CN112446492B - 基于遗传算法的生物网络比对方法 - Google Patents
基于遗传算法的生物网络比对方法 Download PDFInfo
- Publication number
- CN112446492B CN112446492B CN202011466845.1A CN202011466845A CN112446492B CN 112446492 B CN112446492 B CN 112446492B CN 202011466845 A CN202011466845 A CN 202011466845A CN 112446492 B CN112446492 B CN 112446492B
- Authority
- CN
- China
- Prior art keywords
- node
- network
- population
- score
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002068 genetic effect Effects 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 2
- 241000894007 species Species 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 241000244203 Caenorhabditis elegans Species 0.000 description 4
- 241000255601 Drosophila melanogaster Species 0.000 description 3
- 230000008827 biological function Effects 0.000 description 3
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 2
- 235000014680 Saccharomyces cerevisiae Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006916 protein interaction Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法的生物网络比对方法,包括以下步骤:步骤1:读取源网络、目标网络数据文件及其序列相似性得分文件;步骤2:计算源网络、目标网络中节点的重要性得分,结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分;步骤3:基于节点对相似性得分初始化种群;步骤4:计算种群中个体的适应度值;步骤5:选择、交叉产生下一代;步骤6:重复步骤4、步骤5直至目标函数收敛或迭代次数达到阈值。本发明计算了节点在网络中的拓扑重要性,结合节点对的序列信息,充分挖掘网络节点的拓扑和生物信息,使比对结果在拓扑特性和生物特性上保持均衡的高指标。
Description
技术领域
本发明涉及生物网络全局比对技术领域,具体涉及一种基于遗传算法的生物网络比对方法。
背景技术
网络比对是复杂网络的一个研究方向,可以应用在生活中常见的交通网络、社会网络、生物网络等。其中,生物网络比对是一种常用的研究生物分子间相互作用的方法,也是分析物种间功能差异的重要手段,通过对生物网络的比较,可以挖掘物种间功能的差异性、物种间的知识转移、系统发育关系等。
现有的生物网络全局比对方法主要有以下几种:
(1)“SPINAL:scalable protein interaction network aligment”(期刊出处:Bioinformatics.2013,4(29):917–924)该算法基于局部邻域匹配构建初始相似性矩阵并由此得到粗粒度的比对结果,使用种子扩展方法以及基于迭代交换的局部改进方法得到细粒度结果。算法存在的问题:节点的生物信息挖掘不充分,导致最终比对的拓扑指标高,但生物指标低。
(2)“PROPER:global protein interaction network alignment throughpercolation matching”(期刊出处:BMC Bioinformatics,2016,17(1):527)该算法假设蛋白质序列的高相似度代表着功能的高相似度,优先挑选出具有高序列相似度的节点对进行匹配,将其作为基础比对结果,然后在该结果上逐步完善比对结果。算法存在的问题:节点的拓扑信息挖掘不充分,导致最终比对的生物指标高,但拓扑指标低。
(3)“MAGNA++:Maximizing accuracy in global network alignment via bothnode and edge conservation”(期刊出处:Bioinformatics,2015,31(14):2409-2411)该算法随机产生初始种群并以拓扑评价指标EC/ICS/S3为目标函数,利用遗传算法在优化比对结果。算法存在的问题:目标函数收敛速度慢,比对结果的指标低。
针对这三种现有算法,现亟需一种新的生物网络比对方法,能够提高比对的拓扑质量、比对的生物质量、同时提高比对速度。
发明内容
本发明要解决的技术问题是提供一种基于遗传算法的生物网络比对方法,提高比对的拓扑质量和生物质量,解决比对结果拓扑与生物质量不平衡问题,并且能够提高比对速度。
为了解决上述技术问题,本发明提供了一种基于遗传算法的生物网络比对方法,其特征在于,包括以下步骤:
步骤1:读取源网络、目标网络数据文件及其序列相似性得分文件;
步骤2:计算源网络、目标网络中节点的重要性得分,结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分;
步骤3:基于节点对相似性得分初始化种群;
步骤4:计算种群中个体的适应度值;
步骤5:选择、交叉产生下一代;
步骤6:重复步骤4、步骤5直至目标函数收敛或迭代次数达到阈值。
本发明一个较佳实施例中,进一步包括采用最小度启发式算法计算节点的重要性得分,包括如下步骤:
初始化网络Gi(i=1,2)中每个节点和边的权重,边的初始权重w(u,v)设为1,节点的初始权重w(u)设为0:
其中u,v表示网络Gi中的节点,Ei表示网络Gi中边的集合;
从度为1的节点开始,到度为10的节点结束,删除当前度最小的节点u,并更新其相邻节点和边的权重,当一个节点被移除时,它的邻接边也相应移除,移除的节点和边的权重被分配给它们的邻居节点和边;
当|N(u)|为1时:
当|N(u)|大于1时:
其中N(u)表示节点u的邻居节点集合,|N(u)|表示节点u的邻居节点个数;
计算节点v的重要性得分IS(v):
其中,IS(v)表示节点v的重要性得分,λ控制节点和边的权重,取0.4;
对节点v的重要性得分进行归一化处理:
IS(v)=IS(v)/maxv∈V{IS(v)}。
本发明一个较佳实施例中,进一步包括结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分,对于网络G1中的节点u和网络G2中的节点v,计算节点对(u,v)的相似性得分:
其中控制节点对拓扑相似性得分和序列相似性得分的权重,B(u,v)表示节点对(u,v)的归一化bit-score值,即从输入的序列相似性文件中读取相应数值并进行归一化处理。
本发明一个较佳实施例中,进一步包括所述初始化种群包括以下步骤:两个网络中的任意节点对按照相似性得分S从大到小排列,通过贪心算法选择当前相似性得分最高的节点对,直到G1网络中的每个节点都被比对上;随机产生p-1个比对结果。
本发明一个较佳实施例中,进一步包括所述种群个体适应度值即网络比对的目标函数:由节点对的相似性得分和边正确性得分构成:
其中,A表示一个比对结果,F(A)表示比对结果A的目标函数得分,S(u,v)表示节点对(u,v)的相似性得分。
本发明一个较佳实施例中,进一步包括在种群中选择的过程包括:在迭代的过程中控制种群数目p固定,且p为偶数,为保证在迭代的过程中种群的质量并且加快种群的收敛速度:NABG保留种群前50%的结果至下一代,并选择上一代种群的第i(0≤i<p/2)个个体和第p-1-i个个体为父代,交叉形成剩下的50%个体。
本发明一个较佳实施例中,进一步包括所述交叉的过程为:经过选择阶段选出父代个体后,利用Knuths正则分解和循环分解算法保证两个父代个体交叉产生一个子代个体,并且子代个体可以继承两个父代个体几乎各一半的特性。
本发明的有益效果:
使用最小度启发式算法计算节点的重要性得分,充分挖掘了节点的拓扑相似性,提高了比对的拓扑质量;
节点对相似性得分结合了节点对的生物功能相似性得分,保证了比对的生物功能质量;
利用节点对的拓扑和生物相似性得分初始化种群,将网络中在拓扑和生物功能上较为重要的节点优先被比对上;
在优化种群的过程中,保留目标函数得分高的部分个体以保证下一代种群质量,并将目标函数得分高的个体与目标函数得分低的个体交叉,保证种群个体之间的差异性,减少后代种群对初始种群的依赖,加快目标函数的收敛速度。
附图说明
图1是本发明的基于遗传算法的生物网络比对方法的流程图;
图2是本发明的种群进化过程中种群选择过程图;
图3是本发明的种群进化过程中种群交叉过程图;
图4是本发明与MAGNA++拓扑指标的比较结果;
图5是与MAGNA++算法MNE指标对比结果;
图6是与MAGNA++算法Specificity指标对比结果;
图7是四种算法在真实网络上的比对结果;
图8是对比四种算法比对结果的公共GO注释项。
图中标号说明:1、;2、;3、;4、;5、;6、;7、;8、;9、;10、;
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1所示,本发明的基于遗传算法的生物网络比对方法的一实施例,以ISOBASE数据库中的CE(秀丽隐杆线虫(Caenorhabditis Elegan)和DM(黑腹果蝇Drosophila Melanogaster)两个网络为例,
步骤1:读取ISOBASE数据库中源网络、目标网络数据文件及其序列相似性得分文件;
步骤2:计算源网络、目标网络中节点的重要性得分,结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分:
其中重要性得分的节点为:网络中通常会包含一些拓扑结构重要性高的节点,比如瓶颈节点(Bottleneck)和枢纽节点(Hub)。由于Hub节点和Bottleneck节点在拓扑结构和功能上的重要性,这些节点变异的速度较慢,通常会更具有保守性,也就是说,它们更有可能被比对上。
采用最小度启发式算法计算CE和DM网络中节点的重要性得分:
设定初始化网络Gi(i=1,2)中每个节点和边的权重,边的初始权重w(u,v)设为1,节点的初始权重w(u)设为0:
其中u,v表示网络Gi中的节点,Ei表示网络Gi中边的集合;
从度为1的节点开始,到度为10的节点结束,删除当前度最小的节点u,并更新其相邻节点和边的权重,当一个节点被移除时,它的邻接边也相应移除,移除的节点和边的权重被分配给它们的邻居节点和边;
当|N(u)|为1时:
当|N(u)|大于1时:
其中N(u)表示节点u的邻居节点集合,|N(u)|表示节点u的邻居节点个数;
计算节点v的重要性得分IS(v):
其中,IS(v)表示节点v的重要性得分,λ控制节点和边的权重,取0.4;
对节点v的重要性得分进行归一化处理:
IS(v)=IS(v)/maxv∈V{IS(v)}。
计算CE和DM网络中任意节点对的相似性得分:
对于网络G1中的节点u和网络G2中的节点v,计算节点对(u,v)的相似性得分:
其中控制节点对拓扑相似性得分和序列相似性得分的权重,B(u,v)表示节点对(u,v)的归一化bit-score值,即从输入的序列相似性文件中读取相应数值并进行归一化处理。
步骤3:基于节点对相似性得分生成初始化种群:
将CE和DM网络中的任意节点对按照相似性得分S从大到小排列,通过贪心算法选择当前相似性得分最高的节点对,直到G1网络中的每个节点都被比对上;随机产生p-1个比对结果。
步骤4:计算种群中个体的适应度值;
种群个体的适应度函数即网络比对的目标函数:由节点对的相似性得分和边正确性得分构成,达到同时优化节点对相似性和边的保守性的目的:
其中,A表示一个比对结果,F(A)表示比对结果A的目标函数得分,S(u,v)表示节点对(u,v)的相似性得分。
步骤5:对种群中个体进行选择、交叉操作,产生下一代种群;
在迭代的过程中控制种群数目p固定,且p为偶数,为保证在迭代的过程中种群的质量并且加快种群的收敛速度:NABG保留种群前50%(p/2)的结果至下一代,并选择上一代种群的第i(0≤i<p/2)个个体和第p-1-i个个体为父代,交叉形成剩下的50%(p/2)个体。
参照图2所示,展示了种群个体数目为6的种群进化过程:n代种群中0-5号个体已按照适应度值从大到小排好序。保留n代种群中适应度值高的个体:0、1、2至n+1代种群;交叉n代种群中适应度值高的个体与适应度值低的个体得到n+1代种群的3、4、5号个体,如选择0号个体与5号个体交叉产生n+1代种群的3号个体。
经过选择阶段选出父代个体后,利用Knuths正则分解和循环分解算法保证两个父代个体交叉产生一个子代个体,并且子代个体可以继承两个父代个体几乎各一半的特性。
参照图3(a)所示,固定G1网络节点的排序,则比对结果可直接由G2网络的节点排序表示,参照图3(b)所示,展示了两个父代个体交叉产生子代个体的过程,n代种群的0号个体与5号个体交叉产生n+1代种群的3号个体的具体过程。
步骤6:重复步骤4、步骤5直至目标函数收敛或迭代次数达到阈值。
具体地,为测试本发明的比对效果,命名本发明的算法为NABG,本发明先与同样使用遗传算法的MAGNA++算法进行对比实验。
以CG合成网络为例,将NABG初始物种p为5000分别与MAGNA++初始物种p为5000和15000时产生的比对结果比较分析。在拓扑指标上,分别依据EC、ICS、S3指标对比各算法在迭代了n(n=0,500,100,1500,2000)次后产生的比对结果,如图4所示,EC、ICS、S3的值越大,拓扑质量越好。图4表明NABG和MAGNA++算法比对结果的拓扑质量随着迭代次数的增加而提高,并且NABG算法的收敛速度快于MAGNA++,在三项拓扑指标中,NABG(p=5000)的拓扑指标明显优于MAGNA++(p=5000)和MAGNA++(p=15000)的比对结果。
在生物指标上,分别依据MEN和Specificity指标对比实验结果,如图5、图6所示,MNE的值越小,生物质量越好;Specificity的值越大,生物质量越好。实验表明,NABG和MAGNA++算法比对结果的生物质量随着迭代次数的增加而提高,且NABG收敛速度更快。NABG(p=5000)的生物指标在所有对比实验中的表现明显优于MAGNA++(p=5000)和MAGNA++(p=15000)。
为测试本发明的在真实生物网络上的比对效果,本发明进一步选取了被广泛使用的IsoBase数据集。本发明将IsoBase中的秀丽隐杆线虫(Caenorhabditis Elegans,CE)、黑腹果蝇(Drosophila Melanogaster,DM)和酿酒酵母(Saccharomyces Cerevisiae,SC)三个物种分别进行两两组合,与PROPER、Spinal以及MAGNA++算法作对比实验,用以评估。
在真实网络上,分别依据EC、ICS、S3、GOC四项指标对比四种算法。各项指标对比结果如图7所示。图7中指标最高的数值用粗体标出,次高的数值用下划线标出,在CE-DM,CE-SC,DM-SC三对物种的实验结果中,MAGNA++算法的表现最差,Spinal算法的拓扑指标较好而生物指标很差,PROPER算法生物指标较好而拓扑指标较差,本文算法的生物指标优于PROPER算法,并且拓扑指标与Spinal算法较为接近。总而言之,NABG在拓扑指标和生物指标之间保持均衡的高指标。
生物网络比对的目的是寻找具有生物学意义的结果。当一个节点对不存在公共的GO注释项时,这个节点对被认为不具有功能相似性。节点对被注释的公共GO项越多,比对越具有生物学意义。为了进一步分析各算法比对结果的生物学意义,本文比较了各算法产生的比对结果中包含c(c>0)个公共GO注释的节点对数目,如图8所示,在CE-SC和DM-SC两组实验中,NABG明显优于其它三种算法,在CE-DM实验中,NABG比对结果优于MAGNA++和Spinal,节点对数目在c=5时略少于PROPER。实验表明,NABG算法产生的比对结果相较其他算法更具生物学意义。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (6)
1.一种基于遗传算法的生物网络比对方法,其特征在于,包括以下步骤:
步骤1:读取源网络、目标网络数据文件及其序列相似性得分文件;
步骤2:计算源网络、目标网络中节点的重要性得分,结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分;
步骤3:基于节点对相似性得分初始化种群;
步骤4:计算种群中个体的适应度值;
步骤5:选择、交叉产生下一代;
