j=1,2,…,7;
4.4)若rand1<judge,将相邻温度层中的和个体进行交换;
5)置
6)判断是否满足终止条件到达迭代次数iteration,如不满足则转至2);
7)如满足终止条件,则输出结果。
以1ENH为例,运用以上方法得到了该蛋白质的最优构象解,如图2所示。
1)初始化:设置群体规模popSize,变异因子F,交叉概率CR,8个温度层T,温度参数分别为200,239,286,342,409,489,585,700,迭代次数iteration,能量函数选用RosettaScore3,首先在每个温度层通过对查询序列随机的折叠和变换,生成一个规模为popSize的初始种群,初始群体为PT={xi|i∈I},计算目标函数值fT(xi),i∈I,并设其中i为种群个体编号,I为种群个体编号集合,I={1,2,...,popSize},为对应温度层目标函数值中的最小值,T为温度层;
2)变异、交叉生成测试个体x′i:对每个目标个体xi∈I(i=1,2,…,popSize)作如下处理:
2.1)令i=1;
2.2)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i};
2.3)根据公式(1)对{xa,xb,xc}执行变异操作,生成变异个体
2.4)根据公式(2)对目标个体xi和变异个体执行交叉操作,生成测试个体x′i,其中,randb(0,1)表示为产生0到1之间的随机小数,rnbr(k)表示随机产生1到N之间的整数;
其中k为索引编号;
2.5)i=i+1;如果i<popSize转至2.2);
3)根据Anfinsen提出的天然构象的蛋白质处于热力学最低的能量状态,比较测试个体x′i和目标个体xi∈I(i=1,2,…,popSize)的能量函数值,选择能量函数值较低的个体从而更新种群;
4)在每个温度层都进行变异、交叉和选择更新完种群后,将相邻的温度层的对应个体进行副本交换:
4.1)首先选择种群中第i个个体,i∈I(i=1,2,…,popSize);
4.2)选择两个相邻的温度层Tj和Tj+1,j=1,2,…,7;
4.3)产生一个随机数rand1∈(0,1),和判别数judge
其中为种群个体的能量值,Tj(j=1,2,…,7)为第j个温度层的开尔文温度,j为索引编号;
4.4)若rand1<judge,将相邻温度层中的和个体进行交换;
5)置
6)判断是否满足终止条件到达迭代次数iteration,如不满足则转至2);
7)如满足终止条件,则输出结果。
以上阐述的是本发明给出的一个实施例表现出来的优良效果,显然本发明不仅适合上述实施例,在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。
Claims (1)
1.一种基于副本交换的群体构象空间优化方法,其特征在于:所述优化方法包括以下步骤:
1)初始化:设置群体规模popSize,变异因子F,交叉概率CR,8个温度层T,迭代次数iteration,能量函数选用Rosetta Score3,首先在每个温度层通过对查询序列随机的折叠和变换,生成一个规模为popSize的初始种群,初始群体为PT={xi|i∈I},计算目标函数值fT(xi),i∈I,并设其中i为种群个体编号,I为种群个体编号集合,I={1,2,...,popSize},为对应温度层目标函数值中的最小值,T为温度层;
2)变异、交叉生成测试个体x′i:对每个目标个体xi作如下处理,
i=1,2,…,popSize:
2.1)令i=1;
2.2)任意选取三个个体{xa,xb,xc|a,b,c∈{1,2,...,popSize},a≠b≠c≠i};
2.3)根据公式(1)对{xa,xb,xc}执行变异操作,生成变异个体
<mrow>
<msup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msup>
<mo>=</mo>
<msup>
<mi>x</mi>
<mi>a</mi>
</msup>
<mo>+</mo>
<mi>F</mi>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>b</mi>
</msup>
<mo>-</mo>
<msup>
<mi>x</mi>
<mi>c</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
2.4)根据公式(2)对目标个体xi和变异个体执行交叉操作,生成测试个体x′i,其中,randb(0,1)表示为产生0到1之间的随机小数,rnbr(k)表示随机产生1到N之间的整数;
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mi>i</mi>
</mrow>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msup>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi>b</mi>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>C</mi>
<mi>R</mi>
<mi> </mi>
<mi>o</mi>
<mi>r</mi>
<mi> </mi>
<mi>k</mi>
<mo>=</mo>
<mi>r</mi>
<mi>n</mi>
<mi>b</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>x</mi>
<mi>i</mi>
</msup>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi>b</mi>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>C</mi>
<mi>R</mi>
<mi> </mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>r</mi>
<mi>n</mi>
<mi>b</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中k为索引编号;
2.5)i=i+1;如果i<popSize转至2.2);
