CN113470739B - 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统 - Google Patents
一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统 Download PDFInfo
- Publication number
- CN113470739B CN113470739B CN202110752120.7A CN202110752120A CN113470739B CN 113470739 B CN113470739 B CN 113470739B CN 202110752120 A CN202110752120 A CN 202110752120A CN 113470739 B CN113470739 B CN 113470739B
- Authority
- CN
- China
- Prior art keywords
- interaction
- proteins
- complex
- membership
- protein
- 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
- 230000006916 protein interaction Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 23
- 150000001875 compounds Chemical class 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 18
- 102000004169 proteins and genes Human genes 0.000 claims description 75
- 108090000623 proteins and genes Proteins 0.000 claims description 75
- 230000003993 interaction Effects 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/20—Protein or domain folding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统，该系统由数据处理模块、复合物隶属度计算模块和结果生成模块组成，基于随机块的蛋白质相互作用预测方法，从数据库中获取蛋白质相互作用数据，对获得的数据进行处理；应用随机变分推理对蛋白质相互作用网络进行分析，计算复合物隶属度指标；基于复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果。该系统通过混合隶属度随机块模型以及复合物识别方法，分析蛋白质相互作用网络，预测蛋白质相互作用，并展示相关预测结果，提高预测准确度。
Description
技术领域
本发明涉及计算机数据处理技术领域，具体涉及一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统。
背景技术
研究蛋白质之间的相互作用对于了解生物体内各项生化反应和生命活动的机制原理具有重要意义。随着计算机技术的飞速发展，蛋白质相互作用网络不断壮大，涵盖了大量的相互作用信息，构成了复杂的网络结构，同时也吸引了越来越多基于网络的蛋白质相互作用预测研究。目前大量基于网络预测蛋白质相互作用的方法主要是利用蛋白质相互作用网络中蛋白质间拓扑结构相似性，其中主要方法就是根据两个蛋白质之间的共同邻居数量判断它们之间是否存在相互作用，该算法被称作共同邻居算法，其核心思想是如果两个蛋白质之间具有足够多的相互作用邻居，那么它们就越有可能发生相互作用。
但是，在实际应用中，现有的基于网络的蛋白质相互作用预测方法效果欠佳，主要原因是这一类方法只是考虑了蛋白质在网络中的局部信息，无法充分挖掘整个网络中的链接模式。同时，最新的研究指出如果两个蛋白质具有足够多的相互作用邻居，那么只能说明它们的相互作用位点相似度很高，而不能说明它们之间具有相互作用。相反，给定两个蛋白质，只有在它们中的一个蛋白质与另一个蛋白质的相互作用伙伴相似的情况下，这两个给定的蛋白质才会发生相互作用。显然，现有方法单纯聚焦于蛋白质相互作用网络局部信息，忽视了网络全局信息，从而无法在蛋白质相互作用预测的准确性上满足实际应用的需求。
发明内容
本发明目的在于，针对现有技术存在的缺陷，提供一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统。该方法从数据库中获取蛋白质相互作用数据，对获得的数据进行处理；应用随机变分推理对蛋白质相互作用网络进行分析，计算复合物隶属度指标；基于复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果。所述系统由数据处理模块、复合物隶属度计算模块和结果生成模组成，通过混合隶属度随机块模型以及复合物识别方法，分析蛋白质相互作用网络，预测蛋白质相互作用，并展示相关预测结果，提高预测准确度。
本发明所述的一种基于混合隶属度随机块模型的蛋白质相互作用预测方法，按下列步骤进行：
a、从数据库中获取蛋白质相互作用数据，对数据进行预处理，得到由0和1构成的二维矩阵以表示蛋白质间已知的相互作用网络，在该网络中，节点表示蛋白质，节点之间的边则表示蛋白质间的相互作用关系，若两蛋白质之间具有相互作用则边为1；反之，则为0；
b、应用随机变分推理对蛋白质相互作用网络进行分析，计算蛋白质复合物隶属度指标；其中：
为每个蛋白质分配复合物隶属度向量πi，服从狄利克雷分布，πi～Dirichelet(α)，具体公式为：