步骤6:重复步骤4、步骤5直至目标函数收敛或迭代次数达到阈值;
其中:采用最小度启发式算法计算节点的重要性得分,包括如下步骤:
初始化网络Gi(i=1,2)中每个节点和边的权重,边的初始权重w(u,v)设为1,节点的初始权重w(u)设为0:
其中u,v表示网络Gi中的节点,Ei表示网络Gi中边的集合;
从度为1的节点开始,到度为10的节点结束,删除当前度最小的节点u,并更新其相邻节点和边的权重,当一个节点被移除时,它的邻接边也相应移除,移除的节点和边的权重被分配给它们的邻居节点和边;
当|N(u)|为1时:
当|N(u)|大于1时:
其中N(u)表示节点u的邻居节点集合,|N(u)|表示节点u的邻居节点个数;
计算节点v的重要性得分IS(v):
其中,IS(v)表示节点v的重要性得分,λ控制节点和边的权重,取0.4;
对节点v的重要性得分进行归一化处理:
IS(v)=IS(v)/maxv∈V{IS(v)};
结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分,对于网络G1中的节点u和网络G2中的节点v,计算节点对(u,v)的相似性得分:
其中控制节点对拓扑相似性得分和序列相似性得分的权重,B(u,v)表示节点对(u,v)的归一化bit-score值,即从输入的序列相似性得分文件中读取相应数值并进行归一化处理;
所述初始化种群包括以下步骤:两个网络中的任意节点对按照相似性得分S从大到小排列,通过贪心算法选择当前相似性得分最高的节点对,直到G1网络中的每个节点都被比对上;随机产生p-1个比对结果;
所述种群个体适应度值即网络比对的目标函数:由节点对的相似性得分和边正确性得分构成:
其中,A表示一个比对结果,F(A)表示比对结果A的目标函数得分,S(u,v)表示节点对(u,v)的相似性得分。
2.如权利要求1所述的基于遗传算法的生物网络比对方法,其特征在于,在种群中选择的过程包括:在迭代的过程中控制种群数目p固定,且p为偶数,为保证在迭代的过程中种群的质量并且加快种群的收敛速度:NABG保留种群前50%的结果至下一代,并选择上一代种群的第i(0≤i<p/2)个个体和第p-1-i个个体为父代,交叉形成剩下的50%个体。
3.如权利要求2所述的基于遗传算法的生物网络比对方法,其特征在于,所述交叉的过程为:经过选择阶段选出父代个体后,利用Knuths正则分解和循环分解算法保证两个父代个体交叉产生一个子代个体,并且子代个体可以继承两个父代个体各一半的特性。
4.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到3任一项所述方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到3任一项所述方法的步骤。
6.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466845.1A CN112446492B (zh) | 2020-12-14 | 2020-12-14 | 基于遗传算法的生物网络比对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466845.1A CN112446492B (zh) | 2020-12-14 | 2020-12-14 | 基于遗传算法的生物网络比对方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446492A CN112446492A (zh) | 2021-03-05 |
CN112446492B true CN112446492B (zh) | 2024-04-05 |
Family
ID=74739673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011466845.1A Active CN112446492B (zh) | 2020-12-14 | 2020-12-14 | 基于遗传算法的生物网络比对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446492B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114974400B (zh) * | 2022-03-29 | 2023-06-16 | 江南大学 | 一种全局生物网络比对方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944748A (zh) * | 2014-02-17 | 2014-07-23 | 北京航空航天大学 | 基于遗传算法的网络关键节点的自相似流量生成简化方法 |
CN107679616A (zh) * | 2017-10-20 | 2018-02-09 | 江南大学 | 一种引入序列信息的残基相互作用网络比对算法si‑magna |
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 |
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 |
-
2020
- 2020-12-14 CN CN202011466845.1A patent/CN112446492B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944748A (zh) * | 2014-02-17 | 2014-07-23 | 北京航空航天大学 | 基于遗传算法的网络关键节点的自相似流量生成简化方法 |