3)根据Anfinsen提出的天然构象的蛋白质处于热力学最低的能量状态,比较测试个体x′i和目标个体xi的能量函数值,i=1,2,…,popSize,选择能量函数值较低的个体从而更新种群;
4)在每个温度层都进行变异、交叉和选择更新完种群后,将相邻的温度层的对应个体进行副本交换:
4.1)首先选择种群中第i个个体,i=1,2,…,popSize;
4.2)选择两个相邻的温度层Tj和Tj+1,j=1,2,…,7;
4.3)产生一个随机数rand1∈(0,1),和判别数judge
<mrow>
<mi>j</mi>
<mi>u</mi>
<mi>d</mi>
<mi>g</mi>
<mi>e</mi>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>&times;</mo>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>K</mi>
<mo>&times;</mo>
<msub>
<mi>T</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
<mo>&times;</mo>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>T</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>i</mi>
</msubsup>
<mo>)</mo>
<mo>-</mo>
<mi>f</mi>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>T</mi>
<mi>j</mi>
</msub>
<mi>i</mi>
</msubsup>
<mo>)</mo>
<mo>)</mo>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中为种群个体的能量值,i=1,2,…,popSize,Tj为第j个温度层的开尔文温度,j为索引编号,j=1,2,…,7;
4.4)若rand1<judge,将相邻温度层中的和个体进行交换;
5)置
6)判断是否满足终止条件到达迭代次数iteration,如不满足则转至2);
7)如满足终止条件,则输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510157605.6A CN104866733B (zh) | 2015-04-03 | 2015-04-03 | 一种基于副本交换的群体构象空间优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510157605.6A CN104866733B (zh) | 2015-04-03 | 2015-04-03 | 一种基于副本交换的群体构象空间优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104866733A CN104866733A (zh) | 2015-08-26 |
CN104866733B true CN104866733B (zh) | 2017-10-13 |
Family
ID=53912557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510157605.6A Active CN104866733B (zh) | 2015-04-03 | 2015-04-03 | 一种基于副本交换的群体构象空间优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104866733B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975806A (zh) * | 2016-04-26 | 2016-09-28 | 浙江工业大学 | 一种基于距离约束副本交换的蛋白质结构预测方法 |
CN106055920B (zh) * | 2016-06-02 | 2018-09-18 | 浙江工业大学 | 一种基于阶段性多策略副本交换的蛋白质结构预测方法 |
CN107085674A (zh) * | 2017-03-14 | 2017-08-22 | 浙江工业大学 | 一种基于改进萤火虫算法的多模态蛋白质构象空间优化方法 |
CN107633157B (zh) * | 2017-08-29 | 2020-10-27 | 浙江工业大学 | 一种基于分布估计和副本交换策略的蛋白质构象空间优化方法 |
CN108801474B (zh) * | 2018-06-05 | 2020-10-27 | 哈尔滨工程大学 | 一种四光谱涡轮叶片辐射测温方法 |
CN113421610B (zh) * | 2021-07-01 | 2023-10-20 | 北京望石智慧科技有限公司 | 一种分子叠合构象确定方法、装置以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413067A (zh) * | 2013-07-30 | 2013-11-27 | 浙江工业大学 | 一种基于抽象凸下界估计的蛋白质结构预测方法 |
CN104200131A (zh) * | 2014-07-23 | 2014-12-10 | 浙江工业大学 | 一种基于片段组装的蛋白质构象空间优化方法 |
-
2015
- 2015-04-03 CN CN201510157605.6A patent/CN104866733B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413067A (zh) * | 2013-07-30 | 2013-11-27 | 浙江工业大学 | 一种基于抽象凸下界估计的蛋白质结构预测方法 |
CN104200131A (zh) * | 2014-07-23 | 2014-12-10 | 浙江工业大学 | 一种基于片段组装的蛋白质构象空间优化方法 |
Non-Patent Citations (5)
Title |
---|
