CN109493915B - 一种基于不确定图模型侦测蛋白质复合物的方法 - Google Patents
一种基于不确定图模型侦测蛋白质复合物的方法 Download PDFInfo
- Publication number
- CN109493915B CN109493915B CN201811518891.4A CN201811518891A CN109493915B CN 109493915 B CN109493915 B CN 109493915B CN 201811518891 A CN201811518891 A CN 201811518891A CN 109493915 B CN109493915 B CN 109493915B
- Authority
- CN
- China
- Prior art keywords
- protein
- value
- belongs
- vertex
- proteins
- 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.)
- Expired - Fee Related
Links
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 123
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 31
- 102000007474 Multiprotein Complexes Human genes 0.000 claims abstract description 24
- 108010085220 Multiprotein Complexes Proteins 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 150000001875 compounds Chemical class 0.000 claims abstract description 6
- 230000006916 protein interaction Effects 0.000 claims description 17
- 101710188306 Protein Y Proteins 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 101710173438 Late L2 mu core protein Proteins 0.000 claims description 3
- 101710188315 Protein X Proteins 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 230000004850 protein–protein interaction Effects 0.000 description 10
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 102100034856 Tubulin polyglutamylase TTLL5 Human genes 0.000 description 1
- 101710097987 Tubulin polyglutamylase TTLL5 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000033077 cellular process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013090 high-throughput technology Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于不确定图模型侦测蛋白质复合物的方法,该方法包括:将蛋白质作为不确定图的顶点,蛋白质之间的相互作用作为不确定图的边;根据不确定图模型,定义期望稠密度,判断每个顶点是否属于核;计算蛋白质和他邻居蛋白质的皮尔逊系数,进一步判断该蛋白质是否属于核;根据不确定图模型,定义邻居顶点相关度,判断该蛋白质是否属于附件;对所有挖掘到的蛋白质复合物进行冗余过滤。本发明所采用的不确定图模型具有很好的表示动态PPI网络,更切合实际,从而加快了搜索效率,更能精确预言蛋白质复合物。
Description
技术领域
本发明涉及计算生物信息学领域,具体涉及一种基于不确定图模型侦测蛋白质复合物的方法。
背景技术
蛋白质复合物是一组相互作用的蛋白质,它们在同一时间和地点相互作用,形成一个单一的多分子机器。细胞过程通常由蛋白质复合物进行。识别它们对于揭示细胞组织和功能原理的尝试起着重要作用。积累的证据表明蛋白质复合物参与许多疾病机制。跟踪蛋白质复合物可以揭示模块化机制的重要见解,并提高对疾病途径的理解。