CN107679616A (zh) * | 2017-10-20 | 2018-02-09 | 江南大学 | 一种引入序列信息的残基相互作用网络比对算法si‑magna |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
一种拓扑与生物功能一致的多网络比对算法;夏金芳;陈璟;;小型微型计算机系统(10);全文 * |
路网匹配算法综述;高文超;李国良;塔娜;;软件学报;20171017(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112446492A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shrikumar et al. | Technical note on transcription factor motif discovery from importance scores (TF-MoDISco) version 0.5. 6.5 | |
Edwards et al. | Selecting high-dimensional mixed graphical models using minimal AIC or BIC forests | |
EP3311299A1 (en) | Methods of predicting pathogenicity of genetic sequence variants | |
AU2015331619A1 (en) | Haplotype phasing models | |
Zhang et al. | Preselection via classification: A case study on evolutionary multiobjective optimization | |
WO2018166270A2 (zh) | 一种基于指标和方向向量相结合的多目标优化方法及系统 | |
CN116741397B (zh) | 基于多组学数据融合的癌症分型方法、系统及存储介质 | |
CN113555062A (zh) | 一种用于基因组碱基变异检测的数据分析系统及分析方法 | |
CN112734051A (zh) | 一种针对分类问题的进化集成学习方法 | |
CN112446492B (zh) | 基于遗传算法的生物网络比对方法 | |
Wei et al. | CALLR: a semi-supervised cell-type annotation method for single-cell RNA sequencing data | |
Wang et al. | A branch and bound irredundant graph algorithm for large-scale MLCS problems | |
Weise et al. | A tunable model for multi-objective, epistatic, rugged, and neutral fitness landscapes | |
Suzuki | A novel Chow–Liu algorithm and its application to gene differential analysis | |
Mourad et al. | Learning hierarchical Bayesian networks for genome-wide association studies | |
Venkat et al. | Multiscale geometric and topological analyses for characterizing and predicting immune responses from single cell data | |
Truong et al. | A repeated local search algorithm for biclustering of gene expression data | |
Pradhan | Motif discovery in biological sequences | |
Asgarian et al. | Solving MEC model of haplotype reconstruction using information fusion, single greedy and parallel clustering approaches | |
Poulin | Sequence-based protein function prediction | |
Chen et al. | EDGE++: Improved Training and Sampling of EDGE | |
Wu et al. | EDGE++: Improved Training and Sampling of EDGE | |
Ryšavý | Efektivní Odhad Podobnosti Genomů Pro Učení ze Sekvenčních Dat | |
Navi et al. | Using harmony search for solving a typical bioinformatics problem | |
Taghipour et al. | A Probabilistic Branch-and-Bound Approach for Reconstructing of Haplotype Using SNP-Fragments and Related Genotype |
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 |