CN109686402A - 基于动态加权相互作用网络中关键蛋白质识别方法 - Google Patents
基于动态加权相互作用网络中关键蛋白质识别方法 Download PDFInfo
- Publication number
- CN109686402A CN109686402A CN201811597170.7A CN201811597170A CN109686402A CN 109686402 A CN109686402 A CN 109686402A CN 201811597170 A CN201811597170 A CN 201811597170A CN 109686402 A CN109686402 A CN 109686402A
- Authority
- CN
- China
- Prior art keywords
- protein
- network
- dynamic
- ppi
- calculated
- 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.)
- Granted
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 122
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 12
- 230000004952 protein activity Effects 0.000 claims abstract description 21
- 230000004850 protein–protein interaction Effects 0.000 claims abstract description 13
- 230000014509 gene expression Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000013601 eggs Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 101710134784 Agnoprotein Proteins 0.000 description 1
- 101710124584 Probable DNA-binding protein Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 230000019522 cellular metabolic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000004879 molecular function Effects 0.000 description 1
- 230000009456 molecular mechanism Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于动态加权相互作用网络中关键蛋白质识别方法使用准则,计算蛋白质活动时间点和蛋白质活动概率,构建动态PPI网络,然后,根据蛋白质活动概率,计算蛋白质间相互作用权重,构建动态加权PPI网络。在建立好的动态加权PPI网络上,根据蛋白质网络的拓扑特性和生物属性,计算相互作用蛋白质对间的边缘聚类系数、基因本体相似度和皮尔逊相关系数。之后,得到一个重要性分数,最终按分值由大到小排列,输出分值对应的k个蛋白质即为最后结果。本发明提高了关键蛋白质识别的效率,扩展了该技术在生物信息领域的应用范围和实用性。
Description
技术领域
本发明属于生物信息技术领域,主要是在蛋白质相互作用网络中通过动态加权相互作用网络识别关键蛋白质的技术,特别涉及在动态加权PPI网络中通过网络拓扑特性和蛋白质生物属性识别关键蛋白质的方法。
背景技术
在生物细胞中,关键蛋白质是实现细胞功能不可缺少的,关键蛋白质的探测有助于理解细胞代谢,生长和发育的规律。因此,关于关键蛋白质的识别成为蛋白质组学领域的一项重要研究工作之一。虽然目前对于蛋白质相互作用网络中的关键蛋白质的识别取得了一些成果,但由于生命系统的高度复杂性和随机性,其他领域中卓有成效的方法往往在PPI网络分析中不一定取得理想的效果,忽略了蛋白质相互作用网络的动态性,导致识别出来的蛋白质准确率较低。
在本发明作出之前,在已有的方法中,关键蛋白质识别方法都是根据PPI中的某一顶点的某种重要性指标,如顶点的各种中心度等来排序,取其中较大的k个作为关键蛋白质。然而,这类重要性指标往往很多,如度的中心度、介度中心度、聚类中心度等,这样识别关键蛋白质的缺点是:(1)对于某一蛋白质而言,其某种中心度较高,而其他中心度未必也很高,这将导致识别的关键蛋白质精确度低;(2)基于蛋白质拓扑特性的关键蛋白质预测方法,不但依赖于蛋白质相互作用网络的准确性,同时缺乏考虑关键蛋白质的生物特性。(3)仅仅考虑了静态PPI网络下蛋白质的一些特性,忽略了蛋白质相互作用网络随着时间不断发生变化的。
发明内容
本发明的目的就在于克服上述缺陷,研制基于动态加权相互作用网络中关键蛋白质识别方法。
基于动态加权相互作用网络中关键蛋白质识别方法使用3-σ准则,计算蛋白质活动时间点和蛋白质活动概率,构建动态PPI网络,然后,根据蛋白质活动概率,计算蛋白质间相互作用权重,构建动态加权PPI网络。在建立好的动态加权PPI网络上,根据蛋白质网络的拓扑特性和生物属性,计算相互作用蛋白质对间的边缘聚类系数、基因本体相似度和皮尔逊相关系数。之后,得到一个重要性分数,最终按分值由大到小排列,输出分值对应的k个蛋白质即为最后结果。
基于动态加权相互作用网络中关键蛋白质识别方法,其主要技术特征在于如下步骤:
(1)输入PPI网络和基因表达数据;
(2)根据3-σ准则,计算蛋白质活动时间点和蛋白质活动概率,构建动态PPI网络;
(3)根据蛋白质活动概率,计算蛋白质间相互作用权重,构建动态加权PPI网络;
(4)根据蛋白质顶点之间的相互作用关系,计算边缘聚类系数;
(5)根据蛋白质的生物特性,计算相互作用蛋白质对的基因本体(Gene Ontology)相似度、皮尔逊相关系数(Person correlation coefficient);
(6)根据蛋白质顶点间的权重值、基因本体相似度和皮尔逊相关系数计算蛋白质顶点重要性分数;
(7)获得每个顶点的重要性分数并由大到小排序,排序后最大的k个值为关键蛋白质。
进一步地,所述步骤(2)根据3-σ准则,计算蛋白质活动时间点和蛋白质活动概率,构建动态PPI网络:通过步骤(1)输入PPI网络和基因表达数据,每个蛋白质具有m个时间点,每个时间点对应了一个基因表达值,根据基因表达值的平均值和标准差,计算活动阈值。将活动阈值与每个蛋白质的基因表达值进行比较,构建动态PPI网络。
进一步地,所述步骤(3)根据蛋白质活动概率,计算蛋白质间相互作用权重,构建加权动态PPI网络:通过步骤(2)计算蛋白质活动概率,为每对活动的相互作用蛋白质赋予一个权重,结合动态PPI网络,构建动态加权PPI网络。
进一步地,所述步骤(6)根据蛋白质顶点间的权重值、基因本体相似度和皮尔逊相关系数计算蛋白质顶点重要性分数:整合相互作用蛋白质网络的拓扑特性以及蛋白质的生物属性,建立一个蛋白质重要性计算公式,得出每个蛋白质的最终得分。
本发明的优点和效果在于该方法考虑了蛋白质网络的动态性,整合了蛋白质相互作用网络的拓扑特性以及蛋白质的生物属性信息,进而克服数据的不完全性、动态性以及数据的噪声性所带来的负面影响。在动态加权PPI网络上,将蛋白质相互作用网络的拓扑特性与蛋白质生物属性相结合有助于提高识别关键蛋白质的准确性,提高了关键蛋白质识别的效率,扩展了该技术在生物信息领域的应用范围和实用性。
附图说明
图1——本发明在动态加权相互作用网络中关键蛋白质识别方法流程示意图;
图2——本方法(IEP-DPPI)和其他方法在静态PPI网络和动态PPI网络中识别的关键蛋白质数量比较图。
具体实施方式
本发明的技术思路是:
根据静态PPI网络和基因表达数据,通过3-σ准则,计算蛋白质活动时间点和蛋白质活动概率,构建动态PPI网络,然后,根据蛋白质活动概率,计算蛋白质间相互作用权重,构建动态加权PPI网络。基于动态加权PPI网络,根据蛋白质顶点之间的相互作用关系,计算边缘聚类系数;根据蛋白质的生物特性,计算相互作用蛋白质对的基因本体(GeneOntology)相似度、皮尔逊相关系数(Person correlation coefficient)。最后,根据蛋白质顶点间的权重值、基因本体相似度和皮尔逊相关系数计算蛋白质顶点重要性分数,最终获得每个顶点的重要性分数并由大到小排序,排序后最大的k个值为关键蛋白质。在动态加权PPI网络中,整合生物属性和拓扑特性有助于理解未知蛋白质的功能,对于解释特定功能的分子机制有着重要意义,同时能够对药物靶细胞设计等提供重要的理论依据。所以基于动态加权相互作用网络中关键蛋白质识别方法很自然地适用于关键蛋白质的探测。
下面结合附图和具体实施方式对本发明进行详细说明。
步骤1:输入静态PPI网络和基因表达数据
步骤2:根据3-σ准则,计算蛋白质活动时间点和蛋白质活动概率,构建动态PPI网络
基因表达数据通常由m个时间点表达谱组成。设Gei(p)表示为在时间点i基因p的基因表达值。设u(p)和σ(p)分别表示基因表达数据的算术平均值和标准差。设X是正态分布的实数随机变量N(u,σ2)。对于任何k>0,P{|X-u|<kσ}=2Φ(k)-1其中,Φ(·)是标准正规定律的分布函数。特别是,当k=1,2,3时,P{|X-u|<σ}=P{u-σ<X<u+σ}≈0.6827,P{|X-u|<2σ}≈0.9545和P{|X-u|<3σ}≈0.9973。并给出如下公式:
使用3-σ准则计算不同时间点的k-σ阈值,公式如下:
使用Pri来表示蛋白质在i时间点的活动概率。因此,使用四个水平来表示基于3-σ准则的时间点i蛋白质的活动概率,其通过公式(4)计算。
首先基于每种蛋白质的活动概率构建动态蛋白质相互作用网络。对于蛋白质p,当基因表达值大于Active_threshk(p)时,认为它在时间点i是活动的。蛋白质活动的时间点的集合可以表示为Tp={t1,t2,...,tm},1≤m≤36。如果蛋白质p和蛋白质q在静态网络上相互作用并且具有共同的活动时间点,则认为蛋白质p和q在动态PPI网络上彼此相互作用。CoT(p,q)=1表明蛋白质p和q在动态PPI网络上具有相互作用。
步骤3:根据蛋白质活动概率,计算蛋白质间相互作用权重,构建动态加权PPI网络,通过公式(6)可以有效地给出时间点i的边(p,q)的加权值:
weight(ei(p,q))=Pri(p)·Pri(q) (6)
其中ei(p,q)表示p和q之间的边在时间点i有相互作用。
动态PPI网络的活动水平由每条边的权重之和计算得出,其给出如下:
基于公式(7),每条边的加权值平均值计算如下:
其中|t|表示蛋白质p和q的共同活动时间点的数量。
步骤4:根据蛋白质顶点之间的相互作用关系,计算边缘聚类系数
边(u,v)的边聚类系数可以通过以下公式计算得出:
其中,Nu和Nv分别表示顶点u和v邻居节点的集合。du和dv分别代表顶点u和v的度。
步骤5:根据蛋白质的生物特性,计算相互作用蛋白质对的基因本体(GeneOntology)相似度、皮尔逊相关系数(Person correlation coefficient)
(1)基因本体(Gene Ontology)相似度
Gene Ontology包含生物过程、细胞组成和分子功能,广泛用于检测基因功能间的关联。Gene Ontology相似度定义如下:
其中,Term(G1)和Term(G2)分别表示G1和G2的Gene Ontology术语数。
(2)皮尔逊相关系数(Person correlation coefficient)
皮尔逊相关系数(Person correlation coefficient)用于测量共表达的蛋白质对,这是两个线性依赖变量之间相关强度广泛使用的度量。基因X和Y的皮尔逊相关系数定义为:
其中,m是基因表达数据的样品数,g(X,i)和g(Y,i)分别代表样品i中基因X和Y的表达水平。
步骤6:根据蛋白质顶点间的权重值、基因本体相似度和皮尔逊相关系数计算蛋白质顶点重要性分数
定义每个相互作用边(u,v)的重要性性分数。蛋白质对u和v的必要性评分如下:
ESPS(u,v)=αECC+βSum_ave+ηPCC+γSimmatch (12)
其中,α,β,γ,η∈(0,1)
对于蛋白质v,ESPSI(v)定义为重要性得分的总和。
ESPSI(u)=∑v∈N(u)ESPS(u,v) (13)
其中,N(u)是节点u的邻居节点的集合。
步骤7:获得每个顶点的重要性分数并由大到小排序,排序后最大的k个值为关键蛋白质。
实施例:
在DIP数据集中将本发明提出的方法(IEP-DPPI)与DC,LAC,SC,BC,NC现有的方法在静态PPI网络和动态PPI网络中进行比较。对于每种方法,本发明选择前100到前600个蛋白质结果作为候选集。
DIP数据集的预测结果如图2所示。本发明提出的方法IEP-DPPI可以比其他方法在识别关键蛋白质方面获得更好的结果。同时,基于动态PPI网络预测关键蛋白质的每个典型中心度量的表现优于原始静态PPI网络。当检测到前600种蛋白质时,很明显IEP-DPPI方法在静态PPI网络上识别出的关键蛋白质的数量比BC方法高55%。
Claims (4)
1.基于动态加权相互作用网络中关键蛋白质识别方法,其特征在于,包括如下步骤:
(1)输入静态PPI网络和基因表达数据;
(2)根据3-σ准则,计算蛋白质活动时间点和蛋白质活动概率,构建动态PPI网络;
(3)根据蛋白质活动概率,计算蛋白质间相互作用权重,构建动态加权PPI网络;
(4)根据蛋白质顶点之间的相互作用关系,计算边缘聚类系数;
(5)根据蛋白质的生物特性,计算相互作用蛋白质对的基因本体相似度、皮尔逊相关系数;
(6)根据蛋白质顶点间的权重值、基因本体相似度和皮尔逊相关系数计算蛋白质顶点重要性分数;
(7)获得每个顶点的重要性分数并由大到小排序,排序后最大的k个值为关键蛋白质。
2.根据权利要求1所述的基于动态加权相互作用网络中关键蛋白质识别方法,其特征在于,所述步骤(2):通过步骤(1)输入静态PPI网络和基因表达数据,每个蛋白质具有m个时间点,每个时间点对应了一个基因表达值,根据基因表达值的平均值和标准差,计算活动阈值,将活动阈值与每个蛋白质的基因表达值进行比较,构建动态PPI网络。
3.根据权利要求1所述的基于动态加权相互作用网络中关键蛋白质识别方法,其特征在于,所述步骤(3):通过步骤(2)计算蛋白质活动概率,为每对活动的相互作用蛋白质赋予一个权重,结合动态PPI网络,构建动态加权PPI网络。
4.根据权利要求1所述的基于动态加权相互作用网络中关键蛋白质识别方法,其特征在于,所述步骤(6):整合相互作用蛋白质网络的拓扑特性以及蛋白质的生物属性,建立一个蛋白质重要性计算公式,得出每个蛋白质的最终得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811597170.7A CN109686402B (zh) | 2018-12-26 | 2018-12-26 | 基于动态加权相互作用网络中关键蛋白质识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811597170.7A CN109686402B (zh) | 2018-12-26 | 2018-12-26 | 基于动态加权相互作用网络中关键蛋白质识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109686402A true CN109686402A (zh) | 2019-04-26 |
CN109686402B CN109686402B (zh) | 2023-11-03 |
Family
ID=66189398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811597170.7A Active CN109686402B (zh) | 2018-12-26 | 2018-12-26 | 基于动态加权相互作用网络中关键蛋白质识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109686402B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517729A (zh) * | 2019-09-02 | 2019-11-29 | 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 |
CN110782944A (zh) * | 2019-10-24 | 2020-02-11 | 长沙学院 | 一种基于邻域子图连通性的蛋白质预测方法 |
CN110910953A (zh) * | 2019-11-28 | 2020-03-24 | 长沙学院 | 一种基于蛋白质-域异构网络的关键蛋白预测方法 |
CN113936743A (zh) * | 2021-11-12 | 2022-01-14 | 大连海事大学 | 一种基于异质ppi网络的蛋白质复合物识别方法 |
CN115631808A (zh) * | 2022-10-25 | 2023-01-20 | 贵州大学 | 一种分子靶点快速预测及关联机理分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279397A (zh) * | 2015-10-26 | 2016-01-27 | 华东交通大学 | 一种识别蛋白质相互作用网络中关键蛋白质的方法 |
WO2016134659A1 (zh) * | 2015-02-25 | 2016-09-01 | 苏州大学张家港工业技术研究院 | 一种利用文本数据构建蛋白质相互作用网络的方法 |
CN108681659A (zh) * | 2018-04-02 | 2018-10-19 | 首都师范大学 | 基于样本数据预测蛋白质复合物的方法 |
CN108733976A (zh) * | 2018-05-23 | 2018-11-02 | 扬州大学 | 基于融合生物与拓扑特征的关键蛋白质识别方法 |
-
2018
- 2018-12-26 CN CN201811597170.7A patent/CN109686402B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016134659A1 (zh) * | 2015-02-25 | 2016-09-01 | 苏州大学张家港工业技术研究院 | 一种利用文本数据构建蛋白质相互作用网络的方法 |
CN105279397A (zh) * | 2015-10-26 | 2016-01-27 | 华东交通大学 | 一种识别蛋白质相互作用网络中关键蛋白质的方法 |
CN108681659A (zh) * | 2018-04-02 | 2018-10-19 | 首都师范大学 | 基于样本数据预测蛋白质复合物的方法 |
CN108733976A (zh) * | 2018-05-23 | 2018-11-02 | 扬州大学 | 基于融合生物与拓扑特征的关键蛋白质识别方法 |
Non-Patent Citations (2)
Title |
---|
ANNA HEGELE等: "Dynamic Protein-Protein Interaction Wiring", 《MOLECULAR CELL》 * |