随着高通量技术的进步,已经产生了许多蛋白质-蛋白质相互作用(PPI)数据。近年来,生物网络的研究已经成为生物信息学的热点。将蛋白质顶点及其相互作用采用计算机图论理论抽象成一个复杂网络,用网络的理论来研究蛋白质分子内部的相互作用是研究热点之一。传统图理论方法有基于划分的方法、基于层次聚类的方法、基于密度的局部搜索方法等。基于划分的聚类结果依赖于初始划分质量的好坏,且划分后的每个蛋白质只能属于一个功能模块,因此基于图划分的方法并不适合PPI网络的聚类分析;基于层次聚类的方法对噪声非常敏感,而且很难挖掘交叠蛋白质复合物;基于密度的方法在扩充过程中允许某个蛋白质重复出现,但无法识别PPI网络中非稠密的子图结构。由于上述侦测蛋白质复合物的方法都是基于确定图模型,边要么存在要么不存在,而这些方法都存在很明显的缺陷,比如:基于确定图模型侦测方法都忽视了邻居信息。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于不确定图模型侦测蛋白质复合物的方法。
为实现上述目的及其他相关目的,本发明提供一种基于不确定图模型侦测蛋白质复合物的方法,该方法包括:
将蛋白质作为不确定图的顶点,蛋白质之间的相互作用作为不确定图的边;
根据不确定图模型,定义期望稠密度,判断每个顶点是否属于核;
计算蛋白质和他邻居蛋白质的皮尔逊系数,进一步判断该蛋白质是否属于核;
根据不确定图模型,定义邻居顶点相关度,判断该蛋白质是否属于附件;
对所有挖掘到的蛋白质复合物进行冗余过滤。
可选地,所述将蛋白质作为不确定图的顶点,蛋白质之间的相互作用作为不确定图的边,具体包括:
将Ti时刻的蛋白质相互作用网络抽象为不确定图每个蛋白质对应图的一个顶点vp,Ti时刻蛋白质的顶点集为蛋白质之间的相互作用对于图的边el(l=1,...,m),该蛋白质的边集为表示为Ti时刻蛋白质分配表达值的概率函数,表示为Ti时刻分配蛋白质之间相互作用程度的概率函数;
定义动态不确定图PPI网络DG,DG=(UGT1,UGT2,...,UGTk)。
可选地,所述根据不确定图模型,定义期望稠密度,判断每个顶点是否属于核,具体包括:
赋予Ti时刻每个蛋白质的表达值;
赋予Ti时刻蛋白质相互作用程度的概率值,顶点vp和vq间的概率值为表示顶点vp到顶点vq边的权重,其中 表示网络中包含边e(vp,vq)的三角形的数量;和分别表示顶点vp、vq的度;表示顶点vq的所有邻居顶点的集合,dpq表示网络顶点vp和vq之间的最短距离,δ表示控制每个顶点间相互作用的衰减速度与范围的参数。
可选地,所述判断该蛋白质是否属于核的方法具体为:
将所述期望稠密度ED与第一阈值比较,若期望稠密度ED大于所述第一阈值,则该蛋白质属于核,若期望稠密度ED小于所述第一阈值,则该蛋白质不属于核。
可选地,所述计算蛋白质和他邻居蛋白质的皮尔逊系数,进一步判断该蛋白质是否属于核,具体包括:
记录X={x1,x2,...,xr}和Y={y1,y2,...,yr},X和Y分别表示蛋白质X和蛋白质Y在r个时间点的表达值;
可选地,所述进一步判断该蛋白质是否属于核,具体方法为:
可选地,所述根据不确定图模型,定义邻居顶点相关度,判断该蛋白质是否属于附件,具体包括:
可选地,所述判断该蛋白质是否属于附件,具体包括:
若相关度AS(va,VS)大于第三阈值,则该蛋白质属于附件,若相关度AS(va,VS)小于第三阈值,则该蛋白质不属于附件,其中第三阈值表示Ti时刻所有核期望稠密度的平均值。
可选地,所述对所有挖掘到的蛋白质复合物进行冗余过滤,具体包括:
计算Ti时刻所有找到的蛋白质复合物的期望稠密度值,并按降序排列存入到candidatelist=(cc1,cc2,...,cct);
对于复合物期望稠密度值ccf,ccg,计算值K4=|ccf∩ccg|/|ccf|;
通过与第四阈值进行比较判断是否冗余,若出现冗余,则去除复合物ccf。
可选地,所述通过与第四阈值进行比较判断是否冗余,具体包括:
若值K4大于第四阈值,则表明出现冗余,若值K4小于第四阈值,则表明没有出现冗余。
如上所述,本发明的一种基于不确定图模型侦测蛋白质复合物的方法,具有以下有益效果:
本发明所采用的不确定图模型具有很好的表示动态PPI网络,更切合实际,从而加快了搜索效率,更能精确预言蛋白质复合物。
附图说明
为了进一步阐述本发明所描述的内容,下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解,这些附图仅作为典型示例,而不应看作是对本发明的范围的限定。
图1是本发明的T1、T2、T3时间戳的蛋白质交互网络;
图2是本发明的算法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本发明提供一种基于不确定图模型侦测蛋白质复合物的方法,包括步骤:
步骤A.蛋白质相互作用网络(PPI)中蛋白质复合物侦测问题建模,将蛋白质看成不确定图的顶点,蛋白质之间的相互作用看作不确定图的边;
步骤B.根据不确定图模型,定义期望稠密度,判断每个顶点是否属于核;
步骤C.计算蛋白质和他邻居蛋白质的皮尔逊系数,进一步判断该蛋白质是否属于核;
步骤D.根据不确定图模型,定义相关度,来判断蛋白质是否属于附件;
步骤E.对所有挖掘到的蛋白质复合物进行冗余过滤,避免挖掘到的蛋白质复合物有重复;
具体地,在步骤A中,将蛋白质看成不确定图的顶点,蛋白质之间的相互作用看作不确定图的边,具体包括:
步骤A1.将Ti时刻的蛋白质相互作用网络抽象为不确定图每个蛋白质对应图的一个顶点vp(p=1,...,n),Ti时刻蛋白质的顶点集为蛋白质之间的相互作用对于图的边el(l=1,...,m),该蛋白质的边集为表示每个蛋白质在Ti时刻表达值的概率函数,表示在Ti时刻蛋白质之间相互作用程度的概率函数;
步骤A2.定义动态不确定图PPI网络(DUPN)DG,DG=(UGT1,UGT2,...,UGTk)。
在步骤B中,根据不确定图模型,定义期望稠密度,判断每个顶点是否属于核;包括步骤:
步骤B1.赋予Ti时刻每个蛋白质的表达值,
步骤B2.赋予Ti时刻蛋白质相互作用程度的概率值,顶点vp和vq间的概率值为,表示顶点vp到顶点vq边的权重,其中 表示网络中包含边e(vp,vq)的三角形的数量;和分别表示顶点vp、vq的度;表示顶点vq的所有邻居顶点的集合;dpq表示网络顶点vp和vq之间的最短距离,δ表示控制每个顶点间相互作用的衰减速度与范围的参数,本实施例中将δ取值为0.9428。
步骤B5.定义期望稠密度为ED,计算通过比较第一阈值,从而判断该蛋白质是否属于核。具体地,将所述期望稠密度ED与第一阈值比较,若期望稠密度ED大于所述第一阈值,则该蛋白质属于核,若期望稠密度ED小于所述第一阈值,则该蛋白质不属于核。
在步骤步骤C,计算蛋白质和他邻居蛋白质的皮尔逊系数,进一步判断该蛋白质是否属于核,具体包括步骤:
步骤C1.记录X={x1,x2,...,xr}和Y={y1,y2,...,yr},X和Y分别表示蛋白质X和蛋白质Y在r个时间点的表达值;
所述进一步判断该蛋白质是否属于核,具体方法为:
在步骤D中.根据不确定图模型,定义相关度,来判断蛋白质是否属于附件,包括步骤:
步骤D2.取步骤B2里面的值p(vp,vq);
步骤D2.计算值H3,H3=|VS|;
步骤E中,对所有挖掘到的蛋白质复合物进行冗余过滤,具体包括:
步骤E1.由前面可得到Ti时刻所有复合物的集合candidate_complex=(cc1,cc2,...,ccn);
步骤E2.对于复合物ccf(f∈1,2,...,n),计算所有期望稠密度ED(ccf,UGTi);
步骤E3.由步骤E2得到所有复合物的期望稠密度ED(ccf,UGTi),根据ED(ccf,UGTi),将所有复合物按降序排序,并存放到candidatelist=(cc1,cc2,...,cct);
步骤E4.对于复合物ccf,ccg(f∈1,2,...,n),计算值K4=|ccf∩ccg|/|ccf|;
步骤E5.有步骤E4得出来的值K4在比较第四阈值,从而达到去冗余的目的。具体地,若值K4大于第四阈值,则表明出现冗余,若值K4小于第四阈值,则表明没有出现冗余。
本发明所采用的不确定图模型具有很好的表示动态PPI网络,更切合实际,从而加快了搜索效率,更能精确预言蛋白质复合物。
本发明还提供一种基于不确定图模型侦测蛋白质复合物的方法,包括步骤:
步骤1.将生物蛋白质交互网络(PPI)侦测蛋白质复合物问题抽象化为图的表示形式,如图1所示,蛋白质交互网络中每个蛋白质相对应于图中的每个顶点vi,图中的边ei表示蛋白质交互网络中蛋白质之间存在相互作用。
步骤1.1.动态蛋白质交互网络生物学上共有36个时间戳,针对每个时间戳的蛋白质交互网络,本发明算法去侦测蛋白质复合物,如图1所示表示T1、T2、T3三个时间戳的蛋白质交互网络。
步骤4.初步寻找核:
步骤5.再次寻找核:
步骤5.1.依次计算每个蛋白质vi在36个时间戳的平均表达值,并记为vi',邻居蛋白质vj记为vj';
步骤5.2.依次遍历步骤4得到的核的邻居蛋白质,并记为nei;
步骤5.3.依次选取nei中每个蛋白质,然后根据PCC(X,Y)(皮尔逊)公式计算非核候选者蛋白质的皮尔系数值,如果PCC(vi,vj)大于预定阈值Tp,这里的Tp值为0.3,则表示该蛋白质属于核候选者。
步骤6.将得到的所有核候选者再次进行期望稠密度计算,进一步判断核候选者内所有蛋白质是否满足条件,并并入核集(core)。
步骤7.计算核邻居顶点相关度:即
步骤7.1.定义邻居集合NEI,搜索核所有邻居顶点并存入NEI;
步骤7.3.计算得到蛋白质va和vz的表达值;
步骤7.4.计算核(core)内蛋白质数量为|core|;
步骤7.5.计算相关度的值AS(va,core),判断是否大于预定阈值Avg_score,若是,说明该蛋白质属于附件。
步骤8.去冗余,即:
步骤8.1.计算Ti时刻所有找到的蛋白质复合物的期望稠密度值,并按降序排列存入candidatelist=(cc1,cc2,...,cct);
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种基于不确定图模型侦测蛋白质复合物的方法,其特征在于,该方法包括:
将蛋白质作为不确定图的顶点,蛋白质之间的相互作用作为不确定图的边,具体包括:
将Ti时刻的蛋白质相互作用网络抽象为不确定图每个蛋白质对应图的一个顶点vp,Ti时刻蛋白质的顶点集为蛋白质之间的相互作用对于图的边el,l=1,...,m,该蛋白质的边集为表示为Ti时刻蛋白质分配表达值的概率函数,表示为Ti时刻分配蛋白质之间相互作用程度的概率函数;
定义动态不确定图PPI网络DG,DG=(UGT1,UGT2,...,UGTk);
根据不确定图模型,定义期望稠密度,判断每个顶点是否属于核,具体包括:
赋予Ti时刻每个蛋白质的表达值;
赋予Ti时刻蛋白质相互作用程度的概率值,顶点vp和vq间的概率值为表示顶点vp到顶点vq边的权重,其中 表示网络中包含边e(vp,vq)的三角形的数量;和分别表示顶点vp、vq的度;表示顶点vq的所有邻居顶点的集合,dpq表示网络顶点vp和vq之间的最短距离,δ表示控制每个顶点间相互作用的衰减速度与范围的参数;
其中,H1=|VS|×(|VS|-1),VS表示Ti蛋白质子集,其中判断该蛋白质是否属于核,具体包括:将所述期望稠密度ED与第一阈值比较,若期望稠密度ED大于所述第一阈值,则该蛋白质属于核,若期望稠密度ED小于所述第一阈值,则该蛋白质不属于核;
计算蛋白质和他邻居蛋白质的皮尔逊系数,进一步判断该蛋白质是否属于核;进一步判断该蛋白质是否属于核,具体包括:
记录X={x1,x2,...,xr}和Y={y1,y2,...,yr},X和Y分别表示蛋白质X和蛋白质Y在r个时间点的表达值;
根据不确定图模型,定义邻居顶点相关度,判断该蛋白质是否属于附件;
对所有挖掘到的蛋白质复合物进行冗余过滤。
4.根据权利要求3所述的一种基于不确定图模型侦测蛋白质复合物的方法,其特征在于,所述判断该蛋白质是否属于附件,具体包括:
若相关度AS(va,VS)大于第三阈值,则该蛋白质属于附件,若相关度AS(va,VS)小于第三阈值,则该蛋白质不属于附件,其中第三阈值表示Ti时刻所有核期望稠密度的平均值。
5.根据权利要求3所述的一种基于不确定图模型侦测蛋白质复合物的方法,其特征在于,所述对所有挖掘到的蛋白质复合物进行冗余过滤,具体包括:
计算Ti时刻所有找到的蛋白质复合物的期望稠密度值,并按降序排列存入到candidatelist=(cc1,cc2,...,cct);
对于复合物期望稠密度值ccf,ccg,计算值K4=|ccf∩ccg|/|ccf|;
通过与第四阈值进行比较判断是否冗余,若出现冗余,则去除复合物ccf。
6.根据权利要求5所述的一种基于不确定图模型侦测蛋白质复合物的方法,其特征在于,所述通过与第四阈值进行比较判断是否冗余,具体包括:
若值K4大于第四阈值,则表明出现冗余,若值K4小于第四阈值,则表明没有出现冗余。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518891.4A CN109493915B (zh) | 2018-12-12 | 2018-12-12 | 一种基于不确定图模型侦测蛋白质复合物的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518891.4A CN109493915B (zh) | 2018-12-12 | 2018-12-12 | 一种基于不确定图模型侦测蛋白质复合物的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493915A CN109493915A (zh) | 2019-03-19 |
CN109493915B true CN109493915B (zh) | 2021-05-07 |
Family
ID=65709987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811518891.4A Expired - Fee Related CN109493915B (zh) | 2018-12-12 | 2018-12-12 | 一种基于不确定图模型侦测蛋白质复合物的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493915B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517729B (zh) * | 2019-09-02 | 2021-05-04 | 吉林大学 | 一种从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868582A (zh) * | 2016-03-25 | 2016-08-17 | 陕西师范大学 | 采用果蝇优化方法识别蛋白质复合物 |
CN106228036A (zh) * | 2016-07-26 | 2016-12-14 | 陕西师范大学 | 一种采用烟花算法识别蛋白质复合物的方法 |
CN106432496A (zh) * | 2007-07-16 | 2017-02-22 | 健泰科生物技术公司 | 抗cd79b抗体和免疫偶联物及使用方法 |
CN108319812A (zh) * | 2018-02-05 | 2018-07-24 | 陕西师范大学 | 一种基于布谷鸟搜索算法识别关键蛋白质的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150126390A1 (en) * | 2013-09-12 | 2015-05-07 | Washington University | Multiplex avidity profiling of protein aggregates |
-
2018
- 2018-12-12 CN CN201811518891.4A patent/CN109493915B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106432496A (zh) * | 2007-07-16 | 2017-02-22 | 健泰科生物技术公司 | 抗cd79b抗体和免疫偶联物及使用方法 |
CN105868582A (zh) * | 2016-03-25 | 2016-08-17 | 陕西师范大学 | 采用果蝇优化方法识别蛋白质复合物 |
CN106228036A (zh) * | 2016-07-26 | 2016-12-14 | 陕西师范大学 | 一种采用烟花算法识别蛋白质复合物的方法 |
CN108319812A (zh) * | 2018-02-05 | 2018-07-24 | 陕西师范大学 | 一种基于布谷鸟搜索算法识别关键蛋白质的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109493915A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Detecting protein complexes based on uncertain graph model | |
Kwak et al. | Unsupervised object discovery and tracking in video collections | |
Karagiorgou et al. | On vehicle tracking data-based road network generation | |
CN109145171B (zh) | 一种多尺度地图数据更新方法 | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
Gao et al. | Hexahedral mesh re-parameterization from aligned base-complex | |
CN112214642B (zh) | 地理语义关联约束的多视频事件盲区变化过程推演方法 | |
CN102176223B (zh) | 基于关键蛋白质和局部适应的蛋白质复合物识别方法 | |
CN105741355A (zh) | 一种三角网格模型的块分割方法 | |
CN110517729B (zh) | 一种从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法 | |
CN106845536B (zh) | 一种基于图像缩放的并行聚类方法 | |
CN105139379A (zh) | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 | |
Zhao et al. | Protein pocket detection via convex hull surface evolution and associated Reeb graph | |
CN109727637B (zh) | 基于混合蛙跳算法识别关键蛋白质的方法 | |
CN113205529B (zh) | 一种基于机载LiDAR点云分割建筑物顶面的方法 | |
CN111145830A (zh) | 基于网络传播的蛋白质功能预测方法 | |
Zhou et al. | Deep learning-based instance segmentation for indoor fire load recognition | |
CN109493915B (zh) | 一种基于不确定图模型侦测蛋白质复合物的方法 | |
CN111209611A (zh) | 一种基于双曲几何的有向网络空间嵌入方法 | |
Yu et al. | ArchShapesNet: a novel dataset for benchmarking architectural building information modeling element classification algorithms | |
CN112634447B (zh) | 一种露头岩层分层方法、装置、设备及存储介质 | |
Li et al. | Multi-stage pseudo-label iteration framework for semi-supervised land-cover mapping | |
Zheng et al. | Lay-Net: Grafting Netlist Knowledge on Layout-Based Congestion Prediction | |
Shi et al. | CPredictor 4.0: effectively detecting protein complexes in weighted dynamic PPI networks | |
CN112348048A (zh) | 一种多结构多任务深度神经网络及其训练、分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210507 |