为网络中每个复合物分配权重βk，服从贝塔分布，βk～Beta(η)，具体公式为：
使用随机变分推理对所得参数进行更新；
最终得到两个重要的复合物相关性指标：复合物隶属度向量π和复合物权重向量βk；
c、基于蛋白质复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果，其中：根据两个蛋白质的复合物隶属度和所在复合物的权重计算两个蛋白质发生相互作用的概率；展示预测结果。
步骤c中计算两个蛋白质发生相互作用的概率，是基于每对蛋白质的复合物隶属度向量πi和πj，以及复合物权重向量βk计算相互作用发生的可能性，具体公式为：
通过公式(4)计算两个蛋白质发生相互作用的可能性，再通过归一化计算相互作用概率。
步骤c中展示蛋白质相互作用预测结果为：
把未知相互作用的蛋白质对按照发生相互作用的概率大小由高到低排序；
当两个蛋白质发生相互作用的概率大于0.5时，认为它们之间存在相互作用，反之，不存在相互作用。
一种基于混合隶属度随机块模型的蛋白质相互作用预测系统，该系统是由数据处理模块(101)、复合物隶属度计算模块(102)和结果生成模块(103)组成，其中：
数据处理模块(101)：用于从数据库中获取蛋白质相互作用数据，对获得的数据进行处理；
复合物隶属度计算模块(102)：应用随机变分推理对蛋白质相互作用网络进行分析，计算复合物隶属度指标；
结果生成模块(103)：根据复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果。
与现有技术相比，本发明具有以下有益的技术效果：
本发明所述的一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统，首先从数据库中获取蛋白质相互作用数据，对获得的数据进行预处理，构成蛋白质相互作用网络；然后，应用随机变分推理对该网络进行分析，计算复合物隶属度指标；最后，基于复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果，提高预测准确性。本方法可以避免只使用局部网络信息进行预测分析，同时可以利用复合物识别方法对整个蛋白质相互作用进行分析，根据分析结果精准预测两蛋白质之间是否存在相互作用。与现有的基于网络的预测算法相比，预测的准确度有了明显的改善。
本发明还公开了能够实现上述蛋白质相互作用预测方法和系统，系统功能主要由以下三部分组成：数据处理模块、复合物隶属度计算模块和结果生成模块。首先，从数据库中获取蛋白质相互作用数据，对获得的数据进行处理。然后，应用随机变分推理计算复合物相关性指标。最后，结果生成模块根据复合物隶属度指标的计算结果，进行预测，并展示预测结果。
附图说明
图1为本发明的逻辑结构图；
图2为本发明所涉及的数据处理说明图，其中A为蛋白质相互作用原始数据示意图；B为经过处理之后的蛋白质相互作用数据示意图。
具体实施方式
下面结合具体的实例对本发明作进一步的详细说明，所述是对本发明的解释而不是限定。
实施例
本发明所述的一种基于混合隶属度随机块模型的蛋白质相互作用预测方法，按下列步骤进行：
a、从数据库中获取蛋白质相互作用数据，对数据进行预处理，得到由0和1构成的二维矩阵以表示蛋白质间已知的相互作用网络。在该网络中，节点表示蛋白质，节点之间的边则表示蛋白质间的相互作用关系，若两蛋白质之间具有相互作用则边为1；反之，则为0；
b、应用随机变分推理对蛋白质相互作用网络进行分析，计算蛋白质复合物隶属度指标；其中：
为每个蛋白质分配复合物隶属度向量πi，服从狄利克雷分布，πi～Dirichelet(α)，具体公式为：
为网络中每个复合物分配权重βk，服从贝塔分布，βk～Beta(η)，具体公式为：
使用随机变分推理对所得参数进行更新；
最终得到两个重要的复合物相关性指标：复合物隶属度向量π和复合物权重向量βk；
c、基于蛋白质复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果，其中：根据两个蛋白质的复合物隶属度和所在复合物的权重计算两个蛋白质发生相互作用的概率；展示预测结果。
步骤c中计算两个蛋白质发生相互作用的概率，是基于每对蛋白质的复合物隶属度向量πi和πj，以及复合物权重向量βk计算相互作用发生的可能性，具体公式为：
通过公式(4)计算两个蛋白质发生相互作用的可能性，再通过归一化计算相互作用概率；
步骤c中展示蛋白质相互作用预测结果为：
把未知相互作用的蛋白质对按照发生相互作用的概率大小由高到低排序；
当两个蛋白质发生相互作用的概率大于0.5时，认为它们之间存在相互作用，反之，不存在相互作用；
一种基于混合隶属度随机块模型的蛋白质相互作用预测系统，该系统是由数据处理模块、复合物隶属度计算模块和结果生成模块组成，其中：
数据处理模块101：用于从数据库中获取蛋白质相互作用数据，对获得的数据进行处理；
复合物隶属度计算模块102：应用随机变分推理对蛋白质相互作用网络进行分析，计算复合物隶属度指标；
结果生成模块103：根据复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果；
如图1所示：该系统功能主要由以下三部分组成：101为数据处理模块、102为复合物隶属度计算模块和103为结果生成模块；
基于混合隶属度随机块模型的蛋白质相互作用预测方法，包括以下步骤：
步骤一，从数据库中获取蛋白质相互作用数据，对获得的数据进行预处理，获得蛋白质相互作用网络；
步骤二，应用随机变分推理对蛋白质相互作用网络进行分析，计算复合物隶属度指标；
步骤三，基于复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果；
下面对各模块工作进行具体举例说明：
数据处理模块101：
收集各大数据库中的数据，获取蛋白质相互作用数据，如图2中A蛋白质相互作用原始数据示意图中的A、B、C、D；
处理收集的原始数据，用0和1代表蛋白质之间的关系；如果两个蛋白质具有相互作用，那么他们之间的边设为1，反之，设为0，如图2中B为经过处理之后的蛋白质相互作用数据示意图所示，然后以此构建邻接矩阵；
复合物隶属度计算模块102：
应用随机变分推理对蛋白质相互作用网络进行分析，计算复合物隶属度指标，为预测相互作用作准备；
复合物隶属度指标具体计算方法是：
为每个蛋白质分配复合物隶属度向量πi，服从狄利克雷分布，πi～Dirichelet(α)，具体公式如下所示：
为蛋白质相互作用网络中每个复合物分配权重βk，服从贝塔分布，βk～Beta(η)，具体公式如下所示：
使用随机变分推理对上述参数进行更新；
最终得到两个重要的复合物相关性指标：复合物隶属度向量π及相应的权重向量βk；
结果生成模块103：
结果生成模块基于复合物隶属度指标进行一系列计算，计算一对蛋白质发生相互作用的概率，进行相互作用预测，并展示预测结果；具体操作为：
根据两个蛋白质的复合物隶属度和所在复合物的权重计算两个蛋白质发生相互作用的概率；
具体的概率计算方法如下：
基于每对蛋白质的复合物隶属度向量πi和πj，以及复合物权重向量βk计算相互作用发生的可能性，具体公式如下所示：
根据得到的相互作用可能性，通过归一化计算相互作用概率，具体公式如下所示：
展示预测结果：
把未知相互作用的蛋白质对按照发生相互作用的概率大小由高到低排序，当两个蛋白质发生相互作用的概率大于0.5时，认为它们之间存在相互作用，反之，不存在相互作用。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于混合隶属度随机块模型的蛋白质相互作用预测方法，其特征在于，按下列步骤进行：
a、从数据库中获取蛋白质相互作用数据，对数据进行预处理，得到由0和1构成的二维矩阵以表示蛋白质间已知的相互作用网络，在该网络中，节点表示蛋白质，节点之间的边则表示蛋白质间的相互作用关系，若两蛋白质之间具有相互作用则边为1；反之，则为0；
b、应用随机变分推理对蛋白质相互作用网络进行分析，计算蛋白质复合物隶属度指标；其中：
为每个蛋白质分配复合物隶属度向量πi，服从狄利克雷分布，πi～Dirichelet(α)，具体公式为：
为网络中每个复合物分配权重βk，服从贝塔分布，βk～Beta(η)，具体公式为：
使用随机变分推理对所得参数进行更新；
最终得到两个重要的复合物相关性指标：复合物隶属度向量π和复合物权重向量βk；
c、基于蛋白质复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果，其中：根据两个蛋白质的复合物隶属度和所在复合物的权重计算两个蛋白质发生相互作用的概率，展示预测结果；
步骤c中计算两个蛋白质发生相互作用的概率，是基于每对蛋白质的复合物隶属度向量πi和πj，以及复合物权重向量βk计算相互作用发生的可能性，具体公式为：
通过公式(4)计算两个蛋白质发生相互作用的可能性，再通过归一化计算相互作用概率：
2.根据权利要求1所述的基于混合隶属度随机块模型的蛋白质相互作用预测方法，其特征在于，步骤c中展示蛋白质相互作用预测结果为：
把未知相互作用的蛋白质对按照发生相互作用的概率大小由高到低排序；
当两个蛋白质发生相互作用的概率大于0.5时，认为它们之间存在相互作用，反之，不存在相互作用。
3.一种基于混合隶属度随机块模型的蛋白质相互作用预测系统，其特征在于该系统是由数据处理模块、复合物隶属度计算模块和结果生成模块组成，其中：
数据处理模块：用于从数据库中获取蛋白质相互作用数据，对获得的数据进行处理；得到由0和1构成的二维矩阵以表示蛋白质间已知的相互作用网络，在该网络中，节点表示蛋白质，节点之间的边则表示蛋白质间的相互作用关系，若两蛋白质之间具有相互作用则边为1；反之，则为0；
复合物隶属度计算模块：用于应用随机变分推理对蛋白质相互作用网络进行分析，计算复合物隶属度指标；其中：
为每个蛋白质分配复合物隶属度向量πi，服从狄利克雷分布，πi～Dirichelet(α)，具体公式为：
为网络中每个复合物分配权重βk，服从贝塔分布，βk～Beta(η)，具体公式为：
使用随机变分推理对所得参数进行更新；
最终得到两个重要的复合物相关性指标：复合物隶属度向量π和复合物权重向量βk；
结果生成模块：用于根据复合物隶属度指标的计算结果，对蛋白质相互作用进行预测，展示预测结果；其中：
根据两个蛋白质的复合物隶属度和所在复合物的权重计算两个蛋白质发生相互作用的概率，展示预测结果；
所述结果生成模块中计算两个蛋白质发生相互作用的概率，是基于每对蛋白质的复合物隶属度向量πi和πj，以及复合物权重向量βk计算相互作用发生的可能性，具体公式为：
通过公式(4)计算两个蛋白质发生相互作用的可能性，再通过归一化计算相互作用概率：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110752120.7A CN113470739B (zh) | 2021-07-03 | 2021-07-03 | 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110752120.7A CN113470739B (zh) | 2021-07-03 | 2021-07-03 | 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113470739A CN113470739A (zh) | 2021-10-01 |
| CN113470739B true CN113470739B (zh) | 2023-04-18 |
Family
ID=77877710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110752120.7A Active CN113470739B (zh) | 2021-07-03 | 2021-07-03 | 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470739B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102203724A (zh) * | 2008-06-12 | 2011-09-28 | 加迪安分析有限公司 | 用于欺诈检测和分析的用户建模 |
| CN106355044A (zh) * | 2016-08-15 | 2017-01-25 | 上海电机学院 | 基于随机游走模型的蛋白质复合物识别方法 |
| CN109545275A (zh) * | 2018-09-29 | 2019-03-29 | 江西理工大学 | 基于模糊谱聚类的不确定ppi网络功能模块挖掘方法 |
| CN111145830A (zh) * | 2019-12-26 | 2020-05-12 | 长沙学院 | 基于网络传播的蛋白质功能预测方法 |
| CN111667881A (zh) * | 2020-06-04 | 2020-09-15 | 大连民族大学 | 一种基于多网络拓扑结构的蛋白质功能预测方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7043476B2 (en) * | 2002-10-11 | 2006-05-09 | International Business Machines Corporation | Method and apparatus for data mining to discover associations and covariances associated with data |
| DE102010026094B4 (de) * | 2010-07-05 | 2012-01-12 | Sigeng Han | Ein neues Verfahren zum Charakterisieren und multidimensionalen Darstellen des Faltungsvorgangs der Proteine |
| CN106021988A (zh) * | 2016-05-26 | 2016-10-12 | 河南城建学院 | 蛋白质复合物的识别方法 |
| CN106126972B (zh) * | 2016-06-21 | 2018-10-02 | 哈尔滨工业大学 | 一种用于蛋白质功能预测的层级多标签分类方法 |
| CN106529207B (zh) * | 2016-10-08 | 2019-04-12 | 华中科技大学 | 一种与核糖核酸结合的蛋白质的预测方法 |
| PL3554681T3 (pl) * | 2016-12-16 | 2022-05-16 | The Brigham And Women's Hospital, Inc. | Sposób na matryce sensorowe koron białkowych do wczesnego wykrywania chorób |
| CN108009403A (zh) * | 2017-11-24 | 2018-05-08 | 中国地质大学（武汉） | 基于多源数据融合及多目标优化的蛋白质复合物识别方法 |
| CN108664706B (zh) * | 2018-04-16 | 2020-11-03 | 浙江大学 | 一种基于半监督贝叶斯高斯混合模型的合成氨过程一段炉氧气含量在线估计方法 |
| CN109726222B (zh) * | 2018-12-29 | 2023-06-13 | 苏州大学 | 一种数据流主题特征提取方法、装置、设备及存储介质 |
| CN110532479A (zh) * | 2019-09-05 | 2019-12-03 | 北京思维造物信息科技股份有限公司 | 一种信息推荐方法、装置及设备 |
| CN111128301A (zh) * | 2019-12-06 | 2020-05-08 | 北部湾大学 | 一种基于模糊聚类的重叠蛋白质复合物识别方法 |
| CN111581532A (zh) * | 2020-05-08 | 2020-08-25 | 深圳市万佳安人工智能数据技术有限公司 | 一种基于随机块的社交网络交友推荐方法和系统 |
| CN111816255B (zh) * | 2020-07-09 | 2024-03-08 | 江南大学 | 融合多视角和最优多标签链式学习的rna结合蛋白识别 |
| CN112837753B (zh) * | 2021-02-07 | 2022-07-22 | 中国科学院新疆理化技术研究所 | 一种基于多模态堆叠自动编码机的microRNA-疾病关联预测方法 |
-
2021
- 2021-07-03 CN CN202110752120.7A patent/CN113470739B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102203724A (zh) * | 2008-06-12 | 2011-09-28 | 加迪安分析有限公司 | 用于欺诈检测和分析的用户建模 |
| CN106355044A (zh) * | 2016-08-15 | 2017-01-25 | 上海电机学院 | 基于随机游走模型的蛋白质复合物识别方法 |