A replica exchange Monte Carlo algorithm for protein folding in the HP model;Chris Thachuk et al;《BMC Bioinformatics》;20070917;第8卷(第1期);1-20 * |
Ab initio prediction of protein-ligand binding structures by replica-exchange umbrella sampling simulations;Hironori Kokubo et al;《Journal of Computational Chemistry》;20110627;第32卷(第13期);2810-2821 * |
Prediction of Protein-Ligand Binding Structures by Replica-Exchange Umbrella Sampling Simulations Application to Kinase Systems;Hironori Kokubo et al;《Journal of Chemical Theory and Computation》;20130903;第9卷(第10期);4660-4671 * |
一种新的蛋白质结构预测多模态优化算法;程正华等;《计算机科学》;20130930;第40卷(第9期);212-215 * |
蛋白质分子构象优化方法研究与实现;何洋军;《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》;20140315;第2014年卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104866733A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866733B (zh) | 一种基于副本交换的群体构象空间优化方法 | |
CN103413067B (zh) | 一种基于抽象凸下界估计的蛋白质结构预测方法 | |
CN105760710A (zh) | 一种基于两阶段差分进化算法的蛋白质结构预测方法 | |
CN106055920B (zh) | 一种基于阶段性多策略副本交换的蛋白质结构预测方法 | |
Chen et al. | Link prediction on directed networks based on AUC optimization | |
CN104933327B (zh) | 一种局部增强的差分进化蛋白质构象空间搜索方法 | |
Ju et al. | TGNN: A joint semi-supervised framework for graph-level classification | |
CN103473482A (zh) | 基于差分进化和构象空间退火的蛋白质三维结构预测方法 | |
CN102890703A (zh) | 一种网络异质多维标度方法 | |
CN104951670A (zh) | 一种基于距离谱的群体构象空间优化方法 | |
CN108846256A (zh) | 一种基于残基接触信息的群体蛋白质结构预测方法 | |
Xu et al. | Answering label-constraint reachability in large graphs | |
Xu et al. | GripNet: Graph information propagation on supergraph for heterogeneous graphs | |
Luo et al. | Predicting protein-protein interactions using sequence and network information via variational graph autoencoder | |
Zhang et al. | A Survey on Graph Neural Network Acceleration: Algorithms, Systems, and Customized Hardware | |
Liu et al. | DPSO based octagonal steiner tree algorithm for VLSI routing | |
Chai et al. | A node-priority based large-scale overlapping community detection using evolutionary multi-objective optimization | |
Wang et al. | A note on graph-based nearest neighbor search | |
CN108595910A (zh) | 一种基于多样性指标的群体蛋白质构象空间优化方法 | |
Burton | Simplification paths in the Pachner graphs of closed orientable 3-manifold triangulations | |
CN110188098B (zh) | 一种基于双层锚点图投影优化的高维向量数据可视化方法及系统 | |
Qu et al. | MOVE: integrating multi-source information for predicting DTI via cross-view contrastive learning | |
Odibat et al. | A generalized framework for mining arbitrarily positioned overlapping co-clusters | |
Zhang et al. | Efficient parallel processing of distance join queries over distributed graphs | |
Lai et al. | Link prediction in complex networks via modularity-based belief propagation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |