CN109767809A - 蛋白质相互作用网络的对齐方法 - Google Patents
蛋白质相互作用网络的对齐方法 Download PDFInfo
- Publication number
- CN109767809A CN109767809A CN201910039711.2A CN201910039711A CN109767809A CN 109767809 A CN109767809 A CN 109767809A CN 201910039711 A CN201910039711 A CN 201910039711A CN 109767809 A CN109767809 A CN 109767809A
- Authority
- CN
- China
- Prior art keywords
- protein
- node
- network
- affinity score
- 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
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种蛋白质相互作用网络的对齐方法，包括获取待对齐的蛋白质相互作用网络；对蛋白质相互作用网络进行图嵌入得到每个节点的拓扑向量；计算网络中每个节点的拓扑相似分数；计算每两个蛋白质节点之间的生物相似分数；计算得到相似性矩阵；对相似性矩阵进行求解，从而得到对齐结果。本发明提供的这种蛋白质相互作用网络的对齐方法，结合网络拓扑结构信息和蛋白质序列生物信息时不再需要参数平衡这些因素，解决生物网络在涉及多种属性信息的相似度计算方面的问题，提高了蛋白质相互作用网络进行对齐的方法的有效性，而且本发明方法的网络对齐结果可靠性高，有效性好。
Description
技术领域
本发明具体涉及一种蛋白质相互作用网络的对齐方法。
背景技术
蛋白质是生命活动中不可缺少的物质，几乎参与了生命活动的所有周期。由于高通量生物技术的进步，大规模蛋白质相互作用(Protein-Protein Interaction,PPI)网络数据已经可用于许多物种。通过对不同物种的蛋白质相互作用网络进行比较分析，可以找到不同物种蛋白质相互作用网络中蛋白质的功能直系同源物，并发现蛋白质相互作用网络中保守的子网图形。蛋白质相互作用网络对齐旨在通过比较基于序列相似性，拓扑保护等信息的网络，找到一对一或多对多的节点映射。探索一种高效的蛋白质相互作用网络对齐的方法至关重要。
在构建蛋白质网络中，点和边分别表示蛋白质分子和蛋白质与蛋白质间的相互作用关系，这种关系一般指蛋白质间的物理相互作用。蛋白质相互作用网络在生命活动中发挥着重要作用，同时对生物体生存、药物标靶设计、疾病治疗及预测等方面有着重要的应用价值。在蛋白质相互作用网络中不仅仅存在拓扑结构特征信息，也存在蛋白质自身序列信息。
目前蛋白质相互作用网络对齐的方法中大部分采用系数加权策略，将蛋白质相互作用网络中多种信息结合作用于对齐，该方法的核心思想是结合蛋白质相互作用网络中拓扑结构信息和节点生物属性信息，将两者按照一定的系数比例相加，得到蛋白质节点之间的相似分数。这种方法是目前常用的用于解决蛋白质相互作用网络中拓扑信息和生物属性信息结合使用的方法，但是系数加权的方法实际上是将蛋白质的拓扑分数和节点生物分数按照一定比例进行加和，这就需要选取适当比例参数，以便平衡两类信息在蛋白质相似性中所占比重，但是如何选取参数是一个难以解决的困难，导致对齐结果误差较大。
发明内容
本发明的目的在于提供一种同时考虑网络拓扑结构信息和蛋白质节点序列信息，并且使用无参数的方法将多个信息结合到蛋白质相互作用网络的对齐方法。
本发明提供的这种蛋白质相互作用网络的对齐方法，包括如下步骤：
S1.获取待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络；
S2.对步骤S1获取的两个蛋白质相互作用网络进行图嵌入，从而得到两个蛋白质相互作用网络中每一个节点的拓扑向量；
S3.计算第一蛋白质相互作用网络中的每一个节点与第二蛋白质相互作用网络中的每一个节点的拓扑相似分数；
S4.计算第一蛋白质相互作用网络和第二蛋白质相互作用网络中，每两个蛋白质节点之间的生物相似分数；
S5.根据步骤S3得到的拓扑相似分数和步骤S4得到的生物相似分数，计算得到待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络之间的相似性矩阵；
S6.对步骤S5得到的相似性矩阵进行求解，从而得到待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络的对齐结果。
步骤S2所述的对步骤S1获取的两个蛋白质相互作用网络进行图嵌入，从而得到两个蛋白质相互作用网络中每一个节点的拓扑向量，具体为考虑每一个节点在所属的网络中的第1跳～第n跳邻居，获取每一个节点的拓扑结构信息，并进行图嵌入，从而将网络中的每一个节点的拓扑结构信息转换为拓扑向量。
步骤S3所述的计算每一个节点的拓扑相似分数，具体为采用如下步骤计算拓扑相似分数：
A.计算节点a和节点x之间的欧式距离；其中节点a属于第一蛋白质相互作用网络，x属于第二蛋白质相互作用网络
B.采用如下算式计算拓扑相似分数T(a,x)：
T(a,x)＝e-dist
式中e为自然常数，dist为节点a和节点x之间的欧式距离。
步骤S4所述的计算每两个蛋白质节点之间的生物相似分数，具体可以采用BLAST算法计算每两个蛋白质节点之间的生物相似分数。
步骤S5所述的计算得到待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络之间的相似性矩阵，具体为采用如下步骤计算相似性矩阵：
(1)初始化相似性矩阵为全零矩阵；
(2)针对待对齐的第一蛋白质相互作用网络G1和第二蛋白质相互作用网络G2，根据步骤S4获取的生物相似分数，遍历所有的节点对，筛选出生物相似分数大于第一设定值的节点对，每一对节点对记为一条link边；
(3)若存在link边(a,x)，其中a∈G1且x∈G2，则将link边(a,x)的所有邻居节点中的link边加入集合SN；link边(a,x)的所有邻居节点中的link边均称为link边(a,x)的邻居link边；
(4)计算link边(a,x)的集合SN中的所有邻居link边的贡献相似值；
(5)计算link边(a,x)的相似值；
(6)根据步骤(4)得到的link边(a,x)的所有邻居link边的贡献相似值和步骤(5)的link边(a,x)的相似值，更新相似性矩阵，从而得到最终的相似性矩阵。
步骤(4)所述的计算link边(a,x)的集合SN中的所有邻居link边的贡献相似值，具体为采用如下算式计算贡献相似值Si：
Si＝T(a,x)N(a,x)N(b,y)T(b,y)
式中T(a,x)为节点a和节点x之间的拓扑相似分数，N(a,x)为节点a和节点x之间的生物相似分数，N(b,y)为节点b和节点y之间的生物相似分数，T(b,y)为节点b和节点y之间的拓扑相似分数，且a,b∈G1，x,y∈G2，节点a和节点b之间有边相连，节点x和节点y之间有边相连。
上述计算中采用link边(a,x)和该邻居link边的两种分数的乘积表示，消除了以往两类分数相加时需要考虑的不同种相似分数各自所占比重的参数。
步骤(5)所述的计算link边(a,x)的相似值，具体为采用如下算式计算link边(a,x)的相似值S(a,x)：
式中Si为link边(a,x)的集合SN中的所有邻居link边的贡献相似值，S0(a,x)＝T(a,x)N(a,x)，T(a,x)为节点a和节点x之间的拓扑相似分数，N(a,x)为节点a和节点x之间的生物相似分数。
上述计算link边(a,x)的相似值时采用该link边的两种分数乘积与所有邻居link边的贡献相似值的加和表示，从而消除了计算每一条link边相似值时考虑两类相似分数所占比重的参数。
步骤(6)所述的更新相似性矩阵，具体为步骤(5)得到的相似值S(a,x)即为节点a和节点x在相似性矩阵中的值。
步骤S6所述的对步骤S5得到的相似性矩阵进行求解，具体为采用二分图最大匹配算法对相似性矩阵进行求解。
本发明提供的这种蛋白质相互作用网络的对齐方法，是一种结合网络拓扑结构信息和蛋白质序列生物信息的方法，该方法不再将多个因素进行有参数的加和的结果当做相似性分数，而是采用了无参数方法将多个因素分数结合作为相似性分数，每一对节点之间的相似分数来自于该对节点自身的两类信息的乘积与邻居link边的相似贡献值的共同作用，因此该方法不再需要参数平衡这些因素，解决了生物网络在涉及多种属性信息的相似度计算方面的问题，提高了蛋白质相互作用网络进行对齐的方法的有效性，而且本发明方法的网络对齐结果可靠性高，有效性好。
附图说明
图1为本发明方法的方法流程图。
图2为本发明方法的实施例中计算拓扑相似向量和拓扑相似分数的步骤示意图。
图3为本发明方法的实施例中的生物相似分数示意图。
图4为本发明方法的实施例中的计算相似性矩阵的步骤示意图。
图5为本发明方法的实施例中的对齐结果示意图。
具体实施方式
如图1所示为本发明方法的方法流程图：本发明提供的这种蛋白质相互作用网络的对齐方法，包括如下步骤：
S1.获取待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络；
S2.对步骤S1获取的两个蛋白质相互作用网络进行图嵌入，从而得到两个蛋白质相互作用网络中每一个节点的拓扑向量；
在具体实施时，考虑每一个节点在所属的网络中的第1跳～第n跳邻居，获取每一个节点的拓扑结构信息，并进行图嵌入，从而将网络中的每一个节点的拓扑结构信息转换为拓扑向量；
S3.计算第一蛋白质相互作用网络中的每一个节点与第二蛋白质相互作用网络中的每一个节点的拓扑相似分数；具体为采用如下步骤计算拓扑相似分数：
A.计算节点a和节点x之间的欧式距离；其中节点a属于第一蛋白质相互作用网络，x属于第二蛋白质相互作用网络；
B.采用如下算式计算拓扑相似分数T(a,x)：
T(a,x)＝e-dist
式中e为自然常数，dist为节点a和节点x之间的欧式距离；
S4.计算第一蛋白质相互作用网络和第二蛋白质相互作用网络中，每两个蛋白质节点之间的生物相似分数；在具体实施时，可以采用BLAST算法计算每两个蛋白质节点之间的生物相似分数；
S5.根据步骤S3得到的拓扑相似分数和步骤S4得到的生物相似分数，计算得到待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络之间的相似性矩阵；具体为采用如下步骤计算相似性矩阵：
(1)初始化相似性矩阵S为全零矩阵，相似性矩阵S的维度为|G1|*|G2|，|G1|为网络G1的节点个数，|G2|为网络G2的节点个数，而且只有节点对的生物相似分数大于等于第一设定值时，该节点对的相似分数才会被更新，即只有被筛选为link边的相似分数才会被更新；同时，由于所有被筛选后的link边的相似值计算都是互不影响的，所以所有link边可以并发操作对相似性矩阵进行更新；
(2)针对待对齐的第一蛋白质相互作用网络G1和第二蛋白质相互作用网络G2，根据步骤S4获取的生物相似分数，遍历所有的节点对，筛选出生物相似分数大于第一设定值(比如0.1)的节点对，每一对节点对记为一条link边；
(3)若存在link边(a,x)，其中a∈G1且x∈G2，则将link边(a,x)的所有邻居节点中的link边加入集合SN；link边(a,x)的所有邻居节点中的link边均称为link边(a,x)的邻居link边；
(4)计算link边(a,x)的集合SN中的所有邻居link边的贡献相似值；
在具体实施时，可以采用如下算式计算贡献相似值Si：
Si＝T(a,x)N(a,x)N(b,y)T(b,y)
式中T(a,x)为节点a和节点x之间的拓扑相似分数，N(a,x)为节点a和节点x之间的生物相似分数，N(b,y)为节点b和节点y之间的生物相似分数，T(b,y)为节点b和节点y之间的拓扑相似分数，且a,b∈G1，x,y∈G2，节点a和节点b之间有边相连，节点x和节点y之间有边相连；
上述计算中采用link边(a,x)和该邻居link边的两种分数的乘积表示，消除了以往两类分数相加时需要考虑的不同种相似分数各自所占比重的参数；(5)计算link边(a,x)的相似值；
在具体实施时，可以采用如下算式计算link边(a,x)的相似值S(a,x)：
式中Si为link边(a,x)的集合SN中的所有邻居link边的贡献相似值，S0(a,x)＝T(a,x)N(a,x)，T(a,x)为节点a和节点x之间的拓扑相似分数，N(a,x)为节点a和节点x之间的生物相似分数；
上述计算link边(a,x)的相似值时采用该link边的两种分数乘积S0与所有邻居link边的贡献相似值的和相加，从而消除了计算每一条link边相似值时考虑两类相似分数所占比重的参数；
(6)根据步骤(4)得到的link边(a,x)的所有邻居link边的贡献相似值和步骤(5)的link边(a,x)的相似值，更新相似性矩阵，从而得到最终的相似性矩阵；具体为步骤(5)得到的相似值S(a,x)即为节点a和节点x在相似性矩阵中的值；
S6.对步骤S5得到的相似性矩阵进行求解(可以采用二分图最大匹配算法对相似性矩阵进行求解)，从而得到待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络的对齐结果。
以下，结合一个实施案例对本发明方法进行进一步说明：
在图2中，采用了struc2vec的Graph Embedding方法得到G1和G2中每个节点的拓扑向量表示。然后，根据节点的拓扑向量表示计算向量之间的欧氏距离dist，节点对之间的拓扑相似值可根据公式计算得到。本例中以图3中的数据表示节点对之间的生物相似值，实际应用中可以有多种方法得到蛋白质节点之间的生物相似值，例如BLAST方法。本例中用阈值0.1来筛选图3中生物相似性值，得到G1和G2之间的link边。
如图4所示，虚线为部分被筛选之后的link边，其中G1和G2中link边(C,c)，T(C,c)＝0.8170，N(c,c)＝0.75，S0(C,c)＝0.6128。link边(C,c)存在邻居link边(A,a)、(A,b)、(B,a)、(B,b)，其中，T(A,a)＝0.8414，N(A,a)＝0.77；T(A,b)＝0.6802，N(A,b)＝0.63；T(B,a)＝0.7706，N(B,a)＝0.71；T(B,b)＝0.8121，N(B,b)＝0.75；故计算得到link边(C,c)的四条邻居link边的贡献相似值分别为S1＝0.3970，S2＝0.2626，S3＝0.3353，S4＝0.3732，更新S(C,c)＝1.9808；将所有的link边的相似分数都进行更新后，得到相似性矩阵S，如下表1所示：
表1相似性矩阵S示意表
| 节点ID | a | b | c | d | e | f | g |
| A | 3.1803 | 1.4233 | 0.1864 | 0.0220 | 0 | 0 | 0 |
| B | 1.3644 | 1.9276 | 0.2774 | 0 | 0 | 0 | 0 |
| C | 0.2017 | 0.3773 | 1.9808 | 0 | 0.2003 | 0 | 0.2768 |
| D | 0 | 0 | 0.1433 | 0.8244 | 0 | 0.5999 | 0.7290 |
| E | 0 | 0 | 0.1884 | 0 | 1.0639 | 0.5229 | 0.7378 |
| F | 0 | 0 | 0.1997 | 0 | 0 | 1.0354 | 0.7756 |
其中，计算得到的S(C,c)＝1.9808，对应于相似性矩阵S的纵行C和横行c所对应的位置。
再利用相似性矩阵S进行二部图的最大匹配求解，得到对齐结果(如图5所示)。
Claims (9)
1.一种蛋白质相互作用网络的对齐方法，包括如下步骤：
S1.获取待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络；
S2.对步骤S1获取的两个蛋白质相互作用网络进行图嵌入，从而得到两个蛋白质相互作用网络中每一个节点的拓扑向量；
S3.计算第一蛋白质相互作用网络中的每一个节点与第二蛋白质相互作用网络中的每一个节点的拓扑相似分数；
S4.计算第一蛋白质相互作用网络和第二蛋白质相互作用网络中，每两个蛋白质节点之间的生物相似分数；
S5.根据步骤S3得到的拓扑相似分数和步骤S4得到的生物相似分数，计算得到待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络之间的相似性矩阵；
S6.对步骤S5得到的相似性矩阵进行求解，从而得到待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络的对齐结果。
2.根据权利要求1所述的蛋白质相互作用网络的对齐方法，其特征在于步骤S2所述的对步骤S1获取的两个蛋白质相互作用网络进行图嵌入，从而得到两个蛋白质相互作用网络中每一个节点的拓扑向量，具体为考虑每一个节点在所属的网络中的第1跳～第n跳邻居，获取每一个节点的拓扑结构信息，并进行图嵌入，从而将网络中的每一个节点的拓扑结构信息转换为拓扑向量。
3.根据权利要求2所述的蛋白质相互作用网络的对齐方法，其特征在于步骤S3所述的计算每一个节点的拓扑相似分数，具体为采用如下步骤计算拓扑相似分数：
A.计算节点a和节点x之间的欧式距离；其中节点a属于第一蛋白质相互作用网络，x属于第二蛋白质相互作用网络；
B.采用如下算式计算拓扑相似分数T(a,x)：
T(a,x)＝e-dist
式中e为自然常数，dist为节点a和节点x之间的欧式距离。
4.根据权利要求3所述的蛋白质相互作用网络的对齐方法，其特征在于步骤S4所述的计算每两个蛋白质节点之间的生物相似分数，具体为采用BLAST算法计算每两个蛋白质节点之间的生物相似分数。
5.根据权利要求1～4之一所述的蛋白质相互作用网络的对齐方法，其特征在于步骤S5所述的计算得到待对齐的第一蛋白质相互作用网络和第二蛋白质相互作用网络之间的相似性矩阵，具体为采用如下步骤计算相似性矩阵：
(1)初始化相似性矩阵为全零矩阵；
(2)针对待对齐的第一蛋白质相互作用网络G1和第二蛋白质相互作用网络G2，根据步骤S4获取的生物相似分数，遍历所有的节点对，筛选出生物相似分数大于第一设定值的节点对，每一对节点对记为一条link边；
(3)若存在link边(a,x)，其中a∈G1且x∈G2，则将link边(a,x)的所有邻居节点中的link边加入集合SN；link边(a,x)的所有邻居节点中的link边均称为link边(a,x)的邻居link边；
(4)计算link边(a,x)的集合SN中的所有邻居link边的贡献相似值；
(5)计算link边(a,x)的相似值；
(6)根据步骤(4)得到的link边(a,x)的所有邻居link边的贡献相似值和步骤(5)的link边(a,x)的相似值，更新相似性矩阵，从而得到最终的相似性矩阵。
6.根据权利要求5所述的蛋白质相互作用网络的对齐方法，其特征在于步骤(4)所述的计算link边(a,x)的集合SN中的所有邻居link边的贡献相似值，具体为采用如下算式计算贡献相似值Si：
Si＝T(a,x)N(a,x)N(b,y)T(b,y)
式中T(a,x)为节点a和节点x之间的拓扑相似分数，N(a,x)为节点a和节点x之间的生物相似分数，N(b,y)为节点b和节点y之间的生物相似分数，T(b,y)为节点b和节点y之间的拓扑相似分数，且a,b∈G1，x,y∈G2，节点a和节点b之间有边相连，节点x和节点y之间有边相连。
7.根据权利要求6所述的蛋白质相互作用网络的对齐方法，其特征在于步骤(5)所述的计算link边(a,x)的相似值，具体为采用如下算式计算link边(a,x)的相似值S(a,x)：
式中Si为link边(a,x)的集合SN中的所有邻居link边的贡献相似值，S0(a,x)＝T(a,x)N(a,x)，T(a,x)为节点a和节点x之间的拓扑相似分数，N(a,x)为节点a和节点x之间的生物相似分数。
8.根据权利要求7所述的蛋白质相互作用网络的对齐方法，其特征在于步骤(6)所述的更新相似性矩阵，具体为步骤(5)得到的相似值S(a,x)即为节点a和节点x在相似性矩阵中的值。
9.根据权利要求5所述的蛋白质相互作用网络的对齐方法，其特征在于步骤S6所述的对步骤S5得到的相似性矩阵进行求解，具体为采用二分图最大匹配算法对相似性矩阵进行求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910039711.2A CN109767809B (zh) | 2019-01-16 | 2019-01-16 | 蛋白质相互作用网络的对齐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910039711.2A CN109767809B (zh) | 2019-01-16 | 2019-01-16 | 蛋白质相互作用网络的对齐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109767809A true CN109767809A (zh) | 2019-05-17 |
| CN109767809B CN109767809B (zh) | 2023-06-06 |
Family
ID=66454053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910039711.2A Active CN109767809B (zh) | 2019-01-16 | 2019-01-16 | 蛋白质相互作用网络的对齐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109767809B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110957002A (zh) * | 2019-12-17 | 2020-04-03 | 电子科技大学 | 一种基于协同矩阵分解的药物靶点相互作用关系预测方法 |
| CN111599406A (zh) * | 2020-05-25 | 2020-08-28 | 江南大学 | 结合网络聚类方法的全局多网络比对方法 |
| CN111599405A (zh) * | 2020-05-25 | 2020-08-28 | 江南大学 | 融合多种拓扑信息的生物网络比对方法 |
| CN111916149A (zh) * | 2020-08-19 | 2020-11-10 | 江南大学 | 基于层次聚类的蛋白质相互作用网络全局比对方法 |
| CN112582027A (zh) * | 2020-12-15 | 2021-03-30 | 武汉大学 | 一种基于生物蛋白质信息网络比对的同源蛋白质检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090262664A1 (en) * | 2008-04-18 | 2009-10-22 | Bonnie Berger Leighton | Method for identifying network similarity by matching neighborhood topology |
| CN102902896A (zh) * | 2012-09-25 | 2013-01-30 | 上海大学 | 基于专家知识与拓扑相似的邻居优先生物分子子网搜索方法 |
| CN103514381A (zh) * | 2013-07-22 | 2014-01-15 | 湖南大学 | 整合拓扑属性和功能的蛋白质生物网络模体识别方法 |
| CN104537280A (zh) * | 2015-01-15 | 2015-04-22 | 南京航空航天大学 | 基于文本关系相似性的蛋白质交互关系识别方法 |
| 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 |
| WO2017081687A1 (en) * | 2015-11-10 | 2017-05-18 | Ofek - Eshkolot Research And Development Ltd | Protein design method and system |
| CN107679362A (zh) * | 2017-09-19 | 2018-02-09 | 广东药科大学 | 化合物‑蛋白质相互作用亲和力识别方法、系统和装置 |
| CN107832583A (zh) * | 2017-11-08 | 2018-03-23 | 武汉大学 | 一种基于图匹配的跨物种生物通路发现方法 |
| US20180247224A1 (en) * | 2017-02-28 | 2018-08-30 | Nec Europe Ltd. | System and method for multi-modal graph-based personalization |
| CN108830045A (zh) * | 2018-06-29 | 2018-11-16 | 深圳先进技术研究院 | 一种基于多组学的生物标记物系统筛选方法 |
-
2019
- 2019-01-16 CN CN201910039711.2A patent/CN109767809B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090262664A1 (en) * | 2008-04-18 | 2009-10-22 | Bonnie Berger Leighton | Method for identifying network similarity by matching neighborhood topology |
| CN102902896A (zh) * | 2012-09-25 | 2013-01-30 | 上海大学 | 基于专家知识与拓扑相似的邻居优先生物分子子网搜索方法 |
| CN103514381A (zh) * | 2013-07-22 | 2014-01-15 | 湖南大学 | 整合拓扑属性和功能的蛋白质生物网络模体识别方法 |
| CN104537280A (zh) * | 2015-01-15 | 2015-04-22 | 南京航空航天大学 | 基于文本关系相似性的蛋白质交互关系识别方法 |
| 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 |
| WO2017081687A1 (en) * | 2015-11-10 | 2017-05-18 | Ofek - Eshkolot Research And Development Ltd | Protein design method and system |
| US20180247224A1 (en) * | 2017-02-28 | 2018-08-30 | Nec Europe Ltd. | System and method for multi-modal graph-based personalization |
| CN107679362A (zh) * | 2017-09-19 | 2018-02-09 | 广东药科大学 | 化合物‑蛋白质相互作用亲和力识别方法、系统和装置 |
| CN107832583A (zh) * | 2017-11-08 | 2018-03-23 | 武汉大学 | 一种基于图匹配的跨物种生物通路发现方法 |
| CN108830045A (zh) * | 2018-06-29 | 2018-11-16 | 深圳先进技术研究院 | 一种基于多组学的生物标记物系统筛选方法 |
Non-Patent Citations (4)
| Title |
|---|
| GAO J, ET AL.: "ConnectedAlign: a PPI network alignment method for identifying conserved protein complexes across multiple species", 《BMC BIOINFORMATICS》 * |
| LEI C,ET AL.: "Fully automated protein complex prediction based on topological similarity and community structure", 《PROTEOME SCIENCE》 * |
| TIAN W,ET AL.: "Pairwise alignment of interaction networks by fast identication of maximal conserved patterns, Pacific Symposium on Biocomputing", 《PACIFIC SYMPOSIUM ON BIOCOMPUTING》 * |
| 陈璐: "基于加权的随机游走的蛋白质功能预测", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110957002A (zh) * | 2019-12-17 | 2020-04-03 | 电子科技大学 | 一种基于协同矩阵分解的药物靶点相互作用关系预测方法 |
| CN111599406A (zh) * | 2020-05-25 | 2020-08-28 | 江南大学 | 结合网络聚类方法的全局多网络比对方法 |
| CN111599405A (zh) * | 2020-05-25 | 2020-08-28 | 江南大学 | 融合多种拓扑信息的生物网络比对方法 |
| CN111599405B (zh) * | 2020-05-25 | 2023-07-18 | 江南大学 | 融合多种拓扑信息的生物网络比对方法 |
| CN111599406B (zh) * | 2020-05-25 | 2023-08-04 | 江南大学 | 结合网络聚类方法的全局多网络比对方法 |