ANNA HEGELE等: "Dynamic Protein-Protein Interaction Wiring", 《MOLECULAR CELL》, 24 February 2012 (2012-02-24) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517729A (zh) * | 2019-09-02 | 2019-11-29 | 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 |
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 |
CN110782944A (zh) * | 2019-10-24 | 2020-02-11 | 长沙学院 | 一种基于邻域子图连通性的蛋白质预测方法 |
CN110910953A (zh) * | 2019-11-28 | 2020-03-24 | 长沙学院 | 一种基于蛋白质-域异构网络的关键蛋白预测方法 |
CN110910953B (zh) * | 2019-11-28 | 2022-09-13 | 长沙学院 | 一种基于蛋白质-域异构网络的关键蛋白预测方法 |
CN113936743A (zh) * | 2021-11-12 | 2022-01-14 | 大连海事大学 | 一种基于异质ppi网络的蛋白质复合物识别方法 |
CN113936743B (zh) * | 2021-11-12 | 2024-04-26 | 大连海事大学 | 一种基于异质ppi网络的蛋白质复合物识别方法 |
CN115631808A (zh) * | 2022-10-25 | 2023-01-20 | 贵州大学 | 一种分子靶点快速预测及关联机理分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109686402B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109686402A (zh) | 基于动态加权相互作用网络中关键蛋白质识别方法 | |
US20220391767A1 (en) | System and method for relational time series learning with the aid of a digital computer | |
CN108734355B (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN103473786B (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN113326377B (zh) | 一种基于企业关联关系的人名消歧方法及系统 | |
CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
CN104765768A (zh) | 海量人脸库的快速准确检索方法 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
CN110555305A (zh) | 基于深度学习的恶意应用溯源方法及相关装置 | |
CN101901251B (zh) | 基于马尔科夫过程亚稳性的复杂网络簇结构分析和识别方法 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112800231A (zh) | 电力数据校验方法、装置、计算机设备和存储介质 | |
CN111581445A (zh) | 基于图基元的图嵌入学习方法 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN117478390A (zh) | 一种基于改进密度峰值聚类算法的网络入侵检测方法 | |
CN109345011A (zh) | 一种基于深度回归森林的空调负荷预测方法及系统 | |
Xing et al. | Fuzzy c-means algorithm automatically determining optimal number of clusters | |
CN112149556B (zh) | 一种基于深度互学习和知识传递的人脸属性识别方法 | |
CN109977131A (zh) | 一种房型匹配系统 | |
CN106911512B (zh) | 在可交换图中基于博弈的链接预测方法及系统 | |
CN114298854B (zh) | 一种联合学习表示和对齐的弱监督用户身份链接方法 | |
CN116049678A (zh) | 特征贡献度评估方法、装置、电子设备和存储介质 | |
Dai et al. | Clustering of DOA data in radar pulse based on SOFM and CDbw | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 |
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 |