| CN109545275A (zh) * | 2018-09-29 | 2019-03-29 | 江西理工大学 | 基于模糊谱聚类的不确定ppi网络功能模块挖掘方法 |
| CN111145830A (zh) * | 2019-12-26 | 2020-05-12 | 长沙学院 | 基于网络传播的蛋白质功能预测方法 |
| CN111667881A (zh) * | 2020-06-04 | 2020-09-15 | 大连民族大学 | 一种基于多网络拓扑结构的蛋白质功能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113470739A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | A graph-based approach for trajectory similarity computation in spatial networks | |
| CN111597217B (zh) | 基于模糊对象语言概念格的个性化推荐方法 | |
| CN111985325B (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
| CN110335168A (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
| Wang et al. | An air quality forecasting model based on improved convnet and RNN | |
| CN102571431A (zh) | 针对复杂网络的基于群思想改进的Fast-Newman聚类方法 | |
| CN112765415A (zh) | 基于关系内容联合嵌入卷积神经网络的链路预测方法 | |
| Wang et al. | Design of the Sports Training Decision Support System Based on the Improved Association Rule, the Apriori Algorithm. | |
| Rabbi et al. | An Approximation For Monitoring The Efficiency Of Cooperative Across Diverse Network Aspects | |
| CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
| Fan | Evaluation of classification for project features with machine learning algorithms | |
| Moumen et al. | Enhancing urban mobility: integration of IoT road traffic data and artificial intelligence in smart city environment | |
| CN112346974B (zh) | 基于深度特征嵌入的跨移动应用程序即时缺陷预测方法 | |
| CN109948674A (zh) | 基于深度元学习的相似性度量方法及系统 | |
| CN117671517A (zh) | 基于大规模预训练神经网络的遥感图像识别方法 | |
| Gamboa-Rosales et al. | Decision Making using Internet of Things and Machine Learning: A bibliometric approach to tracking main research themes | |
| Alshawabkeh et al. | Automated Pavement Crack Detection Using Deep Feature Selection and Whale Optimization Algorithm. | |
| CN113470739B (zh) | 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统 | |
| Keskin et al. | Cohort fertility heterogeneity during the fertility decline period in Turkey | |
| CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
| Figueredo et al. | An immune-inspired technique to identify heavy goods vehicles incident hot spots | |
| CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
| CN113222207B (zh) | 基于社区结构的招投标公司网络关系预测方法及预测系统 | |
| Kong et al. | A method of data analysis based on division-mining-fusion strategy | |
| Wang et al. | Competitive analysis with graph embedding on patent networks |
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 |