| CN111916149A (zh) * | 2020-08-19 | 2020-11-10 | 江南大学 | 基于层次聚类的蛋白质相互作用网络全局比对方法 |
| CN111916149B (zh) * | 2020-08-19 | 2024-05-03 | 江南大学 | 基于层次聚类的蛋白质相互作用网络全局比对方法 |
| CN112582027A (zh) * | 2020-12-15 | 2021-03-30 | 武汉大学 | 一种基于生物蛋白质信息网络比对的同源蛋白质检测方法 |
| CN112582027B (zh) * | 2020-12-15 | 2022-04-29 | 武汉大学 | 一种基于生物蛋白质信息网络比对的同源蛋白质检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109767809B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767809A (zh) | 蛋白质相互作用网络的对齐方法 | |
| CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
| Fei et al. | A new method to identify influential nodes based on relative entropy | |
| CN104008165B (zh) | 一种基于网络拓扑结构和节点属性的社团检测方法 | |
| CN110188206A (zh) | 基于翻译模型的协同迭代联合实体对齐方法及装置 | |
| Zhou et al. | An ant colony based algorithm for overlapping community detection in complex networks | |
| CN107203785A (zh) | 多路径高斯核模糊c均值聚类算法 | |
| CN106022465A (zh) | 改进人工蜂群优化的极限学习机方法 | |
| CN110175286A (zh) | 结合成对优化和矩阵分解的产品推荐方法及系统 | |
| CN104978498A (zh) | 生物分子网络拓扑结构比对的自适应方法 | |
| CN111916149A (zh) | 基于层次聚类的蛋白质相互作用网络全局比对方法 | |
| CN107885971A (zh) | 采用改进花授粉算法识别关键蛋白质的方法 | |
| CN115001983A (zh) | 基于高阶聚类系数的网络结构差异性评估方法 | |
| Banerjee et al. | Efficient genomic selection using ensemble learning and ensemble feature reduction | |
| Wang et al. | An extreme learning machine-based community detection algorithm in complex networks | |
| Yang et al. | The construction of multiple independent spanning trees on burnt pancake networks | |
| CN110808083A (zh) | 基于scRNA-seq及动态时间规整的基因调控网络构建方法 | |
| Mazur et al. | Genetic algorithms approach to community detection | |
| Sadovsky et al. | Function vs. taxonomy: the case of fungi mitochondria atp synthase genes | |
| CN115983341A (zh) | 一种基于关系聚合超图的节点分类方法 | |
| Yu et al. | Predicting phenotypes from high-dimensional genomes using gradient boosting decision trees | |
| CN108833158A (zh) | 一种基于k-means的相似性社区发现方法 | |
| Vairachilai | A comparative analysis of community detection algorithms on Complex network based on modularity | |
| CN111310849A (zh) | 一种基于knn的有效链路预测方法 | |
| CN108920890A (zh) | 一种复杂网络中结构洞Spanner的挖掘方法 |
